Platformy cyberfizyczne w praktyce. Implementacja systemu w klasycznym zakładzie produkcyjnym

Istotą rozwiązania jest platforma

Cybernetyka nie powinna być jednak kojarzona wyłącznie z informatyką, ponieważ jest to nauka interdyscyplinarna obejmująca wiele dziedzin, łączących różne technologie oraz procesy, w tym np. zarządzanie zespołami produkcyjnymi. Znajduje zastosowanie wszędzie tam, gdzie kluczowym czynnikiem jest przepływ informacji tworzący pętle w relacjach przyczynowo-skutkowych. Rozwiązania pracujące w formie platform cyberfizycznych wprowadzają, również w klasycznych zakładach produkcyjnych, automatyzację oraz optymalizację wydajności procesów produkcyjnych logistycznych, wspomagają jednostki utrzymania ruchu oraz inne procesy w nadzorowaniu i zarządzaniu produkcją.

Postęp technologiczny, większa łatwość implementacji oraz wzrastające oczekiwania producentów – w szczególności przy produkcji wyrobów kosmetycznych czy farmaceutycznych – zwiększają zapotrzebowanie na platformy cyberfizyczne, ponieważ znacząco przyczyniają się one do poprawy jakości wytwarzanych dóbr. Wdrożenie platformy cyberfizycznej w przedsiębiorstwie produkcyjnym powinno być zrealizowane w kilku kluczowych krokach. Najpierw należy przeprowadzić ocenę obecnie wykorzystywanych systemów i procesów produkcyjnych. Następnie należy zidentyfikować obszary, w których implementacja platformy cyberfizycznej przyniesie największe korzyści. Kolejno należy wskazać rozwiązanie czy raczej wybrać dostawcę platformy biorąc pod uwagę ustandaryzowane schematy, a także używane narzędzia kształtujące przepływ i zarządzanie procesem. Istotne jest, aby dostawca mógł w pełnym zakresie opracować rozwiązanie wraz z poprawną specjalistyczną parametryzacją. Bardzo ważne jest także zapewnienie przez dostawcę wsparcia technicznego oraz szkoleń dla pracowników korzystających z platformy. Ostatni etap – opisany poniżej w formie studium przypadku – to wdrożenie platformy w zakładzie produkcyjnym. Proces wdrażania, ze względu na swoją złożoność, wymaga pełnej współpracy między zespołami dostawcy platformy, działami IT producenta oraz pracownikami liniowymi zakładu. Ważne jest, aby wdrożenie nie zakłócało pracy zakładu z maksymalnym udziałem zespołów, przy zapewnieniu właściwych programów szkoleń pracowników. Nieoceniona jest tutaj wiedza zdobyta w trakcie szkolenia i implementacji, ponieważ znajomość funkcjonalności platformy pozwala już na początku na zwiększenie efektywności produkcji, redukcję kosztów oraz poprawę jakości produktu.

Wdrożenie platformy – etapy realizacji i moduły systemu

W każdym zakładzie produkcyjnym czynnikiem wpływającym bezpośrednio na jego efektywność jest logistyka. Wdrożenie platformy CPLPP (Cyber-Physical Logistics & Production Platform) i jej dalsze rozwijanie wprowadza innowacyjne rozwiązania w zakresie głównych faz systemu logistycznego firmy, tj. zaopatrzenia, produkcji, magazynowania i dystrybucji. CPLPP na poziomie optymalizacji i adaptacji składa się z autonomicznych i współpracujących podsystemów, które są dynamicznie i adaptacyjnie integrowane na wszystkich poziomach logistyki firmy (zaopatrzenie, produkcja, magazynowanie i dystrybucja). Synchronizacja i współpraca poszczególnych zasobów (ludzkich, technicznych lub cyfrowych) z wymienionych podsystemów jest osiągana dzięki mechanizmom funkcjonalno-informacyjnej integracji (np. wbudowane systemy, przetwarzanie sieciowe) i przy użyciu nowoczesnych metod, takich jak modele optymalizacyjne i uczenie maszynowe. Rdzeniem logicznym CPLPP jest podział przepływu materiałów w firmie. Górna warstwa CPLPP składa się z następujących zintegrowanych, kluczowych komponentów CPC (Cyber-Physical Component):

1. CPC dla zaopatrzenia i magazynowania (CPLPP-Storage).
2. CPC dla transportu wewnętrznego (CPLPP-InterTrans).
3. CPC dla procesu produkcyjnego (CPLPP-Production).
4. CPC dla procesu dystrybucji (CPLPP-Distribution).
5. CPC dla automatyzacji, sterowania i przewidywania konserwacji maszyn (CPLPP-Machines).

Większość wymienionych powyżej CPC powinna posiadać dwa główne komponenty funkcjonalne: A) zaawansowana łączność zapewniająca pozyskiwanie danych w czasie rzeczywistym ze świata fizycznego oraz informacji zwrotnych z cyberprzestrzeni B) inteligentne zarządzanie danymi, możliwości analityczne i obliczeniowe, które wspólnie tworzą świat cybernetyczny (Jay Lee et al. 2015).

CPLPP-Storage

Moduł CPLPP-Storage obejmuje następujących cztery modele:

1. Model cyfrowego magazynu – przechowuje (statyczne i dynamiczne) informacje o stanie zapasów i magazynu, np. bieżące zatowarowanie magazynu, temperatura i wilgotność w magazynie surowców lub/i wyrobów gotowych czy opakowań.
2. Model przewidywania zapotrzebowania na materiały – jego główną rolą jest zapewnienie wysokiej jakości prognozy zużycia materiałów dla innych modułu CPLPP, takich jak moduł planowania poziomu zapasów lub moduł planowania produkcji. Moduł ten w głównej mierze opiera się na aktualnych i historycznych danych dotyczących zapotrzebowania na zasoby.
3. Model optymalizacyjny do alokacji przestrzeni magazynowej dla materiałów – celem tego modułu jest znalezienie optymalnej alokacji materiałów w magazynie, uwzględniając plany zaopatrzenia, bieżącą produkcję i wymagania dotyczące zasobów. Przykładowo, w przypadku magazynu blokowego (gdzie jednostki ładunkowe układane są w stosy) celem modelu matematycznego będzie minimalizacja liczby zmian położenia (relokacji) poszczególnych komponentów.
4. Model planowania poziomu zapasów – główną rolą tego modułu jest dostosowanie poziomu zapasów materiałów do zmiennych wymagań produkcji. Struktura koncepcyjna CPLPP-Storage jest przedstawiona na poniższym rysunku.

CPLPP-InterTrans

Moduł CPLP-InterTrans obejmuje dwa główne modele: cyfrowy model transportu wewnętrznego oraz model optymalizacji dynamicznego planowania tras dla heterogenicznego taboru wózków transportowych. System transportu wewnętrznego w zakładzie produkcyjnym obejmuje przepływ materiałów do jednostek produkcyjnych, przepływ gotowych produktów z produkcji (do magazynu bądź spedycji) oraz przepływ zwrotny (materiały zwrotne, puste jednostki transportowe itp.). Flota transportu wewnętrznego obejmuje autonomiczne wózki platformowe (IGV) oraz tradycyjne wózki widłowe obsługiwane przez operatorów. Wdrożenie w pełni autonomicznej floty nie jest aktualnie możliwe ze względu na ograniczenia nośności i prędkości pojazdów autonomicznych. Położenie wózków widłowych jest uzyskiwane z systemu lokalizacji w czasie rzeczywistym (RTLS – Real Time Location System), który może obsługiwać dane niehomogeniczne. Położenie jest transmitowane w czasie rzeczywistym przez czujniki lokalizacyjne z wykorzystaniem technologii BLE (Bluetooth Low Energy). Uzyskane surowe dane są następnie przekształcane w informacje na warstwie komunikacyjnej. Rysunek poniżej przedstawia architekturę transportu wewnętrznego w ramach CPLPP.

Na poziomie cyber wszystkie obiekty platformy CPLPP wymieniają informacje za pośrednictwem cyberinterfejsów, dzięki czemu mogą na siebie wpływać. Przykładowo, prognoza krótkoterminowego planu produkcji może spowodować zmianę priorytetów przy przydziale wózków widłowych w module optymalizacji lub aktualny stan miejsc buforowych w magazynach może mieć wpływ na ograniczenia optymalizacyjne. Najwyższy poziom konfiguracji nadzoruje prawidłową transmisję decyzji do niższych warstw. Na przykład, oprogramowanie narzędziowe autonomicznych wózków platformowych IGV dystrybuuje zlecenia transportowe za pośrednictwem sieci bezprzewodowej WiFi bezpośrednio do każdego poruszającego się wózka.

CPLPP-Machines

Podsystem automatyzacji i przewidywania awarii, a co za tym idzie właściwego planowania serwisu (CPLPP-Machines) składa się z czterech głównych modeli/modułów:

1. Model sterowania maszynami – zapewnia pełną widoczność procesów produkcyjnych w czasie rzeczywistym i ostrzega o problemach, takich jak nadmierne wibracje na komponentach Produkcja lub innych odstępstwach od standardowego trybu pracy poszczególnych elementów wykonawczych. W tym modelu są zaimplementowane mechanizmy nadzoru nad nierejestrowanymi postojami Produkcja – tzw. mikroprzestoje.
2. Moduł automatycznej konfiguracji maszyn – umożliwia automatyczną lub półautomatyczną (za pośrednictwem HMI – Human-Machine Interface) konfigurację maszyn dla powtarzalnych lub podobnych zadań produkcyjnych.
3. Model prognozujący do wykrywania zwiększonego ryzyka awarii Produkcja, który wykorzystuje modele uczenia maszynowego do wykrywania anomalii w danych płynących zarówno z PLC (Programmable Logic Controller), jak i z czujników BMS (Building Managment System).
4. Moduł planowania okresowych przeglądów – na podstawie danych historycznych i bieżącego stanu maszyn, oraz planów produkcyjnych, moduł ten jest w stanie określić optymalne daty dla przeglądów okresowych. Wymienione moduły wykorzystują informacje dostarczane przez cyfrowe modele (Digital Twins (DT) – cyfrowe bliźniaki) maszyn linii produkcyjnej oraz inne urządzenia produkcyjne, takie jak roboty/coboty/manipulatory. Moduł ten jest również odpowiedzialny za przetwarzanie i udostępnianie informacji z czujników BMS znajdujących się przy maszynach. Dane mogą być także odczytywane bezpośrednio z kontrolerów PLC, ale najczęściej odbywa się to za pośrednictwem systemu SCADA. Z kolei dane z manipulatorów są dostępne za pośrednictwem dedykowanych API.

CPLPP-Production

Rolą CPLPP-Production jest przede wszystkim planowanie produkcji zarówno w długim, jak i krótkim horyzoncie czasowym oraz śledzenie postępu produkcji. Moduł ten składa się z trzech głównych podmodułów:

1. Moduł dynamicznego planowania – odpowiedzialny za:
   1. planowanie długoterminowe oparte na modelu planowania i bilansowania zdolności produkcyjnych, uwzględniające długoterminowe umowy i prognozy sprzedaży;
   2. planowanie operacyjne, czyli sekwencjonowanie zadań z uwzględnieniem terminów realizacji, aktualnej dostępności maszyn, rzeczywistego postępu produkcji i bieżących kosztów produkcji.
2. Moduł kontroli produkcji – śledzenie bieżącego postępu produkcji, możliwych odchyleń od planu oraz monitorowanie standardów produkcji w celu dokładnego określenia szacowanego czasu zakończenia zadań produkcyjnych.
3. Kontrola krótkoterminowa materiałów, czyli weryfikacja dostępności materiałów, przede wszystkim surowców, ale również materiałów pomocniczych, niezbędnych do produkcji (opakowania, inserty, onserty i inne dodatki).

CPLPP-Distribution

Moduł CPLPP-Distribution optymalizuje zewnętrzny proces logistyczny. Składa się z trzech głównych modeli:

1. Model planowania transportu obejmujący przeładunki platform, dystrybucję produktów finalnych lub transport półproduktów do podwykonawców.
2. Model predykcyjny dla planowania przepływów i popytu na dystrybucję gotowych produktów, którego głównym celem jest określenie wymaganego transportu w konkretnych kierunkach – ze względu na charakter i wielkość produkcji firma korzysta z własnych oraz zewnętrznych środków transportu (giełdy logistyczne).
3. Model optymalizacji tras transportowych dla pojazdów, którymi firma może zarządzać. Obecnie, przede wszystkim z powodów ekonomicznych i organizacyjnych, nie jest możliwe wykorzystanie czujników GPS do określenia położenia pojazdów, więc nie został zbudowany cyfrowy model transportu zewnętrznego. Jednak w przyszłości moduł CPLPP-Distribution zostanie rozbudowany o taki model, co pozwoli na dynamiczną reakcję systemu na odchylenia od zaplanowanych tras i terminów dostaw.

Wdrożenie i przyszłe rozwinięcia

Architektura CPLPP przedstawiona w tym artykule nie jest ściśle zgodna z podstawowymi założeniami teoretycznymi platform cyberfizycznych, co wynika z przyjętego w jej projektowaniu dualizmu. Platforma łączy modele cyfrowe maszyn i urządzeń fizycznych (np. wózków widłowych) z modelami budowanymi na podstawie danych pochodzących z systemów transakcyjnych – WMS, TMS oraz systemów niższego poziomu monitorujących parametry maszyn (SCADA) i urządzeń (np. RTLS). Podstawowym zamysłem implementacji platformy w tej formie była cyfryzacja wszystkich kluczowych procesów w całym łańcuchu logistycznym i produkcyjnym, włącznie z elementami, które obecnie nie są w pełni monitorowane (cyfrowo odzwierciedlone), takimi jak na przykład dystrybucja do klientów końcowych. Oczywiście, w przyszłości te elementy mogą być zastąpione cyfrowymi odpowiednikami (np. poprzez wprowadzenie systemu śledzenia floty dystrybucyjnej opartego na GPS). To samo dotyczy budowy cyfrowych bliźniaków i obrazów fizycznych obiektów. Możliwe jest także dodanie nowych obiektów fizycznych, takich jak nowe Produkcja, bardziej autonomiczne wózki widłowe lub nowe roboty, do najniższej warstwy CPLPP.

W warstwie komunikacyjnej – istniejący system SCADA może zostać rozbudowany, można także zainstalować więcej czujników BMS. Elastyczna struktura platformy pozwala na łatwe modyfikowanie najniższej warstwy bez zakłócania jej funkcjonowania. Oczywiście, kluczową kwestią pozostaje modyfikacja algorytmów i pośrednich systemów wykorzystywanych do odpowiedniego wsparcia zapisywania nowych zmiennych procesowych. Niemniej jednak, system domyślnie posiada zdolność autoadaptacji do wielu nowych urządzeń lub zmian w warunkach produkcyjnych. Może on zostać wyposażony w modele uczenia maszynowego do analizy i optymalizacji wybranych procesów. Budowa takich modeli i ich ciągłe doskonalenie jest kluczowym kierunkiem przyszłego rozwoju CPLPP. Właściwa (docelowa) wersja platformy pozwoli na dodawanie nowych elementów lub ich zmianę bez wpływu na istniejące algorytmy, działające w warstwie cyfrowej.

Warto zauważyć, że cyfryzacja procesów logistycznych i produkcyjnych w branży kosmetycznej i farmaceutycznej, w porównaniu z innymi branżami (np. elektronicznej czy motoryzacyjnej), wymaga pokonania wielu dodatkowych barier. Po pierwsze, procesy logistyczne i produkcyjne mogą zachowywać się nieprzewidywalnie w zależności od parametrów środowiskowych (np. podwyższonej temperatury czy konieczności kwarantanny) lub parametrów materiałowych (np. niskiej jakości opakowania, które mogą doprowadzić do awarii na maszynie pakującej). Dodatkowym czynnikiem utrudniającym cyfryzację jest prędkość niektórych procesów, a także konieczność zachowania bezpieczeństwa mikrobiologicznego czy realizacja specjalnych procesów w pomieszczeniach typu clean room. Konieczne jest użycie szybkich czujników, które potencjalnie wygenerują duże ilości danych, a co za tym idzie konieczna jest agregacja tych danych i przetwarzanie ich przez odpowiednie algorytmy. Ze względu na specyfikę produkcji i możliwość powstawania dodatkowego zapylania w niektórych obszarach produkcyjnych (pylenie papieru, plastiku) konieczna będzie dodatkowa obsługa, taka jak czyszczenie czujników czy stosowanie specjalistycznych systemów odciągu.

Poruszone powyżej zagadnienia wskazują, iż właściwie zaimplementowana platforma cyberfizyczna jest systemem o znaczących możliwościach adaptacyjnych oraz to, że jej kluczowym czynnikiem jest metodyka analizy danych,  a także metodyka archiwizacji danych i wyników obliczeń, pozwalająca na wykorzystanie w analizach danych historycznych.

Bibliografia:

1. Jay Lee, Behrad Bagheri, Hung-An Kao, A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems, Manufacturing Letters 3, 2015, pp. 18–23.

Artykuł został opublikowany w kwartalniku "Świat Przemysłu Kosmetycznego" 2/2023