CC BY
40
Иващенко А.В., Андреев М.В. АДАПТИВНОЕ УПРАВЛЕНИЕ ПЛАНОМ ЦЕХА НА МАШИНОСТРОИТЕЛЬНОМ ПРЕДПРИЯТИИ
Аннотация: в данной работе предлагается алгоритм адаптивного управления планом производства на
машиностроительном предприятии на основе настройки микроэкономики мультиагентной системы.
Современные стандарты управления качеством предусматривают достаточно высокие требования к системам организации и планирования производственных процессов, связанные, в частности, с рациональным использованием ресурсов. Для удовлетворения этих требований необходимо обеспечить высокую адаптивность процессов изменения оперативного плана.
Решению данной задачи уделяется достаточно много внимания при создании и внедрении систем управления производством (MES) [1]. Особенно актуально использование гибких систем оперативного цехового планирования в мелкосерийном производстве высокотехнологических изделий, когда требуется эффективно использовать имеющиеся ресурсы при быстрой переориентации производства. В этом случае возникающие события по поступлению нового заказа, внесению изменений в комплекты документации, технологию производства с учетом задела и т.п. должны быть обработаны системой в реальном времени и привести к модификации производственного плана с учетом предпочтений и требований всех участников производственного процесса.
В связи с тем, что при таком планировании необходимо учитывать множество часто противоречивых критериев, при решении задачи управления производством весьма актуально использование автоматизированных интеллектуальных систем. Эти системы на основе знаний о производственном процессе, накапливаемых в едином информационном пространстве предприятия, позволяют создать инструмент поддержки принятия решений и их согласования группой всех заинтересованных участников жизненного цикла изделия, включая начальников цехов, мастеров, технологов и складских операторов.
Одним из методов, позволяющих строить такие системы, является построение сетей потребностей и возможностей и их реализация в мультиагентной системе управления предприятием [2]. Согласно данному подходу каждому заказу и ресурсу ставится некоторая активная сущность, называя агентом. Суть алгоритмов мультиагентного планирования состоит в организации переговоров между агентами, в ходе которых они совместно приходят к некоторому сбалансированному решению, проявляя тем самым эмерджентный интеллект [3].
Организация взаимодействия агентов, направленного на поиск компромиссов, может быть основана на методах микроэкономики. Если один из агентов принимает решение, которое ухудшает состояние другого агента, для достижения компромисса он может выплатить этому агенту компенсацию, которую тот будет использовать впоследствии для улучшения своего состояния. Размер этой компенсации зависит от степени ухудшения и определяется некоторой суммой виртуальных денег. Отметим, что агент в силу своей автономности определяет объем возможной компенсации самостоятельно.
Виртуальные деньги отличаются от физических, так как характеризуют субъективные показатели решения. В частности, физические деньги, которые тратятся клиентом для выполнения заказов, могут не носить определяющий характер, так как выполнение заказа может быть очень рискованным или низкокачественным. В этом случае физическая стоимость заказа будет лишь одним из критериев принятия решения.
Агенту каждого нового заказа перед планированием дается некоторый объем виртуальных денег, которыми они могут воспользоваться при планировании. Данная сумма определяется важностью данного заказа для предприятия и зависит не только от его физической стоимости. Например, она может быть увеличена, если необходимо заинтересовать нового клиента. Таким образом, изменяя начальную сумму можно управлять планированием заказа.
Кроме этого, на любые действия агентов могут вводиться налоги, в частности на переговоры, время работы агента и т.п. Данная возможность позволяет гибко управлять длительностью переговоров при решении конфликтов и повысить эффективность работы системы планирования.
При построении микроэкономики цеха можно выделить две модели распределенных решений:
агенты взаимодействуют для достижения одной общей цели, выступают как единый коллектив и не оперируют собственными виртуальными деньгами.
агенты имеют собственные «счета», накапливают либо тратят виртуальные деньги и действуют как автономные компании на общем рынке.
Вторая модель является более сложной в реализации, однако она позволяет использовать законы экономики при организации и управлении мультиагентным миром. Фактически, агенты в этом случае вступают в капиталистические отношения, они получают собственный доход в зависимости от результатов своей деятельности и могут тратить виртуальные деньги на улучшение своего состояния по критериям в соответствии с индивидуальной целью.
Таким образом, при создании мультиагентной системы адаптивного планирования особое внимание необходимо уделить обеспечению настройки логики принятия решений агентами в виде определения заданных значений микроэкономических показателей (бонусов, штрафов и логики их назначения).
Настройка микроэкономики может быть выполнена двумя способами:
экспериментальный - от запуска к запуску системы подбираются наилучшие параметры на некотором заданном потоке данных, затем система функционирует с найденными значениями параметров. Однако реальный поток во время внедрения системы может оказаться отличным от модельного, и в результате этого, решения могут значительно ухудшиться.
адаптивный - подстройка осуществляется во время работы системы на произвольном потоке данных.
