Aktuální vydání

celé číslo

12

2021

Automatizace v chemickém a petrochemickém průmyslu

Průtokoměry a regulační ventily

celé číslo

Plant Simulation – optimalizace pomocí genetického algoritmu

Plant Simulation – optimalizace pomocí genetického algoritmu

Softwarový nástroj Plant Simulation, navržený pro modelování, simulaci a optimalizaci výrobních a logistických systémů a procesů, byl představen v Automě 5/2007 na str. 30 a jeho možnosti uvedeny v Automě 6/2007 na str. 62. Plant Simulation umožňuje vytvářet digitální modely různých logistických systémů, např. výroby, montáže, dodávek, dopravy apod. Na základě vytvořeného modelu lze optimalizovat různé parametry daného systému, např. tok materiálu, využití zdrojů apod. Plant Simulation se uplatní ve všech úrovních plánování ve společnosti, od globálních zařízení, přes lokální dílny až k výrobním linkám.

Popis výroby

Model na obr. 1 představuje výrobu tří součástí. Výrobní postup každé součásti je zadán tabulkou, v níž je uveden seznam cílových pracovišť. Výrobní dávky součástí jsou zadány sekvenční tabulkou přiřazenou ke vstupu, která je přírůstkově vytvářena podle požadavků zákazníků.

Jednotlivá pracoviště, tj. nakládání, vykládání a výrobní stroje, jsou propojeny dopravníkem, který je pro snadnější definování senzorů, rozdělen na plynule navazující úseky. Senzor je místo na dopravníku, kde se součásti nakládají nebo vykládají pomocí objektu Load/Unload Station. Objekt je označen jménem, které je totožné se jménem příslušného pracoviště, a znázorněn červenou příčnou čarou v určité vzdálenosti od počátku úseku. Postup součástí po dopravníku je systémem Plant Simulation řízen tak, aby byla každá z nich dopravena k cílovém u objektu po nejkratší dráze. Každé součásti je přiřazen atribut (destination): cílové pracoviště neboli senzor.

Jestliže součást při pohybu po dopravníku narazí na senzor se jménem, které je totožné s jejím atributem, je přesunuta s využitím objektu Load Station na příslušný stroj nebo pracoviště. Po provedení příslušné operace je součásti přiřazen následný atribut z tabulky, čili následné cílové pracoviště neboli senzor. A pokračuje se do vyčerpání všech operací.

Optimalizace řízení

Cílem optimalizace je najít takové pořadí výrobních dávek, aby byla doba výroby co nejkratší. Pro optimalizaci se použije nástroj GAWizard (Genetic Algorithm). Jde o vyhledávací algoritmus založený na přirozeném výběru a principech genetiky (evoluce). Při použití tohoto algoritmu se získá řešení, které nemusí být úplně nejlepší. Jde o dostatečně dobré řešení nalezené za přijatelně dlouhou dobu. Jinými slovy, tato metoda neurčuje přesné řešení optimalizace, je to stochastická procedura pro hledání dobré aproximace založené na náhodném výběru v rozumné době.

Na obr. 2 je patrný postup při optimalizaci. V nástroji GAWizard (na obrázku vlevo) se zadá, co má být optimalizováno (optimization parameter): výrobní dávky zadané v objektu Tabelle. Dále se zadá, co je cílem optimalizace (optimization problem): minimalizovat dobu výroby dávek. V nástroji GAWizard uživatel stanoví, kolik řešení (potomků) postoupí vždy do dalšího cyklu a kolik cyklů (pokolení) se provede. V tomto případě je zvoleno sedm potomků a sedm pokolení.

Poté se spustí optimalizace (run) a přibližně po patnácti minutách se ukáže výsledek. Došlo ke změně pořadí výrobních dávek, jak ukazuje obr. 3. V grafu na obr. 4 jsou znázorněny výsledky při různém počtu pokolení (best, avarage a worst). Je zřejmé, že při větším počtu pokolení se výsledky již výrazně nezlepšují. Výsledkem optimalizace je, že se celková doba výroby zkrátila z původních 18 631 s (5 h 10 min 31 s) na 15 558 s (4 h 19 min 17 s).

Závěr

Na tomto modelu je ukázáno, že optimalizaci lze prostřednictvím nástroje GAWizard zadat celkem snadno, přitom výsledná úspora je značná: přibližně 1 h doby výroby. K velmi zajímavým výsledkům je možné dospět, má-li model více parametrů.

Martin Skoupil,
divize UGS PLM software
společnosti Siemens A&D

Obr. 1. Model vytvořený systémem Plant Simulation pro výrobu tří součástí
Obr. 2. Zadání parametrů optimalizace prostřednictvím nástroje GAWizard Obr. 3. Výrobní dávky před optimalizací a po ní
Obr. 4. Výsledky optimalizace zjištěné za použití genetického algoritmu

Příspěvek lze ve formátu PDF stáhnout zde