Ipar 4.0 digitális technológiák alkalmazásának új kihívásai és lehetőségei

Átírás

1 Ipar 4.0 digitális technológiák alkalmazásának új kihívásai és lehetőségei Lean gyártás, digitalizáció és szimuláció Pfeiffer András MTA SZTAKI Fraunhofer Projektközpont

2 Tartalom Bevezetés: bizonytalan gyártási környezet Kiber-fizikai gyártórendszerek Komplexitás kezelés gyártórendszerekben Lean eszközök Szimulációs vizsgálatok Virtuális üzembe helyezés Fejlett adatelemzés Összefoglalás 2

3 Bemutatkozás MTA SZTAKI, Fraunhofer PMI Árbevétel 13 M 34% állami támogatás 30% ipari szerződés Létszám 250 Alapítva 2010-ben Együttműködő partnerek FhG IPA, Fh Austria Létszám 15 Számítástechnikai és Automatizálási Kutatóintézet (SZTAKI) Információs technológiák Automatizálás Alkalmazott matematika és számítástudomány Fraunhofer Projektközpont Nagyméretű termelési rendszerek modellezése és szimulációja, digitális gyártás Termeléstervezés és -optimalizálás Valósidejű termelésütemezés és irányítás Termelési hálózatok és ellátási láncok tervezése és irányítása PM I Ipar Alapkutatás Alkalmazott kutatás Fejlesztés Bevezetés Üzemeltetés 3

4 Problémafelvetés Gyártórendszerek gyorsan változó, bizonytalansággal terhelt környezetben működnek Növekvő komplexitás a gyártási folyamatokban, a gyártórendszerekben és a vállalatstruktúrában A gyorsan változó piaci hatásokra, a külső és belső változásokra és zavarokra a vállalatoknak az adott probléma természetének megfelelő gyorsasággal, közel valósidőben kell reagálniuk Digitális technológiák alkalmazásának korlátai [Koren, 2009] 4

5 Kiber-fizikai (gyártó)rendszerek (CPS, CPPS) CPS megjelenése biztosítja a digitális technológiák alkalmazását komplex környezetben Beágyazott szoftver Interakció a digitális és virtuális környezettel Adatgyűjtés (szenzorok) Adattárolás és kiértékelés Beavatkozás (aktuátorok) Egymással összekapcsolt rendszerek Távolról elérhető adatok és szolgáltatások felhasználása Dedikált, multi-modális ember-gép interfész [Monostori, 2014] 5

6 Komplexitás kezelés gyártórendszerekben Komplex Gépi tanulás Kombinált szimuláció és gépi tanulás Data Analytics Big Data Bonyolult Factory physics és szimuláció Lean elvek szem előtt tartása Szimuláció [siemens.com] IT szerepe [siemens.com] Kaotikus [openforum.org] Nincs megfigyelhető minta Nem fordul elő gyártórendszerekben Egyszerű Lean, MTM [siemens.com] Gyártásszervezés hagyományos eszközei (Lean, 6σ, MTM, ) [Deuse] 6

7 [ Lean eszközök Alacsony komplexitás kezelésére Alapok kidolgozása: 1950-es évek Világszintű elterjedés: 1990-es évek Megnövekedett komplexitás kezelésére korlátozottan alkalmas Kihívások Rövid termék életciklus Nagyszámú termékféleség Gyakori folyamatváltozások (készletnagyságok, sorozatnagyságok, ciklusidők) 7

8 Lean és CPPS 1990-es évek: lean eszközök automatizálása/digitalizációja (pl. e-kanban rendszer) CPPS biztosítja az infrastruktúrát a lean gyorsan változó környezetben való alkalmazásához Aktuális állapot visszajelzése SmartOperator SmartProduct SmartMachine SmartPlanner [Kolberg, 2015] 8

9 (Anyagáram)szimulációs vizsgálatok Gyártó- és logisztikai rendszerek a tervezése, rekonfigurációja és üzemeltetése Változások és változtatások hatásainak vizsgálata Felfutási időszak elemzése Változások felismerése, zavarok kezelése Szimuláció fejlődése Egyedi alkalmazás (1960-as évek) Általános célú szimulációs eszközök megjelenése (1980-as évek) Szimuláció alapú rendszertervezés (2000-es évek) Kihívások, új technológiák Digitális ikermodell koncepciója (napjaink) 9

