Ipar 4.0 digitális technológiák alkalmazásának új kihívásai és lehetőségei

Ipar 4.0 – digitális technológiák alkalmazásának új kihívásai és lehetőségei Lean gyártás, digitalizáció és szimuláció

Pfeiffer András MTA SZTAKI Fraunhofer Projektközpont

ISOFÓRUM XXIII. NMK 2016. 09. 16.

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

 Fejlett adatelemzés

 Összefoglalás

ISOFÓRUM XXIII. NMK 2016.09.16.

2

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

3

Üzemeltetés

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 [Koren, 2009]

 Digitális technológiák alkalmazásának korlátai ISOFÓRUM XXIII. NMK 2016.09.16.

4

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 ISOFÓRUM XXIII. NMK 2016.09.16.

5

[Monostori, 2014]

Komplexitás kezelés gyártórendszerekben Komplex

Bonyolult

 Gépi tanulás

 Factory physics és szimuláció

 Kombinált szimuláció és gépi tanulás

 Lean elvek szem előtt tartása

Szimuláció

Data Analytics Big Data

[siemens.com]

IT szerepe

[siemens.com]

Lean, MTM Kaotikus

[openforum.org]

Egyszerű

 Nincs megfigyelhető minta

 Gyártásszervezés hagyományos eszközei (Lean, 6σ, MTM, …) [Deuse]

 Nem fordul elő gyártórendszerekben ISOFÓRUM XXIII. NMK 2016.09.16.

[siemens.com]

6

 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

[http://www.druckerinstitute.com/monday/lean-management/]

Lean eszközök

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

(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

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

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

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 Cél Szállítási kötelezettség ③

DGR – Daily Going Rate (napi kihozatal) ISOFÓRUM XXIII. NMK 2016.09.16.

Nem tervezett leállás: ① Forgácsoló üzem ② #2 gyártócella

③ #5 gyártósor

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

[termék./hónap] 550 500 Napi előrejlezés 450 400 Aktuális szállítás 350 ① ② 300 250 Havi előrejelzés 200 150 ④ 100 Termelés 50 0

12

Tervezett leállás: ④ #5 gyártósor

Mi áll egy ilyen rendszer mögött?

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

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

Fejlett adatelemző eszközök  CPPS adatgyűjtés és tárolás  Aktuális állapot megismerése  Lean, szimuláció  Struktúra felderítése, viselkedés megismerése, predikció  historikus adatok elemzése  Összetettebb, realisztikusabb modellek készítése

Optimal batch size

 Autonóm rendszerelemek megjelenése: Self-awareness machine

 Eszközök

Depending on the process additional capacity is available

 Gépi/statisztikai tanulás

 Big Data analízis

Single capacity Multi capacity


15

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

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

Köszönöm a figyelmet! Kapcsolat Pfeiffer András, [email protected]


18

Ipar 4.0 digitális technológiák alkalmazásának új kihívásai és lehetőségei

Recommend Documents