Машинное обучение в имитационных моделях
Консультант NFP Вячеслав Белогрудов подготовил статью о применении машинного обучения в имитационных моделях, продемонстрировав слияние технологий на модели цеха складирования готовой продукции.
Машинное обучение в имитационном моделировании
Машинное обучение — одно из направлений концепции Индустрии 4.0, связанное с обучением искусственного интеллекта на больших объемах данных. В разрезе имитационного моделирования машинное обучение предоставляет собой инструмент для динамической оптимизации данных в зависимости от условий окружающей среды, что позволяет использовать оптимальные в любой момент времени параметры, а не «идеальные» для усредненной ситуации.
Подключение алгоритмов машинного обучения к моделям AnyLogic позволяет раскрывать ранее недоступные аспекты:
- построение зависимостей на основе больших объемов исторических данных и проецирование их на модель;
- расчет важности конкретных факторов с учетом всех уровней сложности;
- аналитика входящих параметров и визуализация исходящего потока информации в реальном времени.
Конкретные применимые методики, подходы или алгоритмы зависят от функциональных требований задачи.
Так, например, в модели распространения нового товара, дополненной обучаемой нейронной сетью, есть возможность перед каждым запуском симуляции актуализировать входные параметры реальной информацией о состоянии рынка.
В рамках задачи повышения эффективности логистической цепи для получения ответов лучше всего подходит обучение с подкреплением, где с каждым новым шагом модель приближается к наиболее оптимальной стратегии транспортировки.
Не стоит забывать о связанной работе имитационного моделирования, машинного обучения и промышленного интернета вещей, которая открывает мир «интернета всего» и позволяет взглянуть на бизнес «сверху», прорабатывая в тестовой среде сценарии на основании данных, полученных онлайн: с камер, со статичных и движущихся датчиков, от поставщиков и др.
Модель цеха с элементами машинного обучения
Пример разработанной NFP модели работы балочных кранов поможет понять принцип взаимодействия «обучения с учителем» с имитационным моделированием.
В качестве примера рассматривается цех складирования готовой продукции с двумя кранами, двумя конвейерными лентами с прибывающей продукцией, зоной загрузки в самосвал и зоной складирования. C непредсказуемой периодичностью возникают блокировки погрузки/разгрузки и ситуации длительного ожидания одного крана другим. Кроме того, накладывается необходимость проведения регулярных и аварийных ремонтных работ.
Бизнес-цель в данном примере – «повышение эффективности цеха складирования готовой продукции».
Основные задачи:
- минимизации простоев,
- увеличения суммарной утилизации кранов,
- увеличение пропускной способности цеха,
- снижение вероятности блокировки кранов.
Решение достигается за счет оптимального распределения приоритетов очередности работы кранов в режиме реального времени, при помощи машинного обучения, а именно «обучения с учителем».
Первоначально алгоритм обучения получает исторические данные, на основе которых строит зависимость. После запуска модели зависимость корректируется, опираясь на актуальное положение груза в зоне работы кранов.
В результате задачи между кранами распределяются наиболее оптимально, и, как следствие, минимизируются простои, увеличивается суммарная утилизация и увеличивается пропускная способность всего предприятия.
Взаимодействие AnyLogic с ПО для машинного обучения
Работа с машинным обучением подразумевает необходимость в среде обучения и тестирования алгоритмов, проверки достоверности полученных данных и получения подготовленных наборов информации.
В данном контексте Anylogic так же позволяет эффективно взаимодействовать с системами принятия решений, нейронными сетями, деревьями, ансамблями и т.п.
Как пример — возможно использование совместно с SKIL (DL4J, RL4J), Weka, MOA и др.