10 Digitális ikermodell Szimulációs vizsgálatok az ikermodellen (Digital Twin) A rendszer teljes életciklusán keresztül Összekapcsolt modell ( mindig naprakész ) Létrehozáshoz szükséges Modellezési folyamat felgyorsítása Modell naprakészen tartása Felhasználói felület Ipari elvárások CPPS szolgáltatások ( Nagy kihívások [Fowler & Rose, 2008]) CPPS kulcselem az ikermodell létrehozásában [siemens.com] 10

11 Elvárások az ipar felől Nagyméretű, komplex rendszerek modellezése Modellezés felgyorsítása Szimulációs projektek nagy idő- és ráfordítás igényű feladatainak támogatása (bemenő adatok gyűjtése és modellépítés) Szimulációs modellek naprakészen tartása Eldobható és elavult modellek problémája Szimulációs modellek napi/heti szintű alkalmazása Beállítások és eredmények felhasználóbarát környezetben Szimulációs modellek fekete-dobozként Webes felület a kísérletezéshez és visszajelentéshez Tipikus alkalmazási területek: autóipar, félvezetőgyártás, elektronikai ipar, alkatrészgyártás 11

12 7/1 7/2 7/3 7/4 7/5 7/6 7/7 7/8 7/9 7/10 7/11 7/12 7/13 7/14 7/15 7/16 7/17 7/18 7/19 7/20 7/21 7/22 7/23 7/24 7/25 7/26 7/27 7/28 7/29 7/30 7/31 Összesített DGR Közel-valós idejű döntéstámogatás Készletek monitorozása, terheléselosztás (időfelbontás: perc) Kapacitás vizsgálat (időfelbontás: óra) Mi lenne, ha? típusú vizsgálatok, vészforgatókönyvek tesztelése (időfelbontás: nap) Figyelmeztetés teljesítmény elmaradásról [termék./hónap] 550 Cél 500 Napi előrejlezés Szállítási kötelezettség Aktuális szállítás Havi előrejelzés Termelés 50 0 DGR Daily Going Rate (napi kihozatal) Nem tervezett leállás: 1 Forgácsoló üzem 2 #2 gyártócella 3 #5 gyártósor Tervezett leállás: 4 #5 gyártósor Mi áll egy ilyen rendszer mögött? 12

13 Virtuális üzembe helyezés Fizikai üzembe helyezést megelőző tesztelés Fejlesztési és tesztelési idő rövidül Fizikai üzembe helyezés és üzemkezdet ideje előrébb tolódik [siemens.com] Optimális működés tervezés virtuális térben [siemens.com] 13

14 Virtuális üzembe helyezés: gyártócella konfiguráció és robotprogramozás Robotizált lézeres hegesztő gyártócella részletes konfigurációja Automatikus off-line programozás és szimuláció Főbb jellemzők Robotos hozzáférés elemzése visszacsatolás készülék- és terméktervezés felé Idő-optimális pályaterv Automatikus off-line robot program generálás Előnyök First-time-right (azonnali használhatóság) Csökkenő programozási ráfordítás Csökkenő felfutási idő Megnövelt kihozatal és energiahatékonyság 14

15 Fejlett adatelemző eszközök CPPS adatgyűjtés és tárolás Aktuális állapot megismerése Lean, szimuláció Struktúra felderítése, viselkedés megismerése, predikció historikus adatok elemzése Összetettebb, realisztikusabb modellek készítése Autonóm rendszerelemek megjelenése: Self-awareness machine Eszközök Gépi/statisztikai tanulás Big Data analízis Optimal batch size Depending on the process additional capacity is available Single capacity Multi capacity 15

16 Fejlett adatelemző eszközök Trendek Hosszú futási idők, a szimuláció a valós-idejű elemzésekhez nem mindig megfelelő Gépi/statisztikai tanulás támogatja a valós-idejű elemzést Predikciós modellek tanulása szimulációs adatokon [Deuse] 16

17 Összefoglalás Gyorsan változó gyártási környezet még hangsúlyosabbá teszi a digitális technológiák alkalmazását Ugyanakkor korlátozza is azt Számos jelenleg is elérhető eszköz (hagyományos folyamatfejlesztés, statisztikai elemzés, szimuláció, gépi/statisztikai tanulás, Big Data, ) Ipar 4.0 (CPPS) megjelenése döntéstámogató folyamatok fejlődése Ipar 4.0 segítségével Meglévő technikák a gyorsan változó gyártási környezetben is alkalmazhatóak (pl. tényleges valós idejű szimulációs vizsgálatok) Új technológiák válnak elérhetővé (pl. virtuális üzembe helyezés) 17

18 Köszönöm a figyelmet! Kapcsolat Pfeiffer András, pfeiffer.andras@sztaki.mta.hu 18