개요
Engineering Ingegneria Informatica는 디지털 시스템 통합 분야의 전문 글로벌 회사다. 이 회사는 전 세계 50여 개 사무실에 1만1000명 이상의 직원을 두고 있다. 대표적인 프로젝트 중 하나는 가치 교환, 프로세스 디지털화, 디지털 서비스 개발, 사용자 가치 창출 등 특히 8개의 활용을 통해 다른 기술이 상호 교류할 수 있도록 하는 플랫폼이다.
Lagor는 전력 변압기용 강자성 코어를 생산하는 이탈리아 기업이다. 라고르는 유럽 최초로 전기강 절단 서비스를 제공했으며, 변압기 코어 시장의 선두주자로 남아 있다. 그러나 생산량을 늘리고 사업을 확장하면서 제조 공정을 확장하는 문제에 직면했다. Lagor는 제조 최적화를 위해 생산 시스템의 병목 현상과 차단을 해결하기 위해 엔지니어링을 계약했다.
문제
제조 시뮬레이션 쇼케이스
제조 시뮬레이션 한계
전력변압기 코어는 여러 층의 코일로 만들어지며, 최대 8톤까지 무게가 나갈 수 있으며, 크기와 고객별 요구사항에 따라 생산 주기가 달라진다.
전력 변압기 코어 생산은 원하는 두께에 도달하기 위해 서로 코어를 레이어링하는 것으로 시작한다. 그 재료들은 생산 과정 내내 철제 팔레트에 남아 있다. 이 팔레트는 롤러 또는 셔틀 컨베이어를 사용하여 다른 작업대 사이를 이동한다.
모든 코어는 가공 과정을 거치고, 일부는 생산 주기에 따라 도장소와 양생소를 거친다. 결국 모든 코어는 시험을 거친다. 강철 팰릿은 비어 있어도 라인에서 절대 제거되지 않는다.
초기에는 제조 라인 스케줄링이 수작업과 단기간 동안 진행되었다. 이 방법은 생산 라인의 물체가 병목 현상을 일으키는 반복적인 문제를 야기했다. 주요 막힘 해소를 위한 가장 실용적인 방법은 기중기로 코어를 하역하고 전선을 리셋하는 것이었다. 공정을 보다 효율적으로 만들 목적으로 라고르는 엔지니어링 회사에 접근했다. 그들은 함께 생산라인 운영을 간소화하고 공장 바닥 이동에 대한 더 나은 관리를 제공할 것이다.
해결책
컨설턴트는 애니로직 제조 시뮬레이션 기능의 도움으로 생산 시스템의 디지털 트윈 역할을 할 모델을 만들었다. 디지털 트윈 기술을 통해, 그들은 생산 설비의 문제점을 더 잘 이해하고 미래의 성능을 예측하기 위해 운영 현장에서 직접 실시간 데이터를 제조 시뮬레이션 모델에 공급할 수 있을 것이다. 그들은 핵심 유형의 다양성, 관련 생산 주기, 가변 생산 계획 등 프로젝트의 고유한 특징을 모델링하기 위해 에이전트 기반 접근방식을 사용했다.
강화 학습으로 최적화된
생산 프로세스 시퀀싱 시뮬레이션
디지털 트윈 기술은 다음과 같은 다양한 생산 공정 요소를 재현하는 데 도움을 주었다.
- 강철 팔레트 – 코어가 생산 라인에 수용되는 중요한 자원 규정에는 팔레트를 라인에서 내려서는 안 된다고 명시되어 있다.
- 생산 주기의 세부 사항에 따라 작업대 사이를 이동하는 전력 변압기 코어.
- 컨베이어 – 고정(롤링) 또는 이동(셔틀)이 가능한 팔레트 운반 구성 요소.
