Имитационное моделирование складов и логистических систем

Лидеры автомобильной промышленности используют автономных мобильных роботов на своих заводах для повышения производительности. В этом кейсе Максимилиан Селмайр, инженер-логист Tesla и в прошлом специалист по исследованию автономных мобильных роботов в BMW Group, описывает на реальном примере принятую в этой отрасли практику внедрения крупного парка такой техники в эксплуатацию и показывает, как AnyLogic Cloud помогает разрабатывать оптимальные алгоритмы распределения задач.

Почему автономные мобильные роботы вместо автоматически управляемых тележек?

Автономные мобильные роботы (AMR – Autonomous Mobile Robots) имеют ряд преимуществ перед автоматически управляемыми тележками (AGV – Automated Guided Vehicles). AMR обладают более широкими возможностями программного обеспечения и ориентируются в пространстве с помощью карты, не нуждаясь в проводах или направляющих. Поэтому они не ограничены установленными маршрутами, как тележки AGV. В результате роботы гибче в выполнении задач, и их легко адаптировать к новым процессам лишь с помощью обновления программного обеспечения.

По сравнению с тележками современная технология мобильных роботов считается более экономичной благодаря меньшим требованиям к инфраструктуре и более быстрому внедрению без остановки производства.

Проблема: как эффективно распределять задачи между роботами?

Оптимизация работы AMR на сборочных конвейерах преследует две цели. В первую очередь, она должна исключить задержку выполнения задач. Во-вторых, следует свести к минимуму интенсивность движения на объекте.

Опоздания в выполнении задач приводят к задержкам в работе конвейера, которые снижают эффективность работы завода и увеличивают расходы. Основной целью оптимизации работы роботов для BMW было недопущение незапланированных остановок производства.

На заводах пространство для передвижения ограничено, и в результате автономные роботы AMR вынуждены делить маршруты с другими транспортными средствами и людьми. Сокращение интенсивности движения дает положительные результаты, а именно повышает безопасность, снижает количество заторов и невыполненных вовремя задач.

Целью анализа было исключить опоздания в выполнении задач при минимальном использовании транспортных средств. В широком смысле проблема сводилась к эффективному распределению задач.

Решение: моделирование для проверки методов распределения задач между AMR

Имитационная модель автомобильного завода позволила протестировать различные методы распределения задач. ПО AnyLogic со встроенной Библиотекой производственных систем  позволило быстро создать модель рабочего пространства, в том числе с добавлением в него автоматизированных роботов AMR.

Имитационная модель для тестирования алгоритмов распределения задач между мобильными роботами AMR (нажмите, чтобы увеличить). Пример модели

Несмотря на то, что в AnyLogic уже включено множество методов назначения задач для роботов AMR, оно также позволяет добавлять пользовательский код. Использование пользовательского кода позволило проверить все алгоритмы, которые могли бы наилучшим образом решить проблему распределения задач между автономными мобильными роботами.

В ходе испытаний были проанализированы как эвристические, так и точные методы. Точные методы, например линейная оптимизация, – это алгоритмы, которые всегда дают одно оптимальное решение. Эвристические методы основаны на аппроксимации и могут быть не так точны, но, как правило, дают результат быстрее, чем точные методы.

Методы, которые тестировались при разработке алгоритма распределения задач между роботами (нажмите, чтобы увеличить)

Результаты сравнительного анализа различных методов, выполненного с помощью модели AnyLogic, показывают, что алгоритм Джонкера-Волгенанта-Кастанона (Jonker-Volgenant-Castanon, JVC) превосходит остальные алгоритмы в назначении задач транспортерам на автомобильном заводе.

Более быстрый анализ сценариев работы AMR с помощью облачных вычислений

После создания имитационной модели ее нужно было запустить множество раз, чтобы с разными параметрами и для различных сценариев протестировать каждый метод распределения задач.

