CC BY
289
Ошурков В.А.1, Макашова В.Н.2
1 ЗАО «КонсОМ СКС», аналитик, г. Магнитогорск, [email protected]
2 ФГБОУ ВПО «Магнитогорский государственный технический университет им. Г.И.Носова», г. Магнитогорск, кандидат пед. наук, доцент кафедры бизнес-информатики и информационных
технологий, [email protected]
ОПЕРАТИВНОЕ ПЛАНИРОВАНИЕ ПРОИЗВОДСТВА В MES-СИСТЕМАХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ И АЛГОРИТМОВ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
КЛЮЧЕВЫЕ СЛОВА
Открытые искусственный интеллект, планирование производства, система управления производством, MES-система.
АННОТАЦИЯ
В данной статье приведено описание системы управления производством (далее MES-система), рассмотрены основные функции и определено, что организация любого производства начинается с его планирования (оперативного, календарного). В основе функций планирования производства лежат различного рода методы и алгоритмы искусственного интеллекта. Таким образом, нами были рассмотрены наиболее распространенные методы и алгоритмы искусственного интеллекта для осуществления планирования производства: метод табуированного поиска, муравьиный алгоритм, генетические алгоритмы, нейронные сети.
Введение
Стремительный рост конкуренции на рынке производственных предприятий, обусловленный экономической ситуацией и высокими требованиями заказчиков, все чаще заставляет менеджмент пересматривать прежние подходы к управлению производством [16]. Для того чтобы удерживать свои позиции на рынке, производить продукцию высокого качества и при этом стабильно быть в прибыли, любое современное промышленное предприятие должно уделять внимание оптимизации и автоматизации технологического процесса. Это касается как модернизации оборудования, обучения персонала, так и внедрения новых эффективных технологий управления производством [15]. Главный критерий эффективной работы любого предприятия - достижение плановых показателей при минимальных затратах. В данном случае только эффективного производственного процесса явно недостаточно, так как производственная часть тесно связана системой сбыта, снабжения, хранения, конструкторско-технологическими данными. В качестве примера может быть приведено производство, на котором функционируют автоматизированные системы, отвечающие за управление: технологическим процессом (SCADA), оперативное управление производством (MES), а также системы управления деятельностью предприятия (ERP) и автоматизацию процесса проектирования (CAD) [16].
В последнее время под эффективными технологиями управления производством имеют в виду системы класса MES, связывающие воедино технологический и бизнес уровни управления предприятием в единый информационный комплекс, решая при этом множество важнейших для промышленного предприятия задач. Однако максимальный эффект от использования всех автоматизированных систем, присутствующих на предприятии, можно получить только при создании единого информационного пространства (ЕИП), с помощью которого все перечисленные системы могут оперативно и своевременно обмениваться информацией. Сложно представить эффективную автоматизацию производственного процесса без учета планирования обеспечения материалами и комплектующими, работы склада и многих других бизнес-процессов, которые неразрывно связаны друг с другом [16].
MES - автоматизированная система управления и оптимизации производственной деятельности, которая в режиме реального времени: инициирует; отслеживает; оптимизирует; документирует все производственные процессы от начала выполнения заказа до выпуска готовой продукции (определение по стандарту ISA-95) [1].
Согласно международному стандарту ISA-95 MES-система состоит из следующих функций [2], приведенных ниже. Схематичное представление функций MES-системы приведено на рисунке 1.
Контроль состояния и распределение ресурсов (RAS (Resource Allocation and Status)). Управление ресурсами технологического оборудования, сырья, персонала, а также другими объектами, необходимыми для ведения производственной деятельности. Обеспечивает детальную историю ресурсов и гарантирует готовность оборудования к работе. Контролирует состояние ресурсов в режиме реального времени. Управление ресурсами включает резервирование и диспетчеризацию, с целью достижения целей оперативного планирования.
Оперативное/Детальное планирование (ODS (Operations/Detail Scheduling)). Обеспечивает упорядочение производственных заданий, основанное на очередности, атрибутах, характеристиках, связанных с маршрутными картами продукции и технологией производства. Формирует производственное расписание с минимальными перенастройками оборудования и параллельной работой производственных мощностей для уменьшения времени получения готового продукта и времени простоя.
