{"id":1305,"date":"2020-09-29T16:17:48","date_gmt":"2020-09-29T14:17:48","guid":{"rendered":"https:\/\/versabox.eu\/intralogistyka-data-driven-2\/"},"modified":"2024-09-04T17:28:21","modified_gmt":"2024-09-04T15:28:21","slug":"intralogistyka-data-driven-2","status":"publish","type":"blog","link":"https:\/\/versabox.eu\/pl\/blog\/intralogistyka-data-driven-2\/","title":{"rendered":"Intralogistyka „Data Driven”"},"content":{"rendered":"\n

Data-driven<\/em><\/strong>\u00a0to jeden z gor\u0105cych trend\u00f3w w gospodarce, w tym szczeg\u00f3lnie w przemy\u015ble. Chodzi w nim o to, aby zarz\u0105dzanie procesami biznesowymi oprze\u0107 na analizie danych. Celem jest\u00a0monetyzacja\u00a0danych, czyli w praktyce optymalizacja koszt\u00f3w produkcji (oszcz\u0119dno\u015bci) i poprawienie wynik\u00f3w sprzeda\u017cy (maksymalizacja zysku). Oferowany przez\u00a0Versabox\u00a0system transportowy\u00a0Autonomy@Work\u00a0umo\u017cliwia zarz\u0105dzanie flot\u0105 robot\u00f3w VERSABOT klasy AMR w modelu\u00a0<\/strong>data-driven<\/em><\/strong>. Istotnym komponentem systemu jest\u00a0VersaBox\u00a0Virtual\u00a0Factory\u00a0\u2013 narz\u0119dzie do modelowania pracy system\u00f3w\u00a0intralogistycznych. Roboty i platforma programowa tworz\u0105 kompletne rozwi\u0105zanie\u00a0intralogistyczne\u00a0o ogromnym potencjale optymalizacyjnym.<\/strong>\u00a0<\/p>\n\n\n\n

Ka\u017cdy zak\u0142ad przemys\u0142owy, ka\u017cda linia produkcyjna i ka\u017cda maszyna produkuje ogromne ilo\u015bci danych. Tylko niewielka ich cz\u0119\u015b\u0107 jest wykorzystywana w procesach zarz\u0105dzania produkcj\u0105. Metodologia\u00a0data-driven<\/em>\u00a0ma na celu gromadzenie i przetwarzanie danych do postaci, w kt\u00f3rej stan\u0105 si\u0119 one podstaw\u0105 do podejmowania decyzji biznesowych.\u00a0<\/p>\n\n\n\n

Przeczytaj czym jest intralogistyka<\/a><\/p>\n\n\n\n

Czego dowiesz si\u0119 od systemu\u00a0autonomy@work?\u00a0\u00a0\u00a0<\/h2>\n\n\n\n

Wykorzystuj\u0105c roboty AMR czy uruchamiaj\u0105c symulacj\u0119, uzyskujemy dost\u0119p do precyzyjnych danych na temat parametr\u00f3w proces\u00f3w\u00a0intralogistycznych, a w efekcie r\u00f3wnie\u017c produkcyjnych. Mo\u017cemy na bie\u017c\u0105co monitorowa\u0107 czas realizacji poszczeg\u00f3lnych etap\u00f3w przep\u0142ywu materia\u0142\u00f3w i produkt\u00f3w:\u00a0<\/p>\n\n\n\n

    \n
  • Minimalne, maksymalne oraz u\u015brednione czasy dostawy i odbioru<\/strong>\u00a0\u2013 wiedz\u0105c, ile czasu up\u0142ywa od z\u0142o\u017cenia zam\u00f3wienia do fizycznej realizacji dostawy, mo\u017cemy z odpowiednim wyprzedzeniem sk\u0142ada\u0107 zam\u00f3wienia na dostawy potrzebnych komponent\u00f3w i zleca\u0107 odbi\u00f3r gotowych produkt\u00f3w;\u00a0<\/li>\n
  • czas trwania cykl\u00f3w pracy linii produkcyjnych\u00a0<\/strong>\u2013 otrzymujemy informacje na temat realnego czasu trwania jednego cyklu pracy linii, a w efekcie mo\u017cemy na bie\u017c\u0105co dostarcza\u0107 potrzebne komponenty i odbiera\u0107 gotowe wyroby bez konieczno\u015bci tworzenia zapas\u00