Ключевые итоги проекта
Автоматизирован расчет заказов. Для этого выполнено нормирование всех технологических операций по времени и стоимости. Информация о стоимости расходных материалов отражается и оперативно обновляется в системе. Время, которое менеджеры тратят на калькуляцию, сократилось. Заказы быстрее согласовываются с клиентами и передаются в производство.
Появилась возможность контролировать себестоимость продукции еще на этапе предварительного расчета заказов. В системе установлен минимально-допустимый уровень рентабельности, для некоторых заказов она составляет 10%, и, если какой-либо заказ при расчете «уходит в минус» – это сразу видно. В этом случае менеджер изменяет технологические параметры (материалы, тираж и т.д.) и согласовывает их с клиентом или обсуждает с коммерческим директором возможность скидки. Во всех случаях работа в системе гарантирует сохранение минимальной рентабельности и полностью исключает для компании возможность убытка
Учет номенклатуры, оборудования, материалов и готовой продукции по различным аналитическим признакам: материалы – формат, ширина роля, плотность, расход краски; оборудование – производитель, вид, скорость печати; продукция – вид продукции, формат и т.д. Для выпускаемой номенклатуры реализована система хранения и поиска ссылок на макеты и на изображения
Была внедрена рекомендательная система для построения оптимального производственного плана, построенную по принципам машинного обучения (Machine Learning ML), где реализована полноценная диспетчеризация заказов, это позволяет выстраивать очередность их выполнения без жесткого плана производства. В случае необходимости (например, при поступлении срочного заказа) технологи могут быстро скорректировать ежедневный план производства, и рабочие всегда получают актуальную информацию о том, какой заказ необходимо взять в работу. Все это обеспечило равномерную загрузку производственных линий и дало возможность планировать производство как на ближайшее время, так и в долгосрочной перспективе
Был создан механизм автоматического прогнозирования простоев оборудования, при построение производственного плана, используя механизмы машинного обучения, что позволило свести к минимуму время простоя рабочих центров, при планировании производства
Уникальность проекта
Данный программно-аппаратный комплекс MES можно использовать практически на любом виде упаковочного и полиграфического производства, и любом технологическом оборудовании.
В настоящий момент, на рынке полиграфии РФ происходит процесс импортозамещения зарубежных производителей. Внедряемая MES-система будет востребована на данном рынке, в связи с образованием новых предприятий или расширением текущих производств.
Инновационность проекта
MES-система содержит рекомендательную систему для построения оптимального производственного плана, построенную по принципам машинного обучения (Machine Learning ML ).
Алгоритмы и принципы построения производственного плана по принципам машинного обучения (Machine Learning ML)
Процессы машинного обучения называются также общим английским термином Machine Learning. Его суть — в передаче компьютерам определённых знаний и алгоритмов их анализа, на основе которых машина может:
- обучаться;
- выявлять закономерности;
- накапливать опыт для решения задач;
- строить прогнозы;
- собирать аналитические, статистические данные.
Машинное обучение помогает поломки и неисправности предотвратить, если научить программу своевременно предсказывать необходимость планово-предупредительного обслуживания полиграфического оборудования на моменте составления производственного плана. Будем создавать рекомендательную систему, способную работать с объемом данных за определенный период и предсказывать на основе анализа их значение через заданный период времени.
Алгоритмы машинного обучения помогают ответить на вопросы, на которые сложно ответить с помощью анализа, выполняемого вручную. Основное различие между машинным обучением и традиционно программируемыми алгоритмами заключается в способности обрабатывать данные без явного программирования.
Как правило, рабочий процесс машинного обучения следует следующим простым шагам:
- 1.Сбор и подготовка данных.
- 2.Разделение данных. Разделите подмножества данных для обучения модели и дальнейшей оценки ее работы с новыми данными.
- 3.Обучение модель. Используйте подмножество исторических данных, чтобы алгоритм мог распознавать в них шаблоны. Обученная модель сможет распознавать эти зависимости в будущих данных и прогнозировать искомые значения.
- 4.Тестирование. Оценка производительность модели, используя подмножества, анализ точности прогноза.
Результатом запуска модели стал прогноз поломок оборудования, с указанием месяца, в который наиболее вероятна поломка и прогноз вероятного количества поломок. То есть на основе статистических данных была построена функция зависимости исходной целевой колонки от исходных статистических данных и на основе этих данных был построен прогноз на будущее по этой целевой функции.