Рис. 1. Подсистемы MES-системы согласно стандарту ISA-95
Управление документами (DOC (Document Control)). Контролирует содержание и прохождение документов, сопровождающих выпускаемую продукцию, включая инструкции и нормативы работ, способы выполнения, рецептуры, процедуры стандартных операций, программы обработки сырья, записи партий продукции, сообщения о технических изменениях, передачу информации от смены к смене, а также обеспечивает возможность вести плановую и отчётную производственную документацию. Также включает инструкции по безопасности, контроль защиты окружающей среды, государственные и необходимые международные стандарты. Хранит историю прохождения и изменения документов.
Диспетчеризация производства (DPU (Dispatching Production Units)). Управляет потоком
сырья в виде заданий, партий. Диспетчерская информация представляется в той последовательности, в которой работа должна быть выполнена, и изменяется в реальном времени по мере возникновения событий на производственной линии. Дает возможность изменения заданного календарного плана на уровне производственных линий. Включает функции устранение брака и переработки отходов.
Сбор и хранение данных (DCA (Data Collection/Acquisition)). Взаимодействие информационных подсистем ERP, MES, WMS-уровней в целях получения, накопления и передачи технологических и управляющих данных, циркулирующих в производственной среде предприятия. Функция обеспечивает интерфейс для получения данных и параметров технологических операций, которые используются в формах и документах, прикрепляемых к единице продукции.
Управление персоналом (LM (Labor Management)). Обеспечивает получение информации о состоянии персонала и управление им в требуемом масштабе времени. Включает отчетность по присутствию и рабочему времени, отслеживание сертификации, возможность отслеживания непроизводственной деятельности, такой, как подготовка материалов или инструментальные работы, в качестве основы для учета затрат по видам деятельности. Возможно взаимодействие с функцией распределения ресурсов, для формирования оптимальных заданий.
Управление качеством (QM (Quality Management)). Обеспечивает анализ в реальном времени измеряемых показателей, полученных от производства, для гарантированно правильного управления качеством продукции и определения проблем, требующих вмешательства обслуживающего персонала. Формирует рекомендации по устранению проблем, определяет причины брака путём анализа взаимосвязи симптомов, действий персонала и результатов этих действий. Управляет выполнением лабораторных исследований параметров продукции.
Управление производственными процессами (PM (Process Management)). Отслеживает производственный процесс и либо корректирует автоматически, либо обеспечивает поддержку принятия решений оператором для выполнения корректирующих действий и усовершенствования производственной деятельности. Эта деятельность может быть, как внутриоперационной и направленной исключительно на отслеживаемые и управляемое оборудование, так и межоперационной, отслеживающей ход процесса от одной операции к другой. Включает управление тревогами для обеспечения гарантированного уведомления персонала об изменениях в процессе, выходящих за приемлемые пределы устойчивости.
Управление техобслуживанием и ремонтом (MM (Maintenance Management)). Отслеживает и управляет обслуживанием оборудования и инструментов. Обеспечивает их работоспособность. Обеспечивает планирование периодического и предупредительного ремонтов, ремонта по состоянию. Накапливает и хранит историю произошедших событий (отказы, уменьшение производительности и др.) для использования в диагностировании возникших и предупреждения возможных проблем.
Отслеживание сырья/продукции (PTG (Product Tracking and Genealogy)). Обеспечивает возможность получения информации о состоянии и местоположении партии в каждый момент времени. Информация о состоянии может включать данные о том, кто выполняет задачу, сырье и их поставщиках, текущих условиях производства, а также любые тревоги, данные о повторной обработке и другие события, относящиеся к продукту.
Анализ производительности (PA (Performance Analysis)). Обеспечивает формирование отчетов о фактических результатах производственной деятельности, сравнение их с историческими данными и ожидаемым коммерческим результатом. Результаты производственной деятельности включают такие показатели, как коэффициент использования ресурсов, доступность ресурсов, время цикла для единицы продукции, соответствие плану и соответствие стандартам функционирования. Систематизирует информацию, полученную от разных функций, измеряющих производственные параметры. Эти результаты могут быть подготовлены в форме отчета или представлены в реальном времени в виде текущей оценки эксплуатационных показателей.
Любое производство начинается с планирования. Рассмотрим подробнее функции планирования в MES-системах [14]:
Планирование выпуска продукции в соответствии с планами продаж, проектами, заказами.
Формирование производственных планов цехов по всей технологической цепочке создания продукции.
Планирование потребностей в материалах, сырье, комплектующих, рабочей силе,
оборудовании.
