Оптимизация складских процессов с помощью цифровых двойников: алгоритм и бизнес-кейс

Сегодня практически любая отрасль, которая нуждается в хранении товаров, управлении запасами, оптимизации поставок и планировании маршрутов, может воспользоваться математическими расчетами и имитационными моделями для улучшения своей деятельности. Эксперты и аналитики крупных компаний уверены, что цифровизация цепей поставок и интеграция цифровых двойников в складскую логистику обеспечивают значительный экономический эффект за счет снижения издержек. Более того, такие технологии позволяют компаниям подготовиться к пиковым нагрузкам и непредвиденным ситуациям без риска для бизнеса.

Одним из наиболее эффективных инструментов на этом пути является применение цифровых двойников. В этой статье мы рассмотрим, как цифровые модели могут быть использованы для анализа складских процессов, выявления узких мест и оптимизации работы складских комплексов.

Под «узкими местами» мы понимаем специфические операции или процессы на определенных участках, которые оказывают существенно больший негативный эффект на производительность всего объекта по сравнению с остальными процессами. Они могут проявляться в виде задержек, простоев и конфликтов между транспортными средствами, а также увеличенного времени выполнения операций. Для их выявления необходимо провести анализ параметров производительности и определить ключевые метрики, влияющие на эффективность работы склада.

Решение задачи поиска узких мест включает в себя несколько ключевых этапов:

1. Определение параметров производительности объекта в целом. Это может быть суммарный объем выполненных заданий за промежуток времени (например, количество обработанных на производственной линии деталей за смену или количество размещенных и отгруженных за сутки паллет).
2. Выделение атомарных операций. Например, перемещение материала между соседними точками производственных операций, либо перемещение паллеты с грузом между точками разгрузки, хранения, комплектации, отгрузки и т.п.
3. Определение метрик производительности атомарных операций. Например, время пребывания детали, материала или груза на этапе выполнения той или иной атомарной операции.
4. Построение имитационной модели на основе цифровых двойников. В имитационной модели должны быть реализованы все атомарные операции, и должна быть обеспечена возможность сбора необходимых метрик.
5. Подготовка наборов входных данных для моделирования. К примеру, можно использовать исторические данные, на основе которых будут подготовлены реалистичные входные потоки заданий на производство, размещение на хранение, отгрузку и т.п. Целесообразно подготовить несколько таких наборов, чтобы затем произвести усреднение или интегрирование результатов нескольких прогонов модели.
6. Оценка пропускной способности и загруженности участков, соответствующих атомарным операциям. На основе многократных прогонов имитационной модели с разными входными данными следует для каждого участка определить два параметра:

• Фактическую загруженность (сколько единиц товара или материала проходило через данный участок в определенные интервалы времени).
• Пропускную способность (максимальное количество единиц, которые способны проходить через данный участок за единицу времени).

Важно отметить, что в определенных случаях пропускную способность того или иного участка может быть более целесообразно определить с помощью отдельного места, либо аналитически.

7. Построение графика загруженности объекта. Используя полученные в результате имитационного моделирования графики загруженности различных участков и их предельную пропускную способность, можно построить полные цепочки последовательных операций для объекта в целом и выделить в этих последовательностях те участки, на которых загруженность близка к предельной пропускной способности. Следовательно, эти участки определяют и ограничивают общую максимальную скорость выполнения операций на объекте. Это и есть те самые «узкие места».

После обнаружения узких мест, следующим этапом является решение задачи оптимизации процессов с целью либо уменьшить нагрузку на узкие места, либо повысить производительность соответствующих участков, например, за счет автоматизации или роботизации. С этой целью формулируются различные гипотезы оптимизации, и каждая из них снова проверяется методом имитационного моделирования на основе цифровых двойников.

После того, как все гипотезы проверены и найдено наилучшее решение, можно переходить к внедрению новых процессов на реальном объекте.

Практический сценарий решения бизнес-задачи

1. Создание цифрового двойника

Сперва аналитики проводят детальное обследование физического склада. Затем с использованием математических методов и средств программирования создается виртуальная копия существующих объектов и процессов. Важно отметить, что моделируются не только физические устройства и исполнители (если на складе имеют место ручные операции), но также и программные системы, реализующие процессы бизнес-уровня.

Приведем реальный пример: в рамках одного из проектов моделирование позволило поменять технологию раскладки и конфигурацию автоматизированной системы хранения (рассчитать скорости, изменить количество ярусов), а также скорректировать размеры конвейерной системы. Так один из наших клиентов отработал на цифровом двойнике несколько гипотез, что в итоге привело к улучшению эффективности склада.

2. Выявление узких мест и точек роста

С помощью модели можно объективно оценить текущие логистические процессы и выявить узкие места, ограничивающие работу склада. Это позволяет определить, какие зоны требуют внимания в первую очередь.

3. Тестирование гипотез

Цифровая модель может быть использована для проведения what-if-экспериментов (в том числе при проектировании склада), что позволяет проанализировать, например, как количество персонала, маршруты перемещения, изменения в закреплении грузовых ворот за теми или иными зонами склада влияют на логистические процессы. С помощью цифрового двойника можно протестировать различные гипотезы, чтобы найти оптимальные решения для улучшения параметров.

4. Прогнозирование будущего

Если данные из WMS-системы передаются в имитационную модель в режиме реального времени, это дает возможность не только отслеживать производительность, но и точно прогнозировать возникновение узких мест или пиковых нагрузок. Это достигается путем прогона имитационной модели в режиме ускоренного времени, в результате чего, например, можно в течение нескольких минут смоделировать ситуацию, которая при имеющемся потоке заказов сложится на складе к началу следующей смены. Таким образом, можно заранее спланировать количество персонала и техники на следующую смену. В общем случае такая информация позволяет руководителям заранее запускать упреждающие сценарии, минимизируя риски и увеличивая эффективность работы.

Таким образом, применение цифровых двойников в складской логистике открывает новые возможности для анализа и оптимизации процессов. Этот инструмент не только помогает выявлять узкие места, но и предсказывает будущие изменения, что является ключевым для успешного управления складскими операциями и повышения общей производительности бизнеса.