В разделе «Прогнозирование поломок оборудования с использованием инструментов Машинного обучения» Вы можете более подробно познакомиться в реализацией этого функционала
Результаты проекта
В результате реализации проекта была разработана и успешно внедрена MES-система для задач управления производством с функциями оптимизации производственных ресурсов и процессов, контролем автоматизированных и ручных операций на предприятии пищевой упаковки
В состав внедренной MES-системы вошли:
- Рекомендательная система по построению оптимизированного производственного плана
- Прогнозирование поломок оборудования с использованием инструментов Машинного обучения
- Автоматизированные Рабочие Места (АРМ)
Рекомендательная система по построению оптимизированного производственного плана
Система оптимизированного производственного планирования построена на выстраивании очереди для каждого рабочего центра. Кроме этого, планирование на послепечатных рабочих центрах производится в зависимости от текущей ситуации по загрузке и фактической работе на предыдущих (прессовых) рабочих центрах.
Основные этапы оптимизированного производственного плана:
Расчеты заказов флексопечати - ресурсные спецификации выпускаемой продукции. В которых рассчитываются:
- Плановые значения себестоимости, значение стоимости
- Время на выполнение производственных операций, входящих в технологическую цепочку
- Материалы, требуемые для выпуска продукции
Заказы в очередь - с помощью обработки производится построение плана производства. Планирование производится по всем машинам: печатные машины, цифровые печатные машины, машины перемотки, упаковочные машины.
В результате использования инструмента планирования пользователи получают следующую информацию:
- Информацию о суммарной занятости машин (рабочих центров)
- Детальную информацию по выбранному рабочему центру в разрезе расчетов заказа
- Плановое время выполнения всех запланированных операций
- Порядок выполнения операций для каждого из рабочих центров
- Плановый расход материалов для всех запланированных операций
По результатам работы рекомендательной системы по построению оптимизированного производственного плана, каждый из исполнителей производственных операций сможет получить с помощью обработки “Журнал оператора” следующую информацию:
- Утвержденную очередь выполнения технологических операций для определенного рабочего центра
- Плановое время выполнения всех запланированных операций для актуального оборудования
- Плановый расход материалов для всех запланированных операций
Прогнозирование поломок оборудования с использованием инструментов Машинного обучения
В качестве исходного источника данных применялись текстовые файлы, состоящие из строк с данными и разделителей, которые обозначают границы столбцов.
С помощью справочника «Наборы данных» создаются новые наборы данных для дальнейшего обучения модели
Для формирования статистики создан отчет «Печать / Общая статистика».
Результатом запуска модели стал прогноз поломок оборудования, с указанием месяца, в который наиболее вероятна поломка и прогноз вероятного количества поломок.
То есть на основе статистических данных была построена функция зависимости исходной целевой колонки от исходных статистических данных и на основе этих данных будет построен прогноз на будущее по этой целевой функции
Внедренные подсистемы
- Управление заказами на полиграфическую продукцию
- Закупки (снабжение) и управление отношениями с поставщиками
- Управление полиграфическим производством
- Продажи (сбыт), сервис, маркетинг
- Склад и логистика
- Управление персоналом и кадровый учет (HRM)
Автоматизированные Рабочие Места (АРМ)
В качестве исходного источника данных применялись текстовые файлы, состоящие из строк с данными и разделителей, которые обозначают границы столбцов. Были созданы, отлажены, персонал обучен корректной работе следующие АРМ:
АРМ Печатника
При работе с АРМ печатник может:
- Начать и закончить операцию (с помощью соответствующих кнопок “В работу” и “Отработан”)
- Отразить фактические значение выработанного материала
- Зафиксировать выпуск полуфабрикатов
- Отметить брак материала
- Заменить печатный материал
- Сформировать бирку на остаток роля печатного материала
- Зафиксировать производство полуфабриката печати
АРМ Перемотчика
При работе с АРМ перемотчик может:
- Начать и закончить операцию (с помощью соответствующих кнопок “В работу” и “Отработан”)
- Отразить фактические значение выработанного материала
- Зафиксировать выпуск полуфабрикатов
- Отметить брак материала
- Заменить печатный материал
- Сформировать бирки для каждого из ролей готовой продукции
АРМ Резчика
При работе с АРМ резчик может:
- Начать и закончить операцию (с помощью соответствующих кнопок “В работу” и “Отработан”)
- Отразить фактические значение выработанного материала
АРМ Упаковщика
При работе с АРМ перемотчик может:
- Начать и закончить операцию (с помощью соответствующих кнопок “В работу” и “Отработан”)
- Отразить фактические значение выработанного материала
- Может скорректировать количество готовой продукции на то, которое было выпущено по факту
В результате автоматизации рабочих мест, было установлено и введено в эксплуатацию следующее оборудование:
Термотрансферные принтеры этикеток TSC MB240T/MB340T - 5 штук
Сканер штрих-кода Honeywell Granit 1991i, SR, 2D - 5 штук
Измерительное устройство для получения информации оперативного мониторинга производства DSD-2M/SR - 1 штука
