Umelá inteligencia v plánovaní výroby zlievarne

Prvý menovaný modul APS bol vyvinutý a nasadený v roku 2005 s MRPII metodikou. Do roku 2009 bolo spoločne s KSW vyvinuté kapacitné plánovanie zahrňujúce všetky výrobné operácie a to vrátane kooperačných. Kapacitné plánovanie bolo nasadené a spustené vo všetkých výrobných závodoch spoločnosti. Tlak na lacnejšiu a flexibilnejšiu výrobu si vyžiadal ďalší vývoj v modulu APS vo forme APS II. Tento modul nasadený v roku 2015 už umožňoval detailnejšie materiálové plánovanie, lepšie obchodné pohľady, a hlavne nastavenie väzieb medzi plánmi závodu a riešením konfliktov cez master plán celej spoločnosti, ktorý zaistil väzby medzi výrobnými zdrojmi naprieč čiastkovými plánmi jednotlivých závodov.

Zmeny vo výrobe = „real-time“ plánovanie

Tlak na flexibilitu výroby bol naďalej neúprosný, a tak bolo potrebné sa začať venovať konceptu real-time výroby. Výroby, nečakajúcej  na žiadny, alebo minimálny prestoj zo strany človeka. Tomu bolo potrebné podriadiť celý obchodný proces v ERP systéme. Od vylepšenia CRM, cez podchytenie obchodného procesu v module BPM, príprave výroby na automatické odvádzanie bez terminálov, real-time plánovanie, až po podporu automatických činností v logistike.

Pre realizáciu real-time plánovania sa javilo odbúranie operatívnych činností plánovačom ako jeden z prvých kľúčových krokov. To malo zrýchliť zmeny v plánoch, zrýchliť zmenu výroby, znížiť prestoje, znížiť závislosť na ľudskom zásahu, rozviazať viac ruky plánovačom pre lepšie zamarenie sa na kvalitu plánu a v neposlednej rade znížiť automatizáciou rozdiely medzi kvalitou plánovačov samotných.

Pre splnenie tohoto cieľa spoločnosť siahla po umelej inteligencii, ako trendovej a perspektívnej technológii s veľkým potenciálom. IT oddelenie vypracovalo návrh cieľového riešenia a predstavilo ho vedeniu, ktoré ho neskôr pridalo do krátkodobej stratégie spoločnosti a vyčlenilo na podporu real-time výroby prvé zdroje.

Prvé kroky k AI riešeniu plánovania

Projekt AI APS sa začal na začiatku roku 2019 v spolupráci s CARDAM s.r.o., ZČU, KARAT Sofware-KSW a FZÚ ČR realizovať.

Prvá analýza bola postavená na najčastejšej a časovo najnáročnejšej operatívnej činnosti plánovačov všetkých závodov, ktorú bolo možné odhaliť a vyvolať automatom. Bolo nutné si ujasniť, ktoré funkčnosti je dobré nechať na neurónovú sieť a ktoré by bolo dobré doplniť do existujúceho APS II modulu. Výsledkom je alternatíva 5 typov prestojov vhodných na riešenie pomocou technológie umelej  inteligencie. V spolupráci vlastného IT tímu a KSW sa počas prvej etapy projektu vyvinula funkčnosť zberu spúšťačov, ktorým podkladom bol MES systém S-DATA, ukladanie stavu APS a logovanie akcií plánovača pri riešení prestoja. Príkladom je prestoj „porucha stroja“ (bude sa používať v celom článku), kde je nutné zistiť čas opravy a v prípade väčšieho prestoja preplánovať zákazky na iný stroj s ohľadom na vyťaženosť zdrojov, priority zákaziek a samozrejme s maximálnym použitím funkčnosti APS II modulu. Cieľom nebolo suplovať tento modul, ale doplniť ho o možnosti AI technológie a vyvinúť riešenie, ktoré by bolo vhodné i pre iné APS systémy.

