Case Histories
Ottimizzazione processi, chimico
Task
Analisi dati
Ottimizzazione
Settore
Manifatturiero
Chimico
Tecnologie
Ottimizzazione matematica
Op.pla
problema
Ottimizzare l’accorpamento degli ordini per massimizzare l’utilizzo dei reattori, considerando tutti i vincoli presenti, ovvero la capacità finita dei reattori e la disponibilità degli stessi, i tempi di bonifica tra una lavorazione e l’altra, le risorse uomo che servono per caricare e scaricare il materiale, la disponibilità della materia prima a magazzino.
Situazione iniziale
Il cliente utilizzava un sistema gestionale che generava gli ordini di produzione sulla base del materiale a magazzino, considerando infinita la capacità produttiva della fabbrica.
Vengono gestiti circa 500 ordini di vendita che si traducono in circa 2500 ordini di produzione dei semilavorati.
Il ciclo di lavorazione è molto corto, una o due fasi per ogni semilavorato, ma gli ordini sono estremamente collegati tra loro per l’ottenimento dei prodotti finali, caratteristica che rende molto complessa la modellazione matematica del sistema produttivo.
Soluzione messa in campo
Il sistema sviluppato ricrea la catena degli ordini di produzione necessari per l’ottenimento del prodotto finito e li pianifica sulle diverse macchine, considerando anche ordini aggiuntivi per la creazione di semilavorati a magazzino mirati all’ottimizzazione della capacità delle macchine. Si occupa inoltre di schedulare gli ordini di acquisto della materia prima in modo da mantenere il magazzino costantemente rifornito.
La logica gestita dall’ottimizzatore matematico a capacità finita ha l’obiettivo di realizzare prodotti compatibili sulla stessa macchina, per minimizzare le bonifiche necessarie (in termini di tempo e risorse uomo), rispettando i vincoli di sequenzialità per l’ottenimento dei prodotti finiti.
Risultati raggiunti
Attraverso una migliore schedulazione degli ordini di produzione è tato possibile aumentare la produttività dell’azienda, minimizzando i tempi morti dovuti alle bonifiche tra una lavorazione e l’altra e gestendo in modo più efficace i pochi operatori addetti all’attrezzaggio dei reattori.
Inoltre è stato possibile pianificare e mantenere nel tempo un magazzino di materiale semilavorato a cui attingere per la realizzazione dei nuovi ordini.
Sviluppi in corso
É attualmente in corso un progetto R&D interno volto all’implementazione di un sistema di intelligenza artificiale come alternativa all’ottimizzazione classica. Il metodo in fase di test è basato sull’approccio “Multiagent Deep Reinforcement Learning” (MDRL) che permette, tenendo fissa la data di consegna al cliente, di guardare avanti, cercando soluzioni sub-ottime che migliorano la corrente pianificazione in relazione a diversi scenari.
Questo permetterebbe una gestione ottimale degli eventi non pianificati, riducendo i tempi di calcolo della soluzione e reagendo in maniera data-driven alle modifiche improvvise che si possono verificare in produzione.