Расчет плановых затрат на производство продукции и ее рентабельности.
Учет фактических затрат на производство продукции и калькуляция ее фактической себестоимости.
План/факт анализ производственной деятельности предприятия.
Для реализации выделенных функций планирования производства, в MES-системах используются различные виды искусственного интеллекта. Рассмотрим их подробнее.
Искусственный интеллект в планировании
При планировании производства искусственный интеллект позволяет прогнозировать на некотором обобщенном уровне, например, на уровне группы номенклатуры и потом разбивать обобщенный прогноз до единичного уровня, используя дополнительные расчеты.
Табуированный поиск представляет собой вариант метода градиентного спуска с памятью. В процессе поиска ведётся список табуированных (запрещённых для перехода) позиций из числа уже рассчитанных. Критическими параметрами алгоритма является диапазон запретов. В процессе поиска осуществляются операции включения в запрещённый список состояний вокруг текущего состояния, что добавляет фактор случайности в процесс поиска [3].
С целью уменьшения времени ожидания обработки для всех деталей или узлов заказа, простоев оборудования, а также сокращения времени всего производственного цикла выполнения заказа решение задачи оптимизации производственного процесса можно выполнять в соответствии со следующими критериями:
1. Минимизация времени ожидания обслуживания, т. е. обеспечение комплектного выпуска деталей, улучшение структуры штучно-калькуляционного времени:
К] = iiiin< У ЖА
i нЬ ' (1)
где
Wij - интервал времени между окончанием (]-1)-й и началом j-й операции i -ой детали;
Is - множество деталей заказа s.
2. Минимизация простоев оборудования (максимальная загрузка):
K¿ : inÍTi(qik - X r'sks) •
!-:ь (2)
где
qik - трудоемкость операции i-той детали на k-том станке,
Fi=(Wij+pi) - длительность прохождения i-той детали в системе, включая время простоя;
Pí~ ^ pi - общая длительность всех операций i-той детали;
j
Pij - длительность выполнения операции;
Gi - множество операций i-той детали.
3. Минимизация времени выполнения всех работ по комплекту деталей:
К3 minOL Kik
(3)
где Rik - объем работ, который необходимо выполнить по i-той детали заказа s.
Муравьиный алгоритм позволяет решить задачу минимизации переналадки и простоев оборудования при большом числе станков [3]. Процесс переналадки занимает важное место в системе планирования, так как он занимает значительную часть общего календарного времени (от нескольких часов до целой смены). Чем чаще требуется переналадка (по условиям производства), тем больше оказываются потери времени. Поэтому одной из основных задач является совершенствование систем переналадки оборудования, а также использование методов, которые позволяют получить оптимальную последовательность обработки деталей на станках с минимальными потерями времени на переналадку. Муравьиный алгоритм позволяет найти оптимальный производственный маршрут при заданный ограничениях. В проведенном исследовании [10] процесса нахождения оптимального маршрута муравьиным алгоритмом были получены данные, по которым из 100 итераций «муравьи» нашли 3 раза оптимальные маршруты. Проведенные компьютерные эксперименты показывают, что муравьиные алгоритмы находят хорошие маршруты значительно быстрее, чем точные методы комбинаторной оптимизации. Эффективность муравьиных алгоритмов увеличивается с ростом размерности задачи оптимизации [10]. На рисунке 2 представлена логика муравьиных алгоритмов [6].
Рис. 2. Логика муравьиных алгоритмов
Генетические алгоритмы
Если взять за основу модифицированный генетический алгоритм, то эффективность применения генетических алгоритмов зависит от того, насколько целесообразно осуществляется кодирование решения. В качестве генетических операторов используются: селекции; репродукции; кроссинговера; мутации; миграции [7]. Традиционно специфические ограничения в поисковой задаче оптимизации закладывали в виде штрафных функций, которые учитывали при расчете значения целевой функции (функции пригодности) соответствующей особи.
Наложение некоторого «штрафа» на особь означает понижение значения ее целевой функции в случае, если решение, которое представляет собой конкретная особь, выходит за границы области допустимых решений. Таким образом, вся специфика решаемой оптимизационной задачи учитывалась именно в блоке расчета функции пригодности особи, и, как следствие, в операторе репродукции. Качество разработки штрафных функций, а именно чувствительность алгоритма к изменениям, напрямую влияет на скорость сходимости и получения решения, удовлетворяющего ограничениям [7].