В данном случае все методы распределения задач были опробованы на сорока различных по численности парках автономных мобильных роботов. И поскольку каждый запуск модели требовал девять часов проведения модельных экспериментов и два часа вычислений, желательно было найти способ ускорить этот процесс.

Платформа AnyLogic Cloud – это масштабируемая вычислительная среда, в которой возможно выполнять параллельный запуск нескольких экспериментов. Ее вычислительные мощности позволили быстро изменять параметры и тестировать по несколько сценариев сразу.

Например, запуск модели для сорока разных по численности парков роботов мог выполняться одновременно. Кроме того, поскольку вычисления происходят на облачных серверах, проводящий эксперимент специалист может в это время использовать свой компьютер в других целях.

Результат

По сравнению с базовым сценарием, в котором задачи распределяются в зависимости от того, какой агент находится ближе, метод, разработанный на основе алгоритма JVC, позволяет уменьшить необходимое количество автономных мобильных роботов на 30%.

В примере сценария с 7500 задачами при традиционном методе требовалось 58 роботов для достижения показателя в три невыполненные вовремя задачи. Для метода, выбранного с помощью тестирования и анализа, для достижения такого же результата требовалось только 42 робота.

Такое сокращение числа автономных мобильных роботов, необходимых для поддержки желаемого уровня обслуживания, является весьма важным, поскольку первоначальные затраты на внедрение автономных мобильных роботов весьма высоки (по сравнению с автоматически управляемыми тележками и неавтоматизированными методами работы).

Сокращение числа мобильных роботов, необходимых для достижения показателя в три опоздания при выполнении 7500 задач, также помогает снизить плотность движения, что было одной из задач проекта.

Моделирование для создания экспериментальной среды и облачные вычисления для проведения экспериментов позволили быстро разработать пользовательский алгоритм для распределения задач между автономными роботами на автомобильном заводе. По сравнению с традиционным методом назначения задачи ближайшему роботу, новый алгоритм улучшил производительность на 30% и позволил выполнить основные цели проекта – снизить количество невыполненных в срок задач и плотность движения на объекте.

Описание проблемы

Компании «Эльдорадо», владеющей сетью магазинов бытовой техники и электроники в 350 городах РФ, требовалось определить оптимальное количество складов и города их расположения для лучшего удовлетворения спроса покупателей и минимизации затрат на доставку и хранение товара. Анализ показал применимость для этой проблемы решения AnyLogic Logistics Network Manager (теперь частью решения по оптимизации цепей поставок anyLogistix). В качестве входных данных заказчик предоставил информацию о потенциальных точках складов: расходы на аренду помещений, инвестиции на открытие новых или расширение старых складов, средний уровень и стоимость хранения товарных запасов, суммарные расходы на ФОТ и охрану и пр. Кроме того, были учтены географические координаты складов и магазинов, расстояния между городами.

Решение

Имитационная модель, встроенная в систему поддержки принятия решений, позволила детально воспроизвести несколько типов событий:

• «каждый день» (в модельном времени) в магазинах продается товар, считаются потери от дефицита товара и стоимость товарного запаса в системе;
• «раз в неделю» происходит пополнение товарного запаса на складах до целевого уровня, считается стоимость транспортировки товара и планируется отсроченный платеж поставщикам;
• «каждый месяц» обновляются целевые уровни складов согласно месячному уровню продаж магазинов, генерируются маршруты поставок товаров со складов в магазины, открываются новые магазины, планируются отправки товара франчайзи.

«Ежемесячные» продажи соответствуют среднему уровню продаж, а «ежедневные» продажи генерируются случайно.

Пользователь может проводить несколько типов экспериментов. Эксперимент варьирования параметров перебирает все возможные комбинации расположения складов, учитывая «зафиксированные» склады и их максимально возможное количество. В результате эксперимента отображается лучшая комбинация складов при наименьших затратах компании. На основе этой информации оптимизационный эксперимент рассчитывает площадь складов при магазинах. В простом эксперименте пользователь вручную выбирает склады из списка и запускает модель с данным набором, чтобы получить статистику по выбранной комбинации.

