数学上最优的排产不一定是实际最优的!

Stock photography - Time
关于Plataine

本文由Plataine提供,Plataine是提供基于工业物联网和人工智能技术的制造优化软件的领先供应商。

了解更多或获取关于您的工厂到底有多智能的最新指南。

引入Practimum-Optimum™算法以优化生产排产

作者:莫施·本巴萨特博士(Moshe BenBassat, PhD

https://www.moshebenbassat.com/

生产排产挑战

制定最佳排产计划对于生产管理至关重要,对整个运营的效率和生产力有着重大影响,因此对收入和利润都有着重要影响。然而,建立一个高质量的排产计划已经被认为是最复杂和最具挑战性的业务任务之一。目前已经有许多算法来自动生成生产排产计划,以优化用户设定的质量目标组合,这些目标通过整体计划的整体(宏观)KPI指标来衡量,如到期日合规性百分比、生产量或机器利用率。然而,几十年来,创建理论上(数学上)最优且在执行中完全实用的生产计划一直是一个难以实现的目标。多年来,我目睹了多种情况,当管理者在查看列出了未来一周的“最佳”日程安排的甘特图时,还需要再增加局部/细小的改变,即使他们知道这可能会损害目标组合或扭曲他们自己制定的业务规则,因为很明显,图表上所说的数学上是最优的,但实际上并不一定是最优的

通过将人工智能优化算法与无监的督机器学习相结合,Plataine提出了Practimum-Optimum™ 算法(正在申请专利)响应了早就应该明确的市场需求,以优化排产。我们所称的Practimum-Optimum™ 算法,现在可以提供既优化又实用的排产

Solutions for Advanced Manufacturing (SAM) - Solutions for Advanced Manufacturing (SAM)

当前排产算法存在缺陷的根本原因

“我有生意要做,我不介意凌驾于我自己的目标之上或打破我的规则。”

Eugene 是一家大型组织的高管,我仍然记得当我在演示排产优化软件应用程序时第一次听到 Eugene 的这句话时的场景。Terry是一名销售工程师,他首先加载了Eugene选定的一组大量的工作订单需求,这些工作订单将安排在下周进行。只需点击一下,软件就生成了一个令人印象非常深刻的排产计划,与Eugene预先设定的整体排产业务目标相一致。它包括KPI的优秀分数,如到期日合规性、机器利用率、生产量等,并报告了总体进度质量指标的加权Z分数。Eugene的第一反应非常积极,承认他很少看到他各种商业目标的最佳组合。随后,当他深入研究个人任务时, Eugene意识到一个非常重要的客户的工作订单被排除在本周的日程之外,这意味着它将错过截止日期。他要求Terry将该工单添加到排产计划表中,并对其他工单进行必要的更改。Terry做出改变后,进度表的总体质量Z分数下降,Terry提请Eugene注意这一点,称他与自己预先设定的优化目标相矛盾。Eugene礼貌地咕哝了几句,继续查看排产计划,并不断要求Terry进行额外的本地更改,例如在某些任务结束时添加时间缓冲区,以防实际执行时间超过计划。Terry一直悄悄地评论说,总的Z分数正在恶化。突然,Eugene敲着桌子说:“我有生意要做,我不介意凌驾于我自己的目标之上或打破我的规则。”。

Stock photography - Image

数学与现实生活的碰撞

几年前,当我第一次遇到类似的情况时,我作为数学家的最初反应是:“只要为我制定出你所期望的局部变化背后的考虑因素,即微观层面的目标。我会将它们整合到数学模型中,然后算法会在第一时间为你生成‘合适’的最佳排产。”这种逻辑请求的唯一问题是,用户无法提前完全确定他的“期望”。我经常听到的回答就是这样的:“当我看到排产计划时,我就会知道。”。换句话说,排产计划中潜在局部变化的数量和种类太多,无法提前列举,用户只有在提交排产计划时才能发现。此外,当我们设法在此类局部变化的数学建模方面取得一些进展,并要求用户描述特定变化适用的情况时,我们听到的最常见的回复是“好吧,这取决于……但也取决于……!”