Первый способ является более простым, однако, организация адаптивного управления планом цеха на основе подстройки параметров микроэкономики, позволяет обеспечить некоторые свойства самоорганизации и получить качественно новые особенности системы цехового планирования, в связи с чем, рассмотрим его подробнее.
При наличии большого количества параметров микроэкономики необходимо выработать некоторый обобщенный показатель, характеризующий состояние плана производства в целом. Одним из таких параметров может служить коэффициент загруженности плана:
kz ( At ) —--Zp(At)-----
zR ( At ) + zNP (At )
где Zp (At) - суммарная длительность выполнения запланированных заказов; ZNp (At) - суммарная дли-
тельность выполнения незапланированных заказов; Zr (At) - загруженность ресурсов заказами.
В Таблице 1 приведены значения коэффициента загруженности плана для примеров планирования технологических процессов разной сложности. Аппроксимация зависимости коэффициента загруженности плана
(после преобразования) параметрической моделью вида k^ (At) — 1 COs(îî? (t - to )) показала достаточно
хорошие результаты, что говорит об осцилляционном характере изменения этого параметра в ответ на единичное воздействие.
Анализ данного показателя позволяет сделать вывод о необходимом управляющем воздействии, которое заключается в подстройке параметров алгоритма планирования - показателей микроэкономики:
В частности, можно определить следующие ограничения:
Ограничения по максимальному отклонению от нуля : большое отклонение говорит о высокой степени
противоречивости (невыполнимости) плана. Для производств, где возможны значительные изменения, которые требуют крайне быстрой реакции, на фоне планирования обычных заказов, большое отклонение недопустимо. С другой стороны наличие большего отклонения говорит о более высокой адаптивности планирования .
Ограничения по времени достижения нуля - планирование может осуществляться в ситуациях с разной скоростью прихода событий. Когда заказов вбрасывается мало, система может получать больше времени и более тщательно осуществлять поиск решения, включая улучшение расписания. Если же скорость высокая, время планирования приходится сокращать.
В соответствии с этими соображениями возможен автоматический выбор стратегии принятия решений и критериев микроэкономики, например, учитывать только один (главный) критерий (стоимость или время) для сокращения времени планирования или использовать свертку для поиска более сбалансированного решения. Пример такого анализа, полученный в мультиагентной системе планирования [4], приведен на рис. 1.
Таблица 1 - Коэффициенты загруженности плана
Рис. 1. Анализ вариантов принятия решения по внутрицеховому планированию
Среди других параметров можно назвать следующие:
Планирование технологического процесса, состоящего из технологических операций, не параллельно, а вбрасывая технологические операции частями, через некоторые промежутки времени. Данный параметр влияет на количество конфликтов при планировании.
Выбор стратегии планирования, в частности "Just in Time" (планирование от последней операции) или "As soon as possible" (как можно раньше). Стратегия замены ресурсов, которая указывает, что лучше искать другой ресурс или попробовать поменять время выполнения. В зависимости от особенностей внедрения различные стратегии могут по-разному оказывать влияние на поведение коэффициента загруженности плана.
Увеличение или уменьшение количества виртуальных денег, которые даются планируемому заказу. С помощью данного параметра регулируется интегральная величина изменений, которые может произвести заказ, создав временные конфликты.
Определение стоимости (в виртуальных деньгах) выполнения какой-либо активности за определенный период времени, отдаваемого диспетчером. Данный параметр позволяет управлять временем планирования, позволяя получать грубый план производства за короткое время. Большие конфликты при высокой стоимости периода времени, как правило, редки.
Разрешение возникшей проблемы у одного агента другим агентом стоит виртуальных денег. Данный параметр влияет на время планирования за счет изменения вовлеченных в конфликт участников.
Повышение или понижение налогов за переговоры или компенсации. Параметр определяет, как долго будет решаться возникшая проблема.
Управление данными параметрами позволяет изменять функцию коэффициента загруженности плана в соответствии с поставленными требованиями внедрения.
ЛИТЕРАТУРА
1. Загидуллин Р.Р. Структура системы оперативно-календарного планирования в гибких производственных системах. - М.: Автоматизация и современные технологии, 2005, № 2. - с. 44-46
2. Виттих В.А., Скобелев П.О. Мультиагентные модели взаимодействия для построения сетей потребно-
стей и возможностей в открытых системах // Автоматика и телемеханика. - 2003. - №1. - С. 177-185.
3. George Rzevski, Petr Skobelev Emergent Intelligence in Large Scale Multi-Agent Systems // International journal of education and information technologies Issue 2 Volume 2, 2007 - p. 64 - 71
4. M. Andreev, G. Rzevski, P. Skobelev, P. Shveykin, A. Tsarev, and A. Tugashev Adaptive Planning
for Supply Chain Networks HoloMAS 2007, LNAI 4659, 2007 - p. 215 - 224