Результат

Применение решения позволило выбрать оптимальный вариант организации сети распределительных центров из 63 тыс. потенциальных комбинаций. Затраты на внедрение ПО окупаются в течение первых двух месяцев работы по схеме дистрибуции, рекомендованной моделью.

Кроме того, система поддержки принятия решений AnyLogic Logistics Network Manager рассчитана на долгосрочное использование, т.к. позволяет находить новые оптимальные схемы дистрибуции при изменении обстановки (изменение тарифов на перевозку, открытие новых магазинов и изменение объемов продаж, изменение параметров складов и т.д.).

Описание проблемы

Diageo – это международная компания со штаб-квартирой в Великобритании, занимающаяся производством алкогольных напитков. Российское отделение компании входит в пятерку крупнейших оптовых дистрибьюторов алкогольных напитков в стране. Такой бизнес традиционно имеет низкую норму прибыли, и прибыль сильно зависит от уровня сервиса и транспортных расходов. Руководство Diageo обратилось к компаниям Logistics Field Audit (консалтинг в области цепей поставок) и “Амальгама” (специалисты по имитационному моделированию) для решения ряда задач. Прежде всего, Diageo волновал тот факт, что рост продаж не приводил к существенному увеличению прибыли из-за высокой стоимости перевозки единицы товара. Также требовалось выяснить уровень сервиса и себестоимость товаров в свете возросших расходов на их закупку и хранение, а также планов по строительству нового склада и расширению бизнеса на Урал и Сибирь. В дополнение к этому, консультанты должны были использовать «большие данные» клиента, чтобы выяснить, как можно уменьшить транспортные расходы и выбрать оптимальную конфигурацию логистики для расширенной сети поставок.

Элементы цепи поставок, представленные в модели

Решение

Имитационное моделирование в AnyLogic было выбрано за возможность выявлять корреляции и взаимоотношения между многими параметрами, например, уровнем сервиса и транспортными расходами – ключевыми для Diageo характеристиками. Построенная модель позволила контролировать уровень запасов на складе, увеличить точность прогнозов и тестировать различные конфигурации сети дистрибуции. Кроме того, были выявлены взаимосвязи между разными продуктами, а для каждой конфигурации транспортной сети было подсчитано, как точность прогнозов и целевой уровень запасов на складе влияют на транспортные расходы и уровень сервиса.

Модель цепи поставок включала 3 существующих и один планируемый завод, 3 точки пересечения границы, 3 существующих и 5 планируемых складов, 2 таможни и 300 точек сбыта продукции, сгруппированных в 45 сервисных групп. Модель также содержала алгоритм пополнения запасов, алгоритм последовательности выполнения заказов, алгоритм погрузки и разгрузки товаров и задержки на линиях пересечения границы. Кроме того, в расчетах программа учитывала прогнозы спроса и продаж для всех 280 продуктов Diageo в 6 типах складов.

Алгоритм пополнения затрагивал сегмент цепи поставок, который работает следующим образом: общий склад – 5 дней доставки до центрального распределительного склада – 5 дней доставки до регионального склада. Алгоритм пополнения, учитывающий диаграмму спроса (диаграмму планируемых продаж), текущие товарные запасы, время доставки и минимальный размер заказа, генерирует требования для пополнения запасов, выявляет пробелы в покрытии товарной сети (периоды времени, когда товара в наличии меньше минимального допустимого уровня) и предлагает варианты действий для предупреждения возникновения таких пробелов в будущем.

Валидация модели была обязательной частью проекта. Полученные результаты сравнили с данными из SAP ERP за прошлый год. Они отличались менее чем на 5%.

Уровень запасов при разной точности прогнозов

Результат

Построенная модель помогла Diageo увеличить точность прогноза продаж с 60% до 80%, что окупится менее чем за 2 года. Это увеличение точности, в свою очередь, позволило уменьшить целевой уровень запасов на 40% и, соответственно, уменьшить транспортные расходы на 7% для каждой единицы товара даже с учетом планируемого роста продаж. Результаты моделирования также продемонстрировали отсутствие необходимости в дополнительном месте на складе, т.к. выяснилось, что уровень запасов, требуемых для поддержания целевого уровня сервиса, был необоснованно высоким.