消费者行为相关研究

消费者行为的研究者们广泛地研究了消费者做出选择、设置、构建、揭示和逆转他们偏好框架的方式,以及他们在多大程度上是理性和一致的。人们似乎普遍认为,选择时的偏好取决于实际情况,有时是不稳定的。这些作品大多涉及消费者行为。我们在上面看到的是商人类似的依赖情境的主观判断行为,他们使用工厂特定的知识明智地合理化他们的决策。这种似乎表现出不一致或“偏好反转”的行为并不是一个需要修复或可以修复的坏事。它是现实生活的一部分,具有完美的商业意义,因为决策者正试图平衡宏观和微观目标之间的冲突。

由此得出的结论是:对于某些业务问题,我们只能从用户那里得到他们所面临的实际优化问题的不精确或不完整的陈述。在这种情况下,数学上最优的并不一定是实际最优的。对于此类问题,一旦排产计划由旨在优化整体Z分数的数学算法生成并呈现给用户,用户很可能会在单个任务中进行局部更改,以解决与特定客户优先级或可执行性考虑相关的实际目标。即使这些变化意味着总体进度指标的分数较低,它们也确实具有完美的商业意义。因此,实用的排产优化软件必须支持将主观判断变化整合到数学上的“最优”排产中。

Manufacturing - Industrial internet of things

Practimum-Optimum™ 算法的精髓

多年来,随着我不断目睹类似的场景,我实施了几种特殊的方法来支持用户在优化软件的输出计划中集成主观判断的变化。尽管如此,我一直在寻找解决这一重要需求的更根本的办法。Plataine的Practimum-Optimum™算法(正在申请专利)通过将搜索算法与无监督机器学习算法相结合来应对这一市场需求,从而实现计划优化,旨在促进和加快实现我们现在所称的“实际最优”的排产。顾名思义,我们不是在寻找“足够好”的排产。相反,我们希望将微观变化整合到一个整体最优的时间表中,以最大限度地减少宏观质量分数的下降。

至于机器学习,我们这里指的不是单个参数的统计学习,例如基于实际执行时间的任务持续时间,这早已实现。相反,我们谈论的是排产领域中深层结构的机器自学习,包括具有相似目标值但不一定相同的甘特图的日程表集群;需求集合的模式;相互竞争的目标之间的权衡;以及每个KPI得分可达到的最佳值——建立我们称之为制造性能包线的值(类似于飞机的飞行/性能包线概念)。

还应注意的是,历史排产的可用性不是强制性的,尽管它们在需要时可使用。在首次使用部署解决方案之前,最初需要的只是有关产品及其制造步骤的信息;机器及其性能;需求集的“一般”性质;还有业务规则。利用这些信息,算法会自动为各种各样的情况创建一组大型计划,并教会自己上述关于计划范围的深刻见解。随着时间的推移,由Practimum-Optimum™算法生成排产计划后,它会不断地将其“洞察”调整到排产的范围中,并提高其性能。

Practimum-Optimum™ 算法:创建排产

对于用户提交的任何给定的需求集,例如在周五下午给出下周的生产排产,Practimum-Optimum™算法首先向用户提供一个初始最佳排产计划(IBS),该计划优化了宏观目标,同时考虑了它已经学到的各种微观层面的因素。IBS还包括一份“执行摘要”,提醒用户注意IBS排产计划的要点。

当用户查看IBS并希望进行进一步的本地更改时,她/他所要做的就是说明他们希望实现的目标,例如添加到计划WO17中,算法将决定如何在繁忙的甘特图上为其留出空间,并在对宏观质量分数降到最低的情况下进行必要的调整。

下图显示了116个计划组成的均匀集群中宏观目标值(机器利用率、最大完工时间等)的雷达图,其中大多数计划的宏目标值非常接近。然而,当您检查甘特图板上作业的位置时,您会看到116个计划之间存在许多不同的变化。这样的集群是机器学习过程的一个副产品, Practimum Optimum™ 算法能够实现用户请求的微观更改,同时最大限度地降低对宏观目标的影响。(多边形的粗线实际上由116个单独明细表中的数十条细线组成,这些细线非常接近,它们重叠会形成一条粗线)

Spider - Spider web

最终的结果是一个既优化又实用的排产计划。生成的排产计划将发布给所有相关的用户以及所有随行的基于AI的智能数字助手

Practimum-Optimum™ 算法:执行排产计划

从下一周的周一上午开始,Plataine的数字助手将持续跟踪和监控事件的发生(计划内或计划外),并使用Plataine基于人工智能的情境和操作引擎,为生产现场的不同角色提供警报或建议操作。(接下来的文章将对此进行详细介绍。)

Screenshot - Product design

综上所述

Practimum-Optimum算法早期的应用案例非常令人鼓舞,这表明自学习算法的结果极大地放大了搜索优化算法。我们相信,Practimum-Optimum算法代表了开发生产排产优化应用程序的范式转变,适用于除排产之外的其他业务决策需求,如容量规划、物料优化、工具管理等。

想要继续深入探讨?欢迎联系我们

Shoe - Caterpillar Inc.

Don't miss new updates on your email

实时关注最新的数字化制造趋势