V druhej etape projektu bolo potrebné zbierať skúšobné dáta pre aktuálny typ prestoja. Ako najmenšia vzorka sa javilo 100 záznamov, čo znamenalo 100x obslúžiť (plánovačom vyriešiť) prestoj poruchy stroja v našom príklade a to ešte v rôznych závodoch a rukou rôznych plánovačov. Z analýzy bolo zistené, že kroky plánovačov sa  nelíšia a bolo možné zlúčiť skúšobné dáta zo všetkých pobočiek a obslúžiť tento prestoj jednotnými skúšobnými dátami pre všetky výrobné plány. Samozrejme u iných typov prestojov to nemusela byt pravda a rozdielnosť výrob definovala oddelené skúšobné dáta a teda i výsledky od neurónovej siete.

Príbeh s happy endom?

Po úspešnom zbere dát a bežiacom testovaní pre jednotlivé prestoje sme v treťom  kroku s partnermi ZČU (Západočeská univerzita) a FZÚ (Fyzikálny ústav AV) pristúpili k tvorbe algoritmu s prvkami učenia. Nebola to ľahká úloha. Nehovorili jme rovnakým jazykom a bolo potrebné partnera v priebehu niekoľkých mesiacov vyškoliť na experta v plánovaní, experta v IT, ktorý pozná štruktúru pripravených dát a následne využiť jeho expertízu v umelej inteligencii. Po niekoľkých mesiacoch bol algoritmus na svete a overovali sme prvé výstupy z inteligentnej siete a korigovali ich.

Po korekcii algoritmu sme sa rozhodli pristúpiť do štvrtého kroku, ktorým bolo ponúknuť riešenie od siete plánovačovi, však stále pod ich dohľadom. Došlo tak vlastne k otočeniu smeru komunikácie – namiesto trénovania komunikácie posielala riešenia z inteligentnej siete, a dáta prichádzali do GANTTu, kde sa postupne aplikovali v krokoch. Plánovač kroky validoval a mal možnosť plán s automatizovanými vstupmi uložiť.

Akonáhle táto fáza spoľahlivo prešla validáciou, prešli sme ku kroku piatemu, teda automatizácii celého procesu preplánovania výroby, bez ľudského zásahu.

Dá sa plánovať celá zlievareň v reálnom čase? A kam ďalej?

Dnes teda pri  poruche stroja operátor iba zadáva prestoj typu porucha stroja do S-DATA systému, ten privolá pracovníka údržby cez S-DATA mobilného klienta. Údržba po zistení poruchy vyplní predpokladanú dobu opravy (keď nevyplní, vypočíta sa medián), na pozadí sa pripravia dáta pre neurónovú sieť, tá si ich preberie a vráti podľa natrénovaných dát od plánovačov kroky, ktoré má APS
II systém vykonať nad aktuálnym plánom daného závodu. Ten ich aplikuje a plán uloží. Tým sa zmení množstvo zákaziek pre výrobu v rádoch sekúnd a pracovníci môžu pokračovať podľa aktuálnej fronty práce na pracoviskách, ktoré mohli byť zmenou ovplyvnené.

Technológia umelá inteligencia zažíva v posledných rokoch rýchly rozvoj a pomocou nových nástrojov od veľkých spoločností je už dostupnejšia. Jednak pomocou vizuálnych nástrojov, tak i pomocou ďalších metód a zaistení dostatočného výkonu v cloud prostredí.

Do stratégie našej  spoločnosti boli zaradené ďalšie projekty s inteligentnými sieťami, ktoré nadväzujú na víziu real-time výroby, ako napríklad prediktívna údržba vrátane sledovania a analýzy chovania hydraulických okruhov realizovaná cez  Azure a ML, alebo menej technický a viac biznis projekt ako nadstavba na existujúce BI riešenie s cieľom hlbšej analýzy a lepšieho pochopenia cenných dát spoločnosti. O nich nájdete článok v niektorom z ďalších vydaní.

Ing. Zdenko Piovarči, CIO a strategický plánovač spoločnosti Beneš&Lát