Кейс: как повысить эффективность работы нескольких кранов на 70% с помощью Anylogic

На англоязычном сайте AnyLogic вышла статья Андрея Гарифова, руководителя направления «Имитационное моделирование» в NFP, «Распределение задач крана с использованием AnyLogic и AI». Предлагаем вам ознакомиться с её переводом. 

В NFP наши эксперты по имитационному моделированию работают со многими компаниями в обрабатывающей и горнодобывающей промышленности. Эти компании используют AnyLogic для анализа, изучения и улучшения своих процессов. Некоторые из них идут дальше и интегрируют имитационные модели со своими ИТ-системами, а затем используют их для планирования производства. Недавний пример нашей работы в этой области – имитационная модель для угледобывающей компании, которая помогает распределять задачи между поездами и вагонами.

Как правило, существует три подхода к выводу таких моделей:

1. Ручной подход – планирование выполняется пользователями модели, которые тестируют различные сценарии «что, если» и анализируют результаты. Всё с учётом ограничений модели;
2. Алгоритмический подход – когда сложный алгоритм планирования использует множество операторов if-else для распределения задач между ресурсами;
3. Подход оптимизатора – оптимизатор (обычно заказной или, например, OptQuest, встроенный в AnyLogic), который изменяет различные входные данные и находит оптимальную комбинацию для них.

Эти подходы к моделированию могут давать хорошие результаты, но иногда для их удовлетворительной калибровки требуется много времени, и они часто ограничены количеством доступной вычислительной мощности. Это может быть неудобно, особенно с подходом оптимизатора.

Теперь есть другой способ: искусственный интеллект (AI), в частности алгоритмы машинного обучения, может распределять задачи между ресурсами более эффективно и гибко, чем любой из подходов упомянутых выше. Мы обнаружили, что AnyLogic является одной из лучших платформ для разработки решений с использованием искусственного интеллекта и машинного обучения. Это связано с тем, что AnyLogic изначально поддерживает библиотеки Java и благодаря AnyLogic Cloud также предоставляет RESTful API-доступ к библиотекам Python.

Кейс:

Крупная международная металлургическая компания заключила с нами контракт на многоступенчатый проект. На первом этапе от нас требовалось:

• разработать AS-IS модель завода по производству высокоуглеродистого феррохрома;
• протестировать ряд потенциальных сценариев, включающих инвестиционные инициативы, изменения в производственных процессах, изменения в зонах хранения и т. д .;
• найти способ более эффективно распределять задачи для однобалочных кранов: минимальная цель заключалась в том, чтобы понять наилучший набор приоритетов для различных видов операций на заводе.

Мы выполнили эти задачи, используя классические подходы к моделированию, обычно использующиеся в проектах имитационного моделирования – разработка моделей, проверка и калибровка, а также множество сценариев тестирования.

На втором этапе нам нужно было найти способ динамически распределять задачи между однобалочными кранами, учитывая текущую ситуацию на производственном объекте. Система должна быть готова к оперативному развёртыванию.

Для достижения этой цели мы:

• разработали NFP Machine Learning Connector для AnyLogic, чтобы помочь подключать внешние библиотеки машинного обучения (такие как Weka, DL4J и т. д.) к моделям AnyLogic;
• обучили алгоритм ML на достаточно большом количестве данных из разных ситуаций и с разными результатами (положительными и отрицательными) и построили ML-модель;
• создали метод сбора данных в любой момент перед действием (действие – это любая задача крана);
• развернули обученный ML-алгоритм внутри модели с помощью NFP Machine Learning Connector для AnyLogic (наша специально разработанная библиотека, которая помогает подключать внешние библиотеки машинного обучения к моделям AnyLogic).

Мы также использовали библиотеку NFP Multiple Crane для AnyLogic. Эта библиотека помогает обрабатывать работу нескольких однобалочных кранов, принимая во внимание ограничения перемещения по оси X, вызванные расположением других кранов.

Цифры показали, что объединение алгоритма машинного обучения и имитационного моделирования AnyLogic позволило повысить эффективность работы нескольких кранов на 70% по сравнению с политикой, определённой экспертом.

Сейчас мы вместе с Клиентом готовимся масштабировать эту модель и развернуть её в оперативном режиме. Для этого требуются достоверные данные в реальном времени о текущем местонахождении кранов, ковшей, шлаковых чаш, ящиков и т. д., а также о состоянии машин, таких как печи, разливочные машины и т.д.

Вы можете найти демонстрационную модель данной работы, которая показывает разницу в эффективности между политикой, определённой экспертом, и политикой машинного обучения. Попробуйте сами на AnyLogic Cloud:

С оригиналом статьи можно ознакомиться на сайте anylogic.com. Также вы можете изучить описание модели «Искусственный интеллект контролирует краны» на нашем сайте.