Имитация + оптимизация: новый стандарт промышленного управления

Связка имитационного и оптимизационного моделирования становится новым стандартом управления производством. Эксперт практики «Ресурсы» ООО «АксТим» (правообладатель бренда Axenix) Илья Константинов объясняет, как современные цифровые модели позволяют одновременно проверять решения на тысячах реалистичных сценариев и в режиме, близком к реальному времени, находить оптимальные стратегии.

Пределы привычных подходов

За последние годы управлять промышленным производством стало заметно труднее. И дело не только в росте издержек и перебоях в цепочках поставок. Сами производственные системы стали более сложными. Многие предприятия уже используют имитационное моделирование (ИМ) для анализа процессов и выявления узких мест. Подобные программные продукты помогают проверить тысячи сценариев, увидеть узкие места, оценить пропускную способность фабрик и цехов, спрогнозировать последствия сбоев. Но они не отвечают на вопрос, что нужно изменить, чтобы получить лучший результат. Система показывает, что может произойти, но не говорит, как оптимально действовать. Решения приходится искать «вслепую», перебирая варианты вручную. 

Теоретически эту задачу решает оптимизационное моделирование (ОМ). Такие системы выполняют роль «интеллектуального штурмана». Они способны находить наилучшие решения по заданному критерию: снижению затрат, повышению производительности, эффективному использованию ресурсов. Расчёт ведётся в рамках жёстких ограничений (например, мощностей оборудования или времени). Оптимизация особенно полезна для задач планирования и распределения. Например, для составления графиков добычи или ремонтов, маршрутов техники, определения оптимального уровня запасов и последовательности обработки тех или иных материалов.

Однако у оптимизации тоже есть свои ограничения. Она плохо масштабируется на системы с высокой сложностью и большим числом переменных. Не всегда удаётся учесть случайности, непредсказуемые сбои или перемены в качестве сырья. А всё это неизбежно на реальном производстве. Более того, слишком сложная модель может привести к существенному росту времени расчёта.

Таким образом, каждая из технологий полезна, но по отдельности не обеспечивает полного решения управленческих задач. Решается часть проблемы, но не вся целиком.

Переход от анализа к управлению

Долгое время эти подходы не пересекались. Всё изменилось, когда выросли вычислительные мощности и появились современные программные платформы. Тогда стало возможно не только планировать «идеальный» вариант с помощью оптимизации, но и сразу прогонять его через имитационные сценарии, чтобы проверить, как он поведёт себя в реальности. По сути, такая связка помогает ответить на вопрос, как гарантировать выполнение плана с минимальными затратами в реальных (а не гипотетических) условиях.

Схема работает следующим образом. Менеджер ставит задачу — например, минимизировать затраты, повысить производительность или эффективность использования ресурсов. Система ОМ автоматически рассчитывает оптимальные варианты и предлагает наилучший план действий. Допустим, строит графики работы оборудования и маршруты техники, составляет планы ремонта и формирует уровни запасов. Имитационное моделирование (метод дискретных элементов, агент-ориентированное моделирование), в свою очередь, создаёт цифровой полигон производственных процессов. Решение на соответствующей платформе даёт возможность протестировать подходы в разных условиях. Например, когда произошёл непредвиденный сбой оборудования или изменилось качество сырья. Благодаря этому становится ясно, насколько жизнеспособными будут выбранные сценарии.

Каждая из платформ ИМ оперирует различными подходами к дискретно-событийному, агентному и процессно-ориентированному моделированию. Они различаются по парадигмам моделирования, интерфейсам и целевым применениям, что делает каждую подходящей для конкретных сценариев, таких как производство или кастомные корпоративные инструменты.​

• AnyLogic (АниЛогик) поддерживает моделирование несколькими способами (дискретно-событийным, агентным, системной динамики) в одной среде, позволяя создавать сложные гибридные симуляции для разных отраслей. 
• Arena (Арена) и Simul8 (Симул8) ориентированы в основном на дискретно-событийную симуляцию и позиционируются как «простые программы для производства и потоков процессов». 
• Amalgama Platform (Амальгама Платформ)— это Java-структура для кодирования корпоративных инструментов в конкретных областях. В горнодобыче MineTwin (МайнТвин), для планирования заводов — PlantTwin (ПлантТвин), с акцентом на структурированные данные вместо визуального моделирования.​

​Когда имитационное и оптимизационное моделирование работают вместе, получается своего рода «замкнутый цикл». Сначала алгоритмы оптимизации предлагают лучшие решения, затем имитация проверяет их на практике, а после этого результаты корректируются и автоматически возвращаются в системы планирования и управления. Так процесс перестаёт быть «слепым».

Если раньше каждая новая идея проверялась вручную и на опыте, то теперь всё можно предсказывать и управлять этим заранее. Расчёты идут быстрее, а сотрудники при этом видят, как изменения влияют на производственные потоки и ключевые показатели. Если добавить машинное обучение (ML), система становится ещё «умнее». Она учится на данных, подсказывает отклонения и позволяет адаптировать производство в режиме реального времени.

Когда модели начинают работать

Совместная работа ИМ и ОМ открывает целый спектр новых возможностей. Практически в любой отрасли она позволяет находить оптимальные решения и заранее оценивать их жизнеспособность. В металлургии это хорошо видно на примере логистики жидкого металла. Управлять десятками плавок в течение суток — значит постоянно балансировать между технологическими нормативами, ремонтами оборудования, занятостью путей, кранов и машин непрерывного литья.

Оптимизационная модель за считанные минуты строит суточный план, а имитационная — тут же проверяет его на прочность. Например, что будет, если агрегат задержится, кран окажется занят или маршрут перекроется. В результате диспетчер видит не «идеальный» план на бумаге, а сценарий, который можно выполнять в реальном цехе. Опыт показывает, что эффект измеряется десятками тысяч тонн дополнительного выпуска и заметной экономией энергии.

Подход работает и в горнодобыче, хотя задачи там совсем другие. В карьере невозможно один раз рассчитать оптимальный график для самосвалов и успокоиться. Слишком много случайностей (поломки техники, очереди под погрузку, погода). Поэтому оптимизация здесь не диктует конкретный график, а подбирает параметры. В частности, сколько техники нужно и как её лучше распределить. А имитационная модель выступает в роли «песочницы», где каждый вариант проверяется на длинном виртуальном горизонте. Это даёт возможность заранее увидеть, как один сбой может повлиять на выполнение плана, и выбрать решение, которое в реальности даёт максимальный результат при меньших затратах. Как пример, глубочайший карьер, где ведётся добыча золота открытым способом. Сочетание оптимизации и имитации позволило сократить расход топлива примерно на 25% и обойтись меньшим парком техники.

Ещё один показательный кейс — внутренняя логистика ферросплавного цеха. Когда краны хаотично заняты (и не ясно, какой кран доставит очередной ковш с металлом на разливочную машину), простои оборачиваются внушительными потерями из-за застывания металла на стенках ковша. Внедрение сервиса на базе ИМ и ОМ позволило в реальном времени подсказывать операторам, какой кран и по какому маршруту должен выполнять следующую операцию. Любое изменение условий — и решение пересчитывается сразу. В итоге время простоев сократилось на 30%, а потери металла от логистики упали до 3,5 т за смену ($4,3 млн в год).

Метод популярен и в обычной логистике — от маршрутизации перевозок и портовых операций до управления железнодорожными парками и складами. Активно используют связку ОМ и ИМ предприятия из нефтегаза, производства стройматериалов, пищевой промышленности. В первую очередь для планирования производства и оптимизации технологических процессов. Модели всё чаще применяются в энергетике, машиностроении, химической промышленности и в инфраструктурных проектах государственного уровня.

Три условия эффективности

Чтобы ИМ и ОМ работали эффективно, необходимы три ключевых условия. Во-первых, данные должны быть качественными и синхронизированными (метки времени, нормализованные данные с хотя бы 70% корректности, централизованное хранилище как единый источник истины). Во-вторых, вычислительные мощности должны выдерживать объём сценариев и оперативное перепланирование (стабильные серверы, GPU для больших симуляций и т. д.) И, наконец, бизнес-цели должны быть ясны и чётко оцифрованы, чтобы модели искали именно те решения, которые приносят реальную ценность предприятию.

В противном случае решения будут трудно применимы на практике. Например, без качественных данных оптимизационный алгоритм может предложить план, который невозможно реализовать на заводе из-за ограничений оборудования или логистики. Потому что модель видит только цифры, а реальная производственная среда иная. Или, если не ясна цель, система может оптимизировать не то, что действительно важно для бизнеса. Поэтому только при выполнении этих трёх условий связка ИМ и ОМ позволит предприятию наладить управление сложными процессами в реальном времени. 

В качестве заключения отметим, что интеграция ИМ и ОМ уже даёт дополнительные тысячи тонн выпуска и миллионы рублей экономии ежегодно заказчикам в металлургии, горной добыче и логистике. Современные платформы помогает запустить пилот за 4-5 недель с верификацией на производственных данных. Начните с пилота на одном участке. Протестируйте суточный график или процесс организации транспорта — эффект в тоннах выпуска и миллионах рублей виден за месяц — и далее оценивайте масштабирование.