Единичный запуск модели позволяет спрогнозировать уровень запасов для каждого продукта на 15 дней вперед и просчитать себестоимость каждой единицы доставляемого товара. Также модель помогает проанализировать состояние исследуемого сегмента цепи и понять, какое состояние будет оптимальным, и что для этого нужно сделать.

Обзор

Ванинский балкерный терминал «Дальтрансуголь» расположен в глубоководной бухте Мучке. Это важнейший перевалочный пункт на пути к рынкам Азиатско-Тихоокеанского региона. Он находится в крайней точке Байкало-Амурской магистрали. Это один из самых новых и современных угольных терминалов в России.

Терминал оснащен автоматизированной системой разгрузки вагонов и угольным складом объемом до 1,2 млн тонн. Текущий пирс способен принимать и обрабатывать суда типа Сapesize. По итогам 2020 года грузооборот составил 23 млн тонн угля. Длина автоматизированной конвейерной сети — более 4 км. Протяженность железнодорожных путей необщего пользования — более 50 км.

Проблема

Для Ванинского балкерного терминала требовалось увеличить мощность перевалки до 40 млн. тонн угля в год. Cпециалисты IT-компании «Дилибриум» провели исследование терминала «Дальтрансуголь».

Они уточнили параметры сквозного технологического процесса, произвели натурные замеры отдельных технологических операций, провели интервью с разными специалистами и службами терминала, собрали и проанализировали исторические данные о работе терминала, в результате чего нашли статистические закономерности. Впоследствии инженеры использовали их для построения модели.

Моделирование транспортной логистики (нажмите, чтобы увеличить)

В модели точкой входа было прибытие груженых вагонов в парк приема терминала. Точкой выхода — отправка порожних вагонов из парка сортировки терминала и отход погруженных судов из акватории.

Моделируемые процессы включали:

• формирование заявок на поставку грузов на терминал по железной дороге и заявок на отгрузку угля балкерами;
• движение поездов у прилегающей станции и внутреннюю логистику грузовых перевозок: прибытие, сортировку, распиловку/разморозку груза, подачу на разгрузку;
• разгрузку вагонов посредством автоматической системы вагоноопрокидывателей с учетом особенностей процесса в разное время года и погодный условий;
• транспортировку грузов по конвейерной сети, особенно в части моделирования работы виртуального диспетчера для разметки склада под выгрузку угля и построение маршрутов, в которых учитывались приоритет грузов, марки угля, время года, погода, загруженность и степень наработки основного технологического оборудования;
• погрузку угля на суда с учетов их дедвейтов и ограничений отдельных причалов по приему судов; приоритетов очереди, а также типов судов, для которых погрузка должна идти с разным контролем качества и скоростью и т.д.;
• движение порожних вагонов по внутренней железнодорожной сети, включая сортировку, отбраковку вагонов и отправку их на ремонт, формирование составов на отправку по железной дороге.

Решение

Для решения поставленной задачи «Дилибриум» использовала моделирование в среде AnyLogic. Процесс разработки имитационной модели включал следующие этапы:

1. Проектирование модели

На этом этапе специалисты «Дилибриум» обобщили информацию об объекте моделирования и сформировали документ-концепцию имитационной модели, в котором уточнили цели и задачи моделирования; определили границы моделирования; структуру и технико-технологическую архитектуру имитационной модели. Кроме того, они описали основной набор возможностей, которые реализует имитационная модель и результаты моделирования.

2. Разработка модели «как есть» (AS IS)

Разработчики модели решили в первую очередь разработать имитационную модель терминала в существующей схеме развития «как есть». На построенной детализированной модели нужно было установить точные значения параметров отдельных агентов и алгоритмов, чтобы верифицировать модель в соответствии с историческими данными. В результате верификации имитационной модели терминала удалось достигнуть высокой достоверности в сравнении с историческими данными за 2019-2020 гг.

