Development and implementation of a framework for Model Predictive Control of discrete-event manufacturing systems

In de uitgestrekte, zoemende wereld van de moderne productie zijn fabrieken niet langer slechts rijen machines die onderdelen van de ene naar de andere station verplaatsen. Het zijn complexe, levende netwerken waar beslissingen in fracties van seconden genomen moeten worden om de productie gaande te houden. Stel je een fabrieksvloer voor waar een robotarm moet beslissen of hij nu een onderdeel oppakt of wacht, of waar een transportband een pakket moet omleiden omdat een machine verderop is stilgevallen. Decennialang hebben ingenieurs vertrouwd op een krachtige methode genaamd Model Predictive Control om deze beslissingen te beheren. Deze aanpak werkt als een schaker die enkele zetten vooruit kijkt: het gebruikt een wiskundig model van de fabriek om te voorspellen wat er in de toekomst zal gebeuren, berekent de beste reeks acties om een doel te bereiken, en voert vervolgens de allereerste stap uit voordat het proces opnieuw wordt gestart. Hoewel deze methode industrieën zoals de chemische verwerking heeft gerevolutioneerd, waar reacties vloeiende, continue wetten volgen, heeft het moeite gehad om voet aan de grond te krijgen in de discrete productie. Hier zijn de "zetten" duidelijke gebeurtenissen—een aankomend onderdeel, een machine die een cyclus voltooit, een robot die een object grijpt—in plaats van vloeiende stromen. Het enorme aantal mogelijke combinaties en logische regels in deze systemen maakt het bouwen van de noodzakelijke wiskundige modellen ongelooflijk moeilijk, wat vaak teams van experts vereist om voor elke machine en robot aangepaste vergelijkingen te schrijven.

Een team onderzoekers uit Italië heeft een nieuwe manier ontwikkeld om dit probleem op te lossen, door een flexibel, open-source framework te creëren dat fabrieken in staat stelt deze geavanceerde besturingsmethode te gebruiken zonder de zware last van handmatige modellering. In plaats van ingenieurs te vragen complexe vergelijkingen voor elk stuk apparatuur te schrijven, kijkt hun systeem naar de fysieke lay-out van de fabriek—de "topologie"—en bouwt automatisch de besturingslogica op basis van hoe de machines en robots met elkaar verbonden zijn. De onderzoekers, werkend met de Nationale Raad voor Onderzoek en de Polytechnische Universiteit van Milaan, hebben een softwaretool ontworpen die de fabriek behandelt als een kaart van onderling verbonden blokken. Deze blokken vertegenwoordigen alles, van de machines zelf tot de buffers waar onderdelen wachten, en zelfs de robots die ze verplaatsen. Door simpelweg te definiëren hoe deze blokken met elkaar verbonden zijn, genereert de software automatisch de regels die nodig zijn om de productiestroom te besturen. Het gebruikt vervolgens een krachtige solver om de best mogelijke reeks zetten te berekenen om de fabriek efficiënt te laten draaien, waarbij vertragingen en energieverbruik worden geminimaliseerd.

De kern van deze innovatie is een taal die het team heeft ontwikkeld om de structuur van de fabriek te beschrijven, die ze de Plant Topology Modeling Language noemen. In dit systeem is een fabriek geen lijst met getallen, maar een graaf van relaties. Er zijn items, wat de fysieke objecten zijn die worden gemaakt, en containers, wat de plaatsen zijn waar die items zich bevinden, zoals een bufferzone of een laadpoort van een machine. Er zijn ook resources, zoals robotarmen, die items van de ene container naar de andere verplaatsen. De software begrijpt dat een robot niet een onderdeel uit een lege container kan pakken, of dat een machine niet aan een nieuwe cyclus kan beginnen totdat de vorige is voltooid. Dit zijn geen hard-coded regels voor een specifieke fabriek; het zijn algemene principes die de software automatisch toepast zodra het de verbindingen tussen de blokken ziet. Wanneer het systeem draait, controleert het voortdurend de huidige status van de fabriek—waar elk onderdeel zich bevindt, welke machines bezig zijn en welke vrij zijn. Het kijkt vervolgens vooruit over een specifieke periode, bekend als een voorspellingshorizon, om te zien wat er gebeurt als er verschillende acties worden ondernomen. Het berekent het beste pad vooruit, stuurt de eerste opdracht naar de machines, en start vervolgens onmiddellijk de berekening opnieuw met de nieuwe informatie, waardoor het zich direct aanpast aan veranderingen zoals een defecte machine of een nieuwe order.

