AI dla Przemysłu 4.0

Cel projektu AI4IN4

Celem projektu jest wykorzystanie technik sztucznej inteligencji w Przemyśle 4.0. Opracowane rozwiązania:

  1. Algorytm VRA i problem marszrutyzacji
  2. Algorytm JSSA i problem gniazdowy

Algorytm VRA

Algorytm VRA  jest to zestaw oryginalnych bibliotek programistycznych wykorzystujący algorytm genetyczny do optymalizacji sieci transportowej w układzie N-magazynów, K- odbiorców i M – środków transportu. W praktyce VRA rozwiązuje Problemu Marszrutyzacji. W wyniku działania algorytm wylicza optymalną siatkę tras (liczbę aut o właściwych parametrach) koniecznych do efektywnego i czasowego dostarczenia towarów z magazynów do odbiorców. VRA może być wykorzystany zarówno do bieżącego planowania tras w trybie statycznym lub dynamicznym jak i analiz strategicznych związanych np. z rozmieszczeniem magazynów i liczbą koniecznych magazynów. Dzięki opracowaniu oryginalnego sposobu zapisu informacji o trasach w chromosomach algorytmu genetycznego analizowana jest równocześnie cała sieć powiązań (magazyny – odbiorcy – auta – cechy dostawy) a nie niezależnie poszczególne kolejne elementy tej struktury. Takie podejście pozwala uzyskać maksimum efektywności przy minimum kosztów. W zależności od przyjętych kryteriów optymalizacji Algorytm pozwala zredukować sumaryczną długość tras o rząd 10% lub uzyskać 100% czasowość dostaw. Funkcjonalność VRA znakomicie wpisuje się w koncepcje Przemysłu 4.0 oraz ekologicznego transportu.

Obecna postać algorytmu VRA rozwiązuje takie zagadnienia:

  • dostawy w zadanych oknach czasowych (VRPTW)
  • kontrola pojemności aut i długości czasu trasy (CVRPTW)
  • dobór niezbędnej liczby środków transportu i optymalne przypisanie ich do dostępnych magazynów (kilka możliwych trybów przypasania – MDVRP)
  • określenie optymalnej lokalizacji magazynów

Inne funkcjonalności Algorytmu są możliwe do wdrożenia poprzez modyfikację funkcji celu.

Algorytm został opracowany przez pSci. Więcej informacji można znaleźć tutaj.

Przykład rozwiązania prostego problemu marszrutyzacji:

Film pokazuje przykład optymalizacji prostej sieci dostaw. Parametry startu optymalizacji to: 5 – magazynów (niebieskie pineski), 19 – odbiorców (czerwone pineski; kolejne numery na pineskach oznaczają kolejnych odbiorców w trasie) i 10 – aut. Zerowa populacja wygenerowana za pomocą algorytmu zachłanno-losowego (opracowany przez pSci) zredukowała liczbę aut/tras do 7.

Zbliżenie na jeden z magazynów:

Algorytm JSSA

Algorytm JSSA jest to zestaw oryginalnych bibliotek pro­gramistycznych wyko­rzystujący algorytm genetyczny do optymalizacji szeregu zadań produk­cyjnych – realizuje funkcje APS. Rozwiązuje on problem układania i optymalizacji kolejki zle­ceń dla systemu składającego się z: N – stanowisk wykonawczych, K – linii technologicz­nych komponowanych z w/w N stanowisk, M – grup zasobów obsługujących w/w N stano­wisk oraz L – jednostek SKU realizowanych na K liniach. W wyniku działania Algorytm wylicza quasi optymalny, dokładny plan realizacji zleceń, który zawiera szczegółowe rozpisane czasowe wszystkich zleceń na poszczególne stanowi­ska wykonawcze z przypisanymi niezbędnymi zasobami do ich realizacji – rozwiązuje za­gadnienie gniazdowe (Job Shop Scheduling Problem) dla zadanego systemu wytwórczego. Algorytm może być wykorzystywany zarówno do bieżącej pracy planistycznej jak i do symulacji planów w celu identyfikacji wąskich gardeł, stopnia wykorzystania linii produkcyjnych, dostarczania informa­cji o obecnych zdolnościach wytwórczych itd. Dzięki opracowaniu oryginalnego sposobu za­pisu informacji o planach produkcyjnych w chromoso­mach algorytmu genetycznego analizo­wana jest równocześnie cała sieć powiązań w systemie wytwórczym a nie niezależ­nie poszczególne, kolejne elementy tej struktury. Takie podejście pozwala uzyskać maksi­mum efektywności przy minimum kosztów. Funkcjonal­ność JSSA znakomicie wpisuje się w koncepcję Przemysłu 4.0 oraz Inteligentnej Fabryki.

Algorytm został opracowany przez pSci. Więcej informacji można znaleźć tutaj.