Такой результат стал возможен благодаря высокой степени детализации технологических процессов в имитационной модели.

Для моделирования технологических процессов и изменения состояния или поведения объектов модели были применены следующие подходы:

• метод агентного моделирования для реализации поведения отдельных агентов;
• метод дискретно-событийного моделирования для моделирования технологических процессов работы терминала.

3. Доработка модели сценариями «как должно быть» (TO BE)

Для проверки гипотез по расчету максимальной пропускной способности терминала к верифицированной имитационной модели «как есть» с отлаженными процессами и параметрами разработчики провели несколько экспериментов. Они изменяли пространственное планирование терминала, обновляли расстановку и добавляли новые типы основного технологического оборудования. Инженеры реализовали в модели 5 различных вариантов конфигурации складов и наборов основного технологического оборудования, соответствующих различным вариантам перспективного развития терминала.

С помощью Железнодорожной библиотеки AnyLogic была смоделирована вся внутренняя ж/д логистика с достаточно обширной системой путей и технологических процессов. Конвейерная сеть была разработана на базе Библиотеки моделирования потоков. Дополнительные технологические процессы были смоделированы с помощью программного кода на языке Java.

Моделирование внутренней логистики (нажмите, чтобы увеличить)

Помимо моделирования железнодорожной и конвейерной логистики стояла сложная задача разработать алгоритм маршрутизации груза с учетом планирования склада. Он выполнял функцию временного хранения, если были невозможны прямые маршруты с вагонов на судно. Для выбора и построения маршрута необходимо было учитывать большое количество взаимосвязанных условий и параметров, а именно:

• выбранный перед моделированием этап модернизации;
• погодные условия (моделировались как по историческим данным, так и с задаваемыми коэффициентами отклонений);
• сезон (время года);
• доступность каждого ключевого узла (более 80 ед. оборудования): занятость на линии, поломка;
• текущий заказ от диспетчера на выгрузку или погрузку;
• объем и марки груза в вагонах на терминале и на подходе;
• объем и марки груза на складе;
• текущую разметку находящегося на складе угля, в определенных штабелях;
• приоритет операции (выгрузка/погрузка);
• дедвейт балкера в очереди на погрузку.

Алгоритм, разработанный с помощью диаграммы состояний в AnyLogic

Период моделирования учитывал полный календарный год, включая сезонность и погодные условия. В течение данного периода собирались операционные данные в режиме виртуального времени и статистика в разрезе год/месяц/сутки для всех основных процессов и единиц оборудования. По окончании моделирования выходные данные выгружались в отдельный файл Excel для дальнейшего анализа результатов проведенных экспериментов.

В модели учитывалась cтохастичность. Например, случайные отклонения от статистических данных по поломкам, погодным условиям, или коэффициент ошибок. Также несостыковки при подаче на терминал поездов и судов по причине человеческого фактора, внеплановых изменений в расписании РЖД или изменений со стороны заказчика груза. Условно на пирс могло прийти судно, для которого не весь объем нужных марок угля находился на складе, и оставшаяся часть еще задерживалась в пути на терминал.

Результат

Имитационная модель была верифицирована через этап «как есть» (AS IS). С помощью множественных экспериментов по каждому варианту этапа модернизации специалисты «Дилибриум» получили обширную статистику как максимальной производительности терминала «Дальтрансуголь», так и показателей каждого узла оборудования (ТОиР, наработки, КТГ, КПИ и пр.). Также с помощью проведенных экспериментов инженеры определили узкие места в моделируемых процессах благодаря использованию AnyLogic.

