Ai站长

了解方案

请尽可能详细描述您的需求,我们将在1个工作日内联系您

  • *公司名称
  • *姓名
  • *手机号
  • *电子邮箱
  • 请选择智能营销/制造
    智能营销解决方案
    智能制造解决方案
    平台研发中心
  • *留言

注册试用

  • *公司名称
  • *姓名
  • *手机号
  • *电子邮箱
  • 请选择智能营销/制造
    智能营销解决方案
    智能制造解决方案
    平台研发中心
  • *留言
MATHART INSIGHTS

数策洞察

当前位置:首页 > 数策洞察 > MathArt I 汽车制造领域的AlphaGo

MathArt I 汽车制造领域的AlphaGo

2020 / 08 / 18
阅读:5578
来源:转载自《汽车商业评论》


什么是人工智能排产?



文 | 董事长兼CEO 张椿琳


国内汽车工业领域,经过近30年的迅猛发展,已经完成了自动化和信息化的转型。焊接机器人在车间替代了焊接工完成了各种焊接任务;无人搬运车(AGV)替代了搬运工将原材料、半成品和成品运送到指定地点数控机床也不再要操作工,只需要输入程序可以按照图纸进行加工;各类工业软件将数据的采集、存储、监控、追溯也一一完成,不再需要单据和线下报工但这些硬件和软件替代的只是人的体力劳动和规则行动(不需要经过大脑思考,只是按照操作手册即可完成的行动)。有一类人,在过去30年内从未被机器替代,并且被尊为各个车间的老专家、老法师,牢牢掌控着整个车间的运作,这类人就是计划员。


传统意义上,制造业的排产决策主要依赖经验丰富的计划员,他们往往在车间里工作了数年,对于车间的各种运营情况了如指掌,也擅长解决各类突发问题,虽然系统和平台替换了大量的日常工作,但车间的生产计划往往还是由计划员来负责,原因是车间现场瞬息万变,需要计划员来应对紧急状况,同时需要根据上下游的变化进行对应的排产策略调整。但是,由计划员做出的排产计划,往往偏向于满足交付,距离最优结果还有一定的差距,原因如下:

首先,人的大脑处理能力有限。在排产的思考过程中,一般只是顾及单个目标,无法同时兼顾订单交付、产能利用率、经济批量性等多个因素;其次,人工排产需要的时间相对较长。对于现场的紧急状况一般都是用最快速的方式来应对,往往不是最优的方式;最后,每个计划员的工作习惯和排产思路也不一致,容易造成单点最优而非全局最优的情况。

早在20多年前,系统化解决排产的软件APS(Advanced Planning & Scheduling)就应运而生,但因为效果不佳,并没有像ERP和MES一样形成行业的标准软件,主要原因在于传统APS的解决思路,是将计划排产作为一个决策问题来解决,通过对多个静态场景的决策,试图找到一条放之四海而皆准的规则。而规则本身并不具有历史经验的积累和自学习能力,并且也无马尔可夫过程。现实场景是复杂的,传统的方式在简化的小场景下还能发挥其效能,但是,当场景和复杂度以几何级数上涨后,传统方式就会出现其极大的局限性。

中国整车市场不同于欧美和日韩的成熟市场,市场本身的大幅度波动也造成生产的不稳定性以及场景多变性,加之产业工人长期以来“擅长”寻找出一切非标和线下操作来解决现场问题,这同样造成了系统无法与人脑抗衡的问题。这些都是导致实际成功落地项目不多的主要原因。

近年来强化学习飞速发展,Alphago和AlphaZero的大放异彩已经展示出其在决策领域的极大潜力。在围棋和星际争霸中证明其可以通过在一个纯数字化的环境中,反复学习人类的战术,从而战胜人类的能力,而星际争霸这款游戏,在某种程度上跟我们的生产现场是非常相似的。

竞技场中的一场游戏,就如同单班生产任务,我们可以在虚拟游戏中找到与生产现场的现实镜像,例如:
• 竞技目标(战胜对手)= 生产目标(交付)
• 游戏资源(水晶矿、气矿)= 生产资源(物料、模具、设备)
• 选手战术(快攻、骚扰) = 排产规则 (批次生产、先进先出)
• 竞技对手(同伴、对手)= 供应商上下游(客户、供应商)
• 游戏随机性(战争迷雾、随机地图)= 供应链不确定性(市场波动、物流问题、人员问题)

类似于用AlphaStar学习人类玩游戏的战术一样,我们可以让人工智能算法在生产车间这个游戏里,不断地学习人类的排产思路,以交付为最高目标,利用现有的资源,与供应链上下游协作,对抗各种环境的不确定性,最终打造强过任何计划员的AlphaAPS。

基于这个目标,我们需要三个步骤来完成人工智能算法的打造。

第一步,通过数字孪生场景建立制造业工厂的数字化拷贝。这一步骤需要将物理工厂的实体模型和业务模型转换为数字模型,并建立两者之间的信息实时同步机制,并利用数字工厂的仿真能力,对产品的全生命周期,从订单到交付的全过程进行模拟,物理工厂的实时数据对数字工厂进行准确度的修正。数字孪生中最重要的一点,是数字工厂的模拟能力并不体现在正常流程和业务场景的模拟,而应该体现在异常流程的模拟上,数字工厂可以忠实地把所有工厂出现的紧急问题,如客户临时插单、现场缺料、设备故障等异常问题一一还原。

第二步,把强化学习搭载于其上,人工智能算法便可以像一个不知疲倦的计划员一样,每天在各种数字化的业务场景中,进行上亿次的排产模拟学习,自动对各版本结果进行指标测算,以螺旋上升的方式不断提升它的排产能力,最终打造出一套可以根据不同的业务场景给出实时响应和最优机会的人工智能算法。

第三步,回到我们的物理工厂,当车间需要排产,或任何影响计划的物理环境发生变化的时候,人工智能算法就可以根据其学习到的知识给出实时的生产计划,即使出现新的业务场景,人工智能算法都可以通过其大量的模拟过程,最终形成适应新场景的输出。

有别于传统的解决思路,人工智能算法解决的是认知问题,它不存在人类的偏见和思维定势,通过学习计划员的各种排产策略和最终结果,形成前所未有的终极排产策略,由于人工智能算法强大的适应性和自学习能力,可以在不同的行业和生产规模上做快速的推广。

基于过去近十年聚焦汽车行业的业务经验和算法沉淀,数策已为多个整车厂和零配件企业成功实施并推广了智能排产系统。近两年,随着数字孪生技术的普及,我们已着手将数字孪生与智能排产相结合,打造数字化的无人工厂,并取得了显著的积极成果。

这就是供应链技术演进的终极目标。未来的工厂,将由一个体察万物、日理万机的人工智能算法进行整个工厂的计划管理,而中国作为全球第一制造业大国,正在为它的诞生提供最肥沃的土壤。