최적화된 프로덕션 프로세스에 적용된 학습된 정책
컨설턴트는 디지털 트윈 모델을 설계한 후 생산 설비에서 나온 데이터를 감독관제 및 데이터 획득 시스템(SCADA)에 연결해 라인 업데이트 상태를 파악했다. 그들은 또한 불필요한 이동을 피하고, 발생할 수 있는 중대성을 예측하고, 충돌을 해결하며, 동시에 납품 날짜를 존중하기 위해 각 상황에 맞는 최적의 경로를 찾는 가상 에이전트인 라인 매니저를 만들었다. 라인을 관리하고 더 나은 결과를 얻기 위해 라인 매니저는 내장된 휴리스틱스 기반 알고리즘을 사용했다.
실제 데이터로 작업하는 숍 플로어의 디지털 트윈은 생산 및 의사결정 프로세스를 재현하고, 생산 계획을 조사하며, 납품일을 존중하면서 선택된 계획이 달성 가능한지 확인하는 데 도움을 주었다. 새로운 디지털 트윈 시뮬레이션 도구로, 라고르 엔지니어는 "what-if" 접근방식을 사용하여 위험이 없는 환경에서 생산 순서를 성공적으로 재정렬할 수 있었다.
강화 학습으로 최적화된 전체 제조 생산 주기 시뮬레이션
이와 같이, 시스템은 이미 생산에서 구현될 수 있으며, 문제를 피하고 비용을 절감하는 데 도움을 줄 수 있다. 그럼에도 불구하고 이 시스템은 한계가 있었다. 고도로 설계된 휴리스틱스를 특징으로 하는 신중한 제조 용량 계획과 시퀀스 스케줄링에도 불구하고, 여전히 때때로 병목 현상이 있었다. 컨설턴트들은 복잡한 휴리스틱스를 없애고 최상의 이동 순서를 결정하는 새로운 방법을 개발하기를 원했다.
AnyLogic 프로세스 시뮬레이션 소프트웨어의 유연성과 사용자 정의 용이성은 엔지니어가 강화 학습 솔루션을 만들 수 있도록 했다. 스카이마인드의 RL4J 딥보강 학습 패키지를 애니로직 제조 시뮬레이션 모델로 통합해 코어의 움직임을 파악할 수 있는 에이전트를 양성할 수 있었다.
이 경우, 초기에는 학습요원이 코어의 위치와 이용 가능한 행동 사이의 연관성을 알지 못하기 때문에 무작위 결정을 내리는데, 이 결정은 물리적으로 무효가 되기도 하고(아래 영상의 붉은 화살표) 상태변화를 초래하지 않는다. 학습 과정 동안, 에이전트는 모든 상호작용을 기억 속에 저장하고, 새로운 행동을 탐구함으로써 더 나은 움직임을 발견한다. 목표물에 도달할 때마다 레이아웃이 랜덤화되고 시뮬레이션이 재시작된다. 환경과 상호작용하는 풍부한 경험을 통해 대리인은 결국 주어진 상황에 대한 최선의 결정을 추론할 수 있다. 훈련 후, 에이전트는 효율적이고 효과적인 방법으로 업무를 수행할 수 있다.
결과
강화 학습을 성공적으로 적용하여 생산라인 이동을 효과적으로 관리하고 병목현상을 효율적으로 피할 수 있는 정책이 도출되었다. 컨설턴트는 가능한 최소한의 병목현상을 피하기 위해 생산과정 전체를 재현하고 알고리즘을 훈련할 수 있어 생산계획 최적화와 재무절감 효과를 높일 수 있었다. 프로젝트의 성공 비결은 실제 시스템과 디지털 복제본 간의 원활한 데이터 통합을 위한 AnyLogic 디지털 트윈 시뮬레이션 기술, 그리고 소프트웨어가 머신러닝 기술과의 연결을 위해 제공했던 가능성이었다.
AnyLogic 모델과 AI를 통합하는 이유에 대해 자세히 알아보십시오.
AnyLogic Conference에서 본 사례 연구를 발표하는 루이지 만카의 비디오를 보거나 프레젠테이션을 다운로드하십시오.