Помимо использования штрафных функций предлагается модифицировать логику базовых операторов генетического поиска. Идея модификации сводится к применению правил, которыми руководствуются эксперты в предметной области при построении расписания. Суть этих правил состоит в направленной корректировке отдельных параметров производственных заданий с целью разрешения коллизий, возникающих при нарушении ограничений, обусловленных спецификой задачи. Модификация предполагает изменение базовых операторов мутации и кроссинговера.
В частности, для оператора кроссинговера применяется специализированное правило
выбора аллелей при реализации скрещивания хромосом. Для визуализации модифицированной логики представлен упрощенный пример, в рамках которого рассматриваются 5 работ, 3 альтернативные производственные линии. Выбраны 2 хромосомы, представляющие собой различные решения, а именно, варианты назначения и последовательность выполнения работ производственными линиями. Каждый прямоугольник помечен индексом соответствующей работы. Прямоугольники расположены по горизонтали вдоль линий, определяющих ту или иную производственную линию. Таким образом, получаем вариацию диаграммы Ганта, зачастую, используемую для визуализации расписаний.
Для каждой производственной линии образуются пары работ, по одной из каждой особи. Для каждой пары случайным образом определяем будущую принадлежность соответствующему потомку. При этом выполняется проверка на дублирование работ в одном и том же решении.
Итог скрещивания - получены новые решения, заведомо исключающие нарушения некоторых ограничений. Таким образом, в логику базового генетического оператора добавляется фактор предопределенности, исключающий потенциальные решения, то есть потомки, которые заведомо не удовлетворяют ограничениям.
Нейронные сети
Нейронная сеть представляют собой систему соединённых и взаимодействующих между собой простых процессоров (нейронов). Структурная схема нейронной сети представлена на рисунке 3, где зеленый цвет - входной слой нейронов, синий - скрытый(промежуточный) слой нейронов, желтый - выходной слой нейронов.
Нейрон - базовый элемент нейронной сети, единичный простой вычислительный процессор способный воспринимать, преобразовывать и распространять сигналы, в свою очередь объединение большого количества нейронов в одну сеть позволяет решать достаточно сложные задачи.
Нейронные сети - это очень мощный и гибкий механизм планирования и прогнозирования. При определении того, что нужно планировать, необходимо указывать переменные, которые анализируются и предсказываются [13]. Здесь очень важен требуемый уровень детализации. На используемый уровень детализации влияет множество факторов: доступность и точность данных, стоимость анализа и предпочтения пользователей результатов планирования. В ситуациях, когда наилучший набор переменных неясен, можно попробовать разные альтернативы и выбрать один из вариантов, дающий наилучшие результаты. Обычно так осуществляется выбор при разработке систем планирования, основанных на анализе исторических данных.
Рис. 3. Структурная схема нейронной сети
Второй важный этап при построении нейросетевой системы планирования - это определение следующих трех параметров: периода планирования, горизонта планирования и интервала планирования.
Период планирования - это основная единица времени, на которую делается прогноз. Горизонт планирования - это число периодов в будущем, которые покрывает прогноз. То есть, может понадобиться прогноз на 10 дней вперед, с данными на каждый день. В этом случае период - сутки, а горизонт - 10 суток. Наконец, интервал планирования - частота, с которой делается новый прогноз. Часто интервал планирования совпадает с периодом планирования. Выбор
периода и горизонта планирования обычно диктуется условиями принятия решений в области, для которой производится прогноз. Выбор этих двух параметров - едва не самое трудное в нейросетевом планировании. Для того чтобы планирование имело смысл, горизонт планирования должен быть не меньше, чем время, необходимое для реализации решения, принятого на основе прогноза. Таким образом, планирование очень сильно зависит от природы принимаемого решения. В некоторых случаях, время, требуемое на реализацию решения, не определено, например, как в случае поставки запасных частей для пополнения запасов ремонтных предприятий. Существуют методы работы в условиях подобной неопределенности, но они повышают вариацию ошибки планирования. Поскольку с увеличением горизонта планирования точность прогноза, обычно, снижается, часто можно улучшить процесс принятия решения, уменьшив время, необходимое на реализацию решения и, следовательно, уменьшив горизонт и ошибку планирования.
В некоторых случаях не так важно предсказание конкретных значений планируемой переменной, как предсказание значительных изменений в ее поведении. Такая задача возникает, например, при предсказании момента, когда текущее направление движения рынка (тренд) изменит свое направление на противоположное. Выводы
Применение методов и алгоритмов искусственного интеллекта расширяют возможности систем планирования в контексте формализации экспертных правил, позволяющих учитывать специфику технологических и производственных процессов. Искусственный интеллект позволит существенно улучшить систему оперативного планирования, тем самым сократив время получения оптимальных или приемлемых производственных расписаний. При появлении случайных событий, влияющих на процесс производства, позволит быстро реагировать на изменение и внесение корректив в исходные данные. Возможно также комбинирование методов и алгоритмов искусственного планирования при реализации функций планирования в системах управления производством.
Литература
1. ANSI/ISA-95.00.01-2000, Enterprise-Control System Integration.
2. MES (Управление производством). 2014. - URL: http://www.omega-soft.ru/mes (дата обращения 01.10.2015).
3. Анализ современных методов искусственного интеллекта применительно к задачам календарного планирования единичного производства. 2014. - URL. http://masters.donntu.org/2008/kita/khaustova/library/5.htm (дата обращения 01.10.2015).
4. Бурмистров К.В., Цуприк Л.С., Бурмистрова И.С., Ошурков В.А. Особенности проектирования mes и erp-систем на горнодобывающих предприятиях//Научные труды SWorld. 2014. Т. 9. № 4. С. 94-99.
5. Доронин В.Ю., Волщуков Ю.Н., Макашов П.Л., Романенко А.В., Ишметьев Е.Н., Леднов А.В., Макашова В.Н. Построение системы диспетчеризации и контроля технологических процессов как элемента управления промышленным предприятием//Управление большими системами. Москва, 2011. С. 116-119.
6. Еременко Ю.И., Цуканов М.А., Соловьев А.Ю. О применении мультиагентных алгоритмов муравьиных колоний для решения задачи структурной оптимизации в энергетических системах // Фундаментальные исследования. -2013. - № 10-15. - С. 3316-3320; URL: www.rae.ru/fs/?section=content&op=show_artide&artide_id=10002326 (дата обращения: 08.10.2015).
7. Интегрированные интеллектуальные системы оперативного планирования производства. - 2011. URL: http://izv-tn.tti.sfedu.ru/wp-content/uploads/2011/7/8.pdf (дата обращения 01.10.2015).
8. Ишметьев Е.Н., Романенко А.В., Волщуков Ю.Н., Марков П.Е. Интеграция как катализатор развития систем класса MESZ/Автоматизация в промышленности. 2013. № 8. С. 47-50.
9. Майорова Е.С., Ошурков В.А., Бубер М.Г. Концепция технического и коммерческого энергоучета промышленных предприятий//Актуальные проблемы современной науки, техники и образования. 2015. Т. 2. № 1. С. 135-138.
10. Муравьиные алгоритмы. 2014. - URL. http://www.serhiy-shtovba.narod.ru/doc/Shtovba_Ant_Algorithms_ExponentaPro_2003_3.pdf (дата обращения 01.10.2015).
11. Ошурков В.А., Цуприк Л.С., Майорова Е.С., Бурмистров К.В., Бурмистрова И.С. Разработка системы управления технологическим процессом многономенклатурного машиностроительного производства в условиях применения станков с ЧПУ//Машиностроение: сетевой электронный научный журнал. 2015. Т. 3. № 3. С. 53-55.
12. Ошурков В.А., Чернова Е.В. Метод выделения сегмента на рынке автоматизации производства//Научные труды SWorld. 2013. Т. 30. № 4. С. 84-90.
13. Прогнозирование с помощью нейронных сетей. - 2015. URL: http://apsheronsk.bozo.ru/Neural/Lec9.htm (дата обращения: 08.10.2015).
14. Управление производством. 2014. - URL:http://www.parus.com/products/system/production/ (дата обращения 01.10.2015).
15. Чусавитина Г.Н., Макашова В.Н. и др. Повышение конкурентоспособности выпускников ИТ-специальностей вуза в условиях монопромышленного города. Монография. Под ред. Г.Н. Чусавитиной. -Магнитогорск: МаГУ 2010. -158 с
16. Эффективные системы управления производством. 2015. - URL: http://www.cfin.ru/itm/kis/choose/Manufacturing.shtml (дата обращения 01.10.2015).
