Fabrika lojistik yönetimine genel bakış

Bir bakışta örnek

Factory logistics management tile

Örneğine erişmek için içinde Bonsaibeta özelliklerini etkinleştirmeniz gerekir.

Fabrika lojistik örneği, işletim maliyetlerini azaltırken fabrika çıkışını iyileştirmesi için bir Bonsai beyin eğitiyor. Eğitilen yapay zeka dışa aktarıldığında ürün lotu başına ortalama operasyonel maliyeti en aza indirirken, yapılandırılan üretim zamanlamasına göre yüksek bir üretim aktarım hızı sağlar.

  • Eğitim yöntemi: Reward işlevi
  • Eğitim ortamları: Benzetimi
  • Kavram türleri: Öğrenildi
  • Kavramlar: OptimizeFactory
  • Olası beyin eylemleri:
    • Kaynak havuzu boyutunu artırma/azaltma
    • Birim işleme süresini artırma/azaltma
    • Taşıyıcı hızını artırma/azaltma

Örneği alma

Örnek beyin belirtimini (Mürekkep Oluşturma) ve simülatörün yönetilen bir sürümünü kullanıcı arabirimindeki çözüm döngüleri Bonsaiile BonsaiKullanmaya başlayın çalışma alanınıza Bonsai ekleyebilirsiniz.

Eğitim ortamı

Fabrika lojistik örneği, beyin eğitimi için bir simülasyon kullanır. Gelen lotlar, kullanılabilir iki kaynak havuzundan kaynak talep eder, işlemeyi tamamlar ve ardından tamamlanmamış kaynakları serbest bırakır.

Simülasyon modeli, lotlar fabrikaya geldikçe ürün lot hareketlerini izler, makine ve taşıyıcı işlemlerinden geçer, ardından sistemden çıkar. İyileştirme hesaplamaları, üretim süreçleri için standart etkinlik tabanlı maliyet analizini (ABCA) temel alır.

Buna eşlik eden simülasyon, kaynak kullanımıyla ilişkili operasyonel maliyetleri hesaplamak için dinamik talebi temel alan kaynak ayırma ve kaynak tüketimi yönetimini de izler. Her üretim adımında biriken operasyonel maliyetler analiz ve iyileştirme için çeşitli kategorilere ayrılmıştır.

Her eğitim yinelemesinde, Bonsai simülatörden aşağıdaki durum bilgilerini içeren bir SimState nesne alır:

  • arrivalRate: sisteme günde gelen ürün lotlarının ortalama sayısı. Varış saatleri üstel olarak dağıtılır.
  • recentNProducts: son yinelemede üretilen ürünlerin sayısı
  • costPerProduct: ürün başına geçerli ortalama maliyet
  • utilizationResourceA: A havuzundaki kaynakların ne kadar iyi kullanıldığı
  • utilizationResourceB: B havuzundaki kaynakların ne kadar iyi kullanıldığı
  • ratioFullQueueA: A havuzu için kuyruğun dolu olduğu sürenin bir kısmı
  • ratioFullQueueB: B havuzu için kuyruğun dolu olduğu sürenin bir kısmı
  • ratioCostIdleA: A havuzundan kaynak bekleme maliyetinin yüzdesi
  • ratioCostIdleB: B havuzundan kaynak bekleme maliyetinin yüzdesi
  • ratioCostWaiting: kuyrukta bekleyen birimlerden gelen maliyetin yüzdesi
  • ratioCostProcessing: etkin işleme maliyetinin yüzdesi
  • ratioCostMoving: taşıma birimlerinden maliyetin yüzdesi
  • exceededCapacityFlag: Giriş sayısının sistemin maksimum kapasitesini aşıp aşmadığı
  • simTimeMonths: Şu ana kadar aylar içinde simülasyon yapılan toplam süre
type SimState {
    arrivalRate: number<0.5 .. 2.0>,
    recentNProducts: number,
    costPerProduct: number,
    utilizationResourceA: number<0 .. 1>,
    utilizationResourceB: number<0 .. 1>,
    ratioFullQueueA: number<0 .. 1>,
    ratioFullQueueB: number<0 .. 1>,
    ratioCostIdleA: number<0 .. 1>,
    ratioCostIdleB: number<0 .. 1>,
    ratioCostWaiting: number<0 .. 1>,
    ratioCostProcessing: number<0 .. 1>,
    ratioCostMoving: number<0 .. 1>,

    exceededCapacityFlag: number<0, 1, >,
    simTimeMonths: number<0 .. 7>
}

İpucu

Factor logistics simülasyon modeline daha ayrıntılı bir bakış için ABCA modeline genel bakış bölümüne bakın.

Kavram listesi

OptimizeFactory

OptimizeFactory öğrenilen bir kavramdır.

Beyin, eğitim sırasında simülasyon durumu bilgilerinin bir alt kümesine nesne ObservableState olarak erişebilir.

type ObservableState {
    arrivalRate: number
}