Обзор

Ozon – это одна из крупнейший российских платформ для интернет-торговли с оборотом продаж в 80,7 млрд рублей (за 2019 г.). Компания ежегодно растёт: расширяет зоны доставки, запускает новые сервисы и т. д. Например, в 2019 г. оборот Ozon вырос на 93%, а за первый квартал 2020 г. – на 115%. В связи с этим компании нужно постоянно оптимизировать логистическую инфраструктуру.

Проблема

В 2018 году в Москве и Московской области у Ozon было 7 сортировочных центров (СЦ) с площадью от 200 кв. м. до 5 000 кв. м., а в 2020 году их количество выросло до 11. Из новых и существующих СЦ товары доставлялись непосредственно по адресу клиента, в постаматы или пункты выдачи (ПВЗ), где их забирали покупатели. Чтобы сохранить высокий уровень сервиса и доставлять товары вовремя, компания должна была выстроить новую сеть маршрутов и при этом минимизировать расстояние от СЦ до конечных точек. Для решения этой задачи компания решила использовать имитационное моделирование. Эта технология позволила Ozon визуализировать транспортную сеть в Москве и Московской области и протестировать гипотезы до реализации идей в реальном мире. Кроме решения основной задачи компания с помощью ИМ хотела понять, как распределить зоны доставки между новыми и существующими СЦ так, чтобы СЦ работали эффективно и не простаивали.

Решение

В Озоне после оформления заказ попадает на одну из фулфилмент-фабрик (пунктов обработки и исполнения заказов), где кладовщик принимает товары от поставщиков, собирает их в посылку и упаковывает. Скомплектованные заказы доставляются в сортировочные центры, где их распределяют между курьерами. Курьер, в свою очередь, осуществляет доставку по геозонам непосредственно до клиента, постамата или в пункт выдачи. При этом каждый СЦ обслуживает определенные геозоны.

Специалисты по имитационному моделированию Ozon начали со сбора данных. В компании вся информация по работе с заказами вносится в ИТ-системы, откуда были выгружены данные по:

• времени, которое курьер проводит в СЦ;
• времени, которое курьер тратит на дорогу от СЦ до определенной геозоны;
• распределению времени доставки в геозонах;
• распределению точек доставки заказа внутри каждой геозоны;
• распределению времени курьера, которое он тратит на передвижение между клиентами в каждой геозоне.

На основе этих данных была построена имитационная модель. Чтобы она точнее отражала работу реальной системы, в ней были учтены следующие ограничения:

• 98% заказов должны быть доставлены в срок;
• в сезон коэффициент использования СЦ достигает 95%, но нагрузка должна быть равно пропорционально распределена в системе;
• внутри разных геозон заказы распределяются неравномерно по времени и дням недели;
• график работы курьера.

Чтобы задать логику работы модели, команда Ozon использовала Библиотеку моделирования процессов AnyLogic, с помощью которой она отразила динамику системы и взаимосвязи между ее элементами с помощью потоковых диаграмм.

Кроме того, в модели необходимо было отразить маршруты доставки. Для этого команда отметила на ГИС-карте сортировочные центры Москвы и Московской области и соответствующие им геозоны, а маршруты создавались автоматически при запуске экспериментов благодаря возможностям AnyLogic. Готовую модель впоследствии загрузили в хранилище AnyLogic Cloud, что дало возможность команде Ozon делиться проектом с коллегами и получать к нему доступ с любых устройств.

Результат:

В результате работы команда Ozon построила модель, на которой отметила сортировочные центры и соответствующие им геозоны, а также постаматы и пункты выдачи. На основе модели она протестировала различные сценарии. После этого команда определила оптимальное расположение сортировочных центров и относящихся к ним геозон доставки с учетом уровня сервиса и затрат. Чтобы задать логику процессов системы логистики и визуализировать их, специалисты использовали Библиотеку моделирования процессов и возможности ГИС-карты AnyLogic. Стремясь соблюсти баланс между ключевыми показателями, на основе построенной модели и собранной статистики команда Ozon сделала выводы о том, что нужно закрыть 3 СЦ и открыть 11 СЦ (8 в Москве и 3 в Московской области) к концу 2020 г.