CoReLog Kft. 2022-ben elnyert Gyorsítósáv pályázat keretében folyatott K+F tevékenységet az elmúlt években. A Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által meghirdetett Gyorsítósáv pályázat a gyors növekedésre és jelentős hozzáadott érték felmutatására képes hazai cégek fejlesztését támogatta. A fejlesztés megnevezése: „Termelő vállalatok logisztikai alkalmazkodó képességét erősítő algoritmusok és szolgáltatáscsomag fejlesztése”. A termelő vállalatokkal szemben folyamatosan emelkednek az alkalmazkodási elvárások, aminek oka a gyorsan változó és bővülő termék portfólió, az ingadozó vevői igények, valamint a nehezen kiszámítható külső és belső tényezők, mint például az alapanyaghiány, szállítási késések, gépleállások, emberi erőforrások hiánya és kiesése. Ezek a tényezők sürgős és hatékony választ követelnek meg a vállalatoktól ahhoz, hogy fenntarthatóan működjenek. Ha nincs tudatos alkalmazkodás és csak ad hoc módon reagálnak, akkor a vevőkiszolgálás minősége romolhat, a költségek pedig meredeken emelkedhetnek. A fejlesztés részeként egy olyan algoritmust és szolgáltatáscsomagot sikerült létrehozni, amely a termelő vállalatok alkalmazkodó képességét támogatja.
Az erre a célra lefejlesztett algoritmus a Tecnomatix Plant Simulation-ben lemodellezett ipari példán történő feltanítás után a létrehozott alkalmazás közreműködésével különböző folyamatváltoztatási lehetőségeket kínál a termelés ellátási feladatokra vonatkozóan, amelyeket egy, a megfelelő jogosultágokkal rendelkező személy figyelembe vehet a döntéshozás során. A módszertanban szereplő komponensek kapcsolódnak egymással, értékeket adnak át és kapnak, egymásra hatással vannak. Ezen komponensen és a módszertan adják a szolgáltatáscsomagot.
A kutatás eredményeként ipari esettanulmány keretében CoReLog sikerrel validálta az algoritmus és a módszertan működőképességét.
Szolgáltatás csomag és módszertan
A módszertan és a szolgáltatáscsomag az alábbi lépésről lépésre egymásra épülő szakaszokból áll össze:
- Relevancia vizsgálata
- Szükséges-e az alkalmazkodó képesség operatív támogatása?
- Taktikai tervezés
- Szcenáriók definiálása és tervezése
- Szimulációs modellezés és értékelés
- Megtakarítási lehetőség számszerűsítése
- Algoritmus tanítása
- Működés demonstrációja és döntéselőkészítés
- Operatív adaptív termelés-ellátás
- Algoritmus paraméterezés
- Adatkapcsolat kialakítása – ERP kapcsolat
- Kezelő felület testre szabása
- Relevancia vizsgálata
Szolgáltatáscsomag első részeként relevancia vizsgálatot végzünk annak feltárására, hogy milyen mértékű hektikusság jellemzi a működést, releváns lehet-e alkalmazkodást támogató algoritmus bevezetése a vizsgált környezetbe és folyamataiba. Amennyiben az ügyféllel együttműködve látszik a továbblépés szükségessége, akkor lépünk a taktikai tervezés szintjére. Itt feltárásra kerülnek a potenciális működési körülmények és szcenáriók, amik reálisan előfordulhatnak. Megtervezésre kerülnek a reális folyamat változatok az egyes körülményekre, melyek szimulációs környezetben objektív kiértékelésre kerülnek. Így összeáll egy folyamat és paraméter csomag, ami különböző körülmények esetén reális alternatívát biztosít. A tervezés részét képezi a logisztikai rendszer felkészítése a különböző folyamat kezelések gyakorlati alkalmazására.
Specifikációt követően kezdődhet az algoritmus feltanítása szimulációs körülmények között, mely során számos javaslatot kipróbálásra kerül tét nélkül, amivel tapasztalatot gyűjt a valóban működő döntések meghozatalához.
A szimulációs modellben egy előre meghatározott gyártási környezet kerül kialakításra, amelyben különböző típusú feladatok szimulálhatók le. Az algoritmus a Plant Simulation-nel áll adatbázis alapú interfész kapcsolatban. Mind az algoritmusnak, mind a Plant Simulation modellnek saját adatbázisa van, melybe a saját adatait írja, a másik fél olvassa azokat. Az algoritmus javaslatot tesz a működésre a szimulációs modellnek, a végrehajtást követően pedig célfüggvény információkat ad vissza a modell. A célfüggvénynek itt nagyon fontos szerepe van, mivel segítségével különböző futtatási változatokat ezzel hasonlítjuk össze. Az értékét több komponens együttes vizsgálatával határozzuk meg és azokat bizonyos nagyságú súlyozással látjuk el attól függően, minek mekkora hatással legyen a célfüggvény értékére, vagy melyik szempont élvez prioritást. A célfüggvény komponensei a következők:
- Gyártási teljesítmény
- Pufferek készletszintje
- Anyagmozgatói leterheltségek
- Jogosultságok prioritása
A gyakorlati működés során egy az ALF működtetésére dedikált, saját fejlesztésű alkalmazás segítségével történik a feladatok kiosztása az algoritmus eredményei alapján. Az alkalmazás a tanulási időszakot követően kapcsolódik be a folyamatba. Az algoritmus tanulási szakaszát követi a bemutató időszak, aminek keretein belül lehetőség van az alkalmazás kipróbálására és az algoritmus tesztelésére. A tanulási időszakhoz képest, amikor az algoritmus által felajánlott összes változtatás elfogadásra került, az alkalmazáson belül lehetőség van a javaslat elfogadására és elutasítására. A felhasználók az alkalmazás segítségével hoznak döntéseket, amely kihat a teljes működésre. Ezen a szinten a Plant Simulation – Algoritmus – Alkalmazás hármas tesztelése zajlik. Az alkalmazáson belül a felhasználók látják a jelenlegi feladatkiosztásokat, mind területi, mind folyamatszinten, grafikonokat tudnak olvasni, amelyen az éppen aktuális célfüggvény értékek szerepelnek a gyártási terület egészére vagy egyes komponenseire vetítve. Jogosultságtól függően feladatváltoztatást is eszközölhetnek, lehetőségük van teljes egészében és részben is elfogadni az algoritmus által ajánlott folyamatváltoztatásokat.
A már feltanult algoritmussal objektíven, számszerűsítve kerül alátámasztásra az adaptív döntéstámogató rendszert megtérülési potenciálja. Amennyiben a hatékonyságnövekedés és megtérülés elfogadható mértékű, megkezdődhet az operatív bevezetés előkészítése.
Az operatív működés a rendszer tényleges gyakorlati felhasználása. Ebben már nem vesz részt a Plant Simulation modell, valós gyári környezetből érkező adatok alapján ERP (Enterprise Resource Planning) integrálásával történik a működés. A jelenlegi körülményeket leíró adatokat az ERP rendszerből továbbítja az ALF alkalmazás az algoritmus számára. Az algoritmus az adatok alapján dönt és javasol működést. A preferált működés a felhasználói felületen jelenik meg és a felhasználónak szükséges döntenie a változtatás jóváhagyásáról vagy elutasításáról. A felhasználók a valóságban is alkalmazzák a jóváhagyott intézkedéseket. A javaslat végrehajtásának hatása, azaz a célfüggvény érték az ERP-ből érkező statisztika alapján számítódik.
Ipari adathalmazon validált algoritmus eredményei
A módszertant és az algoritmust egy valós ipari esettanulmány keretein belül validáltuk. A konkrét ipari eset modellezése során egy manuális beállítással történő futtatást hasonlítottunk össze az algoritmussal együttesen futtatott modellel a célfüggvény mentén.
A modellek futtatása során kapott célfüggvény értékek összehasonlítása és a tanulási folyamat eredménye a következő grafikonokon láthatók. A vonaldiagramok x tengelye a különböző sorszámú indexeket jelölik, amelyek egy-egy célfüggvény kiértékelési időpontot mutatnak, ez jelen esetben óránként történt meg, az y tengelyen pedig a célfüggvény felvett értékei szerepelnek.
A tanítási időszak szemléltetéseként az első grafikonon látható a manuális folyamattal történő kiértékelési eredmények (sötétkék színnel) és az első 5 darab futtatás eredményei. Jól kivehető, hogy az ALF különböző folyamat változtatásokat próbál ki, amelyek nem feltétlen teljesítmény javulást generálnak, ezért esik meredeken a célfüggvény értéke.
A következő grafikonon a tanulási folyamat már egy előrehaladott állapotát mutatja, ugyanis a rossz folyamat változtatási javaslatok után – amelyet grafikon az első, tulajdonképpen a 40. és 50. futtatás közötti célfüggvény érték mutat – talál egy megfelelő működési javaslatot, amely után a manuális beállításokat meghaladó, és konstans annak értékeihez közelítő eredményt kapunk.
Az utolsó grafikonon jól kivehető, hogy a manuális beállítással történő futtatás és az ALF tanulási folyamata végén kapott célfüggvény értékek hogyan változtak meg az első futtatásokhoz képest.
Kijelenthető, hogy a feltanulási folyamat végén az ALF, ha nem is minden kiértékelési pillanatban, de az esetek döntő többségében képes jobb teljesítményt nyújtani, ezáltal hatékonyabb működést biztosítani az őt használó gyártó vállalatok számára.
Publikálva: 2025.03.28.