Om dit in een echte omgeving werkend te krijgen, hebben de onderzoekers hun software geïntegreerd in een gelaagd automatiseringssysteem dat weerspiegelt hoe moderne fabrieken daadwerkelijk zijn georganiseerd. Aan de top staat een planningslaag die bepaalt wat er gemaakt moet worden en in welke volgorde. In het midden fungeert een supervisielaag als de brug, die die hoogwaardige plannen vertaalt naar specifieke instructies voor de machines. Onderaan voeren de machines en robots de commando's uit. De schoonheid van dit framework is dat de middelste laag met de machines kan communiceren, of het nu gaat om echte hardware of gesimuleerde versies op een computer. Dit stelt ingenieurs in staat om het besturingssysteem grondig te testen in een virtuele omgeving voordat ze ooit een fysieke fabrieksvloer aanraken. Als een machine offline gaat of een robot faalt, detecteert het systeem de verandering, werkt het zijn interne kaart van de fabriek bij en berekent het de beste koers van actie zonder dat een mens iets hoeft te herprogrammeren. Deze aanpasbaarheid is cruciaal, omdat productieomgevingen zelden statisch zijn; ze veranderen constant, en een besturingssysteem dat zich niet aan die veranderingen kan aanpassen, is van weinig nut.

De onderzoekers testten hun framework op een gesimuleerde fabriek met zevenentwintig verschillende besturingseenheden, vierenveertig containers voor onderdelen en zesennegentig mogelijke acties die het systeem kon ondernemen. De resultaten lieten zien dat het systeem succesvol de complexe web van beslissingen kon navigeren die nodig zijn om de fabriek draaiende te houden. De tests onthulden echter ook een fundamentele beperking: naarmate het aantal onderdelen in de fabriek toeneemt, of naarmate de tijd die het systeem in de toekomst kijkt langer wordt, groeit de tijd die nodig is om de beste oplossing te berekenen zeer snel. Dit is een bekend probleem bij complexe optimalisatievraagstukken, waarbij het aantal mogelijke scenario's exponentieel explodeert. De onderzoekers ontdekten dat om het systeem snel genoeg te houden voor real-time gebruik, het noodzakelijk is om het aantal onderdelen dat het systeem op elk gegeven moment probeert te optimaliseren te beperken. Ze toonden aan dat door onderdelen die niet onmiddellijk nodig zijn voor de hoofdcontrolelus te verbergen, het systeem efficiënt kon blijven zonder het zicht op de algemene productiedoelen te verliezen. Deze aanpak stelt de fabriek in staat om een groot aantal items te verwerken door zich alleen te concentreren op de items die onmiddellijke aandacht nodig hebben, waardoor de complexiteit effectief wordt beheerd.

Een van de belangrijkste bevindingen was hoe het systeem omgaat met potentiële gridlocks. In een fabriek treedt een deadlock op wanneer twee of meer machines op elkaar wachten om een onderdeel vrij te geven, wat een verkeersopstopping veroorzaakt die de productie volledig stillegt. De onderzoekers merkten op dat hoewel hun systeem niet kan garanderen dat een deadlock in elk mogelijk scenario voorkomen kan worden, het wel afgesteld kan worden om ze te vermijden. Door de prioriteiten in de kostenfunctie aan te passen—de wiskundige maatstaf voor wat het systeem probeert te bereiken—kunnen ingenieurs paden bestraffen die waarschijnlijk tot een opstopping leiden. Bijvoorbeeld, het systeem kan de instructie krijgen om een onderdeel niet in een buffer te plaatsen die al vol is, of om machines te prioriteren die minder waarschijnlijk vastlopen. De simulaties toonden aan dat het systeem, met zorgvuldige afstemming, rond deze potentiële knelpunten kan navigeren en de stroom van de productie soepel kan houden. Het framework bevat ook veiligheidsmaatregelen op machiniveau; als een commando wordt verzonden dat een machine niet kan uitvoeren, bijvoorbeeld omdat een sensor is uitgevallen of een onderdeel ontbreekt, kan de machine het commando weigeren en om een nieuw plan vragen, om te voorkomen dat het systeem crasht.

Dit werk vormt een belangrijke stap naar het toegankelijk maken van geavanceerde besturingssystemen voor een breder scala aan fabrikanten. Door de noodzaak voor aangepaste wiskundige modellering weg te nemen, verlaagt het framework de drempel voor fabrieken die hun operaties willen optimaliseren maar niet de middelen hebben om gespecialiseerde teams van wiskundigen in te huren. De software is open-source, wat betekent dat deze vrij beschikbaar is voor iedereen om te gebruiken, bestuderen of verbeteren. De onderzoekers zijn al begonnen met het testen van het framework in een echte setting bij een fabriek voor contactlenzen, waarbij ze de stap zetten van de veiligheid van computersimulaties naar de prestaties met werkelijke hardware. Hoewel het systeem geen magische oplossing is die elk probleem onmiddellijk oplost, biedt het een schaalbare en kosteneffectieve manier om intelligente, adaptieve besturing te brengen naar de chaotische en dynamische wereld van de discrete productie. De toekomst van deze technologie ligt in het verfijnen van de manier waarop de optimalisatieproblemen worden geformuleerd om ze nog sneller en krachtiger te maken, zodat naarmate fabrieken complexer worden, hun besturingssystemen in staat zijn om direct mee te evolueren.