Umělá inteligence v plánování výroby slévárny

První jmenovaný modul APS byl vyvinut a nasazen v roce 2005 s MRPII metodikou. Do roku 2009 bylo společně s KSW vyvinuto kapacitní plánovaní zahrnující všechny výrobní operace a to včetně kooperačních. Kapacitní plánování bylo nasazeno a spuštěno ve všech výrobních závodech společnosti. Tlak na levnější a flexibilnější výrobu si vyžádal další vývoj v modulu APS ve formě APS II. Tento modul nasazený v roce 2015 již umožňoval detailnější materiálové plánování, lepší obchodní pohledy, a hlavně nastavení vazeb mezi plány závodů a řešení konfliktů přes master plán celé společnosti, který zajistil vazby mezi výrobními zdroji napříč dílčími plány jednotlivých závodů.

Změny ve výrobě real-time plánování

Tlak na flexibilitu výroby byl nadále neúprosný, a tak bylo potřeba se začít věnovat konceptu real-time výroby. Výroby, nečekající na žádný, nebo minimální prostoj ze strany člověka. Tomu bylo potřeba podřídit celý obchodní proces v ERP systému. Od vylepšení CRM, přes podchycení obchodního procesu v modulu BPM, přípravě výroby na automatické odvádění bez terminálů, real-time plánování, až po podporu automatických činností v logistice.

Pro realizaci real-time plánování se jevilo odbourání operativních činností plánovačům jako jeden z prvních klíčových kroků. To mělo zrychlit změny v plánech, zrychlit změnu výroby, snížit prostoje, snížit závislost na lidském zásahu, rozvázat více ruce plánovačům pro lepší zaměření se na kvalitu plánu a v neposlední řadě snížit automatizací rozdíly mezi kvalitou plánovačů samotných.

Pro splnění tohoto cíle společnost sáhla po umělé inteligenci, jako trendové a perspektivní technologii s velkým potenciálem. IT oddělení vypracovalo návrh cílového řešení a představilo ho vedení, které jej později přidalo do krátkodobé strategie společnosti a vyčlenilo na podporu real-time výroby první zdroje.

První kroky k AI řešení plánování

Projekt AI APS se začal počátkem roku 2019 ve spolupráci s CARDAM s.r.o., ZČU, KARAT Sofware – KSW a FZÚ ČR realizovat.

První analýza byla postavena na nejčastější a časově nejnáročnější operativní činnosti plánovačů všech závodů, které bylo možné odhalit a vyvolat automatem. Bylo nutné si ujasnit, které funkčnosti je dobré nechat na neuronovou síť a které by bylo dobré doplnit do stávajícího APS II modulu. Výsledkem je sada 5 typů prostojů vhodných na řešení pomocí technologie umělé inteligence. Ve spolupráci vlastního IT týmu a KSW se v první fázi projektu vyvinula funkčnost sběru spouštěčů, jejímž podkladem byl MES systém S-DATA, ukládání stavů APS a logování akcí plánovače při řešení prostoje. Příkladem je prostoj „porucha stroje“ (budu používat v celém článku), kde je nutné zjistit čas opravy a v případě většího prostoje přeplánovat zakázky na jiný stroj s ohledem na vytíženost zdrojů, priority zakázek a samozřejmě s maximálním použitím funkčnosti APS II modulu. Cílem nebylo suplovat tento modul, ale doplnit jej o možnosti AI technologie a vyvinout řešení, které by bylo vhodné i pro jiné APS systémy.

V druhé fázi projektu bylo potřeba sbírat trénovací data pro aktuální typ prostoje. Jako nejmenší vzorek se jevilo 100 záznamů, což znamenalo 100x obsloužit (plánovačem vyřešit) prostoj poruchy stroje v našem příkladu a to ještě v různých závodech a rukou různých plánovačů. Z analýzy bylo zjištěno, že kroky plánovačů se neliší a bylo možné sloučit trénovací data ze všech poboček a obsloužit tento prostoj jednotnými trénovacími daty pro všechny výrobní plány. Samozřejmě u jiných typů prostojů to nemusela být pravda a rozdílnost výrob definovala oddělená trénovací data a tedy i výsledky od neuronové sítě. 

Příběh s happyendem?

Po úspěšném sběru dat a běžícím trénovaní pro jednotlivé prostoje jsme ve třetím kroku s partnery ZČU (Západočeská univerzita) a FZÚ (Fyzikální ústav AV) přistoupili k tvorbě algoritmu s prvky učení. Nebyl to lehký úkol. Nemluvili jsme stejným jazykem a bylo potřeba partnera v průběhu několika měsíců vyškolit na experta v plánování, experta v IT, který zná strukturu připravených dat a následně využít jeho expertízu v umělé inteligenci. Po několika měsících byl algoritmus na světe a ověřovali jsme první výstupy z chytré sítě a korigovali jej.

Po korekci algoritmu jsme se rozhodli přistoupit do čtvrtého kroku, kterým bylo nabídnout řešení od sítě plánovači, nicméně stále pod jejich dohledem. Došlo tak vlastně k otočení směru komunikace – namísto trénování již komunikace posílala řešení z chytré sítě, a data přicházela do GANTTu, kde se postupně aplikovala v krocích. Plánovač kroky validoval a měl možnost plán s automatizovanými vstupy uložit.

Jakmile tato fáze spolehlivě prošla validací, přešli jsme ke kroku pátému, tedy automatizaci celého procesu přeplánování výroby, bez lidského zásahu.

Dá se plánovat celá slévárna v reálném čase? A kam dál?

Dnes tedy při poruše stroje operátor pouze zadává prostoj typu porucha stroje do S-DATA systému, ten přivolá pracovníka údržby přes S-DATA mobilního klienta. Údržba po zjištění poruchy vyplní předpokládanou dobu opravy (když nevyplní, vypočítá se medián), na pozadí se připraví data pro neuronovou síť, ta si je přebere a vrátí dle natrénovaných dat od plánovačů kroky, které má APS II systém vykonat nad aktuálním plánem daného závodu. Ten je aplikuje a plán uloží. Tím se změní fronta zakázek pro výrobu v řádech vteřin a pracovníci mohou pokračovat dle aktuální fronty práce na pracovištích, která mohla být změnou ovlivněna.

Technologie umělá inteligence zažívá v posledních letech rychlý rozvoj a za pomoci nových nástrojů od velkých společností je dostupnější pro každého. Jak pomocí vizuálních nástrojů, tak pomocí dalších metod a zajištění dostatečného výkonu v cloud prostředí.

Do strategie naší společnosti byly zařazené další projekty s chytrými sítěmi, které navazují na vizi real-time výroby, jako například prediktivní údržba včetně sledování a analýzy chování hydraulických okruhů realizovaná přes Azure a ML, nebo méně technický a více byznysový projekt jako nástavba na existující BI řešení s cílem hlubší analýzy a lepšího pochopení cenných dat společnosti. O nich třeba najdete článek v některém z dalších vydání.

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