Case Histories
Ottimizzazione processi, filiera acciaio

Task
Analisi dati
Anomaly detection
Ottimizzazione
Settore
Manifatturiero
Filiera acciaio
Tecnologie
Ottimizzazione matematica
Op.pla
PROBLEMA
Ottimizzare oltre 1.200 ordini giornalieri relativi a un portafoglio di prodotti estremamente variegato in termini di tipologie di acciaio, dimensioni, lavorazioni meccaniche, trattamenti termici e superficiali.
Tenere conto dei vincoli produttivi quali: le diverse lavorazioni esterne, la capacità delle macchine, il raggruppamento degli ordini per iniziare un ciclo di lavoro, i vincoli organizzativi, i vincoli di sequenza delle lavorazioni.

Situazione iniziale
Il cliente utilizzava due strumenti per la pianificazione: un sistema gestionale che considerava infinita la capacità produttiva della fabbrica e un sistema di schedulazione tradizionale e generico che non rispecchiava i vincoli tecnici della produzione e schedulava ogni centro in maniera locale.
L’attività di programmazione e schedulazione risultava quindi molto onerosa in termini di tempo e poco efficiente in termini di risultati.
Soluzione messa in campo
É stato sviluppato uno strumento che permette l’ottimizzazione di tutto il flusso produttivo, considerando i vincoli tecnici, temporali e di capacità. In questo modo è stata semplificata l’operatività quotidiana nella programmazione e nel controllo dell’avanzamento della produzione, attraverso la realizzazione di una programmazione della produzione che massimizzi una funzione guadagno ben definita.
Lo strumento sviluppato permette di supportare ogni reparto produttivo nell’ottimizzazione della propria sequenza di lavoro su un orizzonte temporale di breve periodo (tipicamente qualche giorno) e rendere possibile un’interazione dinamica per la riprogrammazione e la realizzazione di analisi what-if (utili per simulare indisponibilità delle macchine e della materia prima, disponibilità di macchine aggiuntive/alternative, richieste urgenti).

Risultati raggiunti
Attraverso il sistema sviluppato si è reso possibile pianificare i nuovi ordini in modo da evitare sovraccarichi: su alcune famiglie di prodotto il ritardo è diventato trascurabile mentre su altre si è ridotto notevolmente. É migliorato il flusso di materiale in reparto e anche l’indicatore OTD (on time delivery) che si traduce in un migliore servizio reso al cliente e in un miglioramento dei flussi di cassa. Sono stati ridotti i costi di gestione per le attività di programmazione, attraverso la creazione di uno strumento per la condivisione della conoscenza, patrimonio dell’azienda. É migliorata la capacità dell’azienda di far fronte a imprevisti, attraverso la possibilità di simulare diversi scenari e capirne le ricadute sulle prestazioni del sistema.


Performances
Numero di ordini in ritardo
-50%
Performances
Ritardo medio in giorni
-60%
Performances
Work in process
-20%
Performances
Consegne in ritardo oltre le 2 settimane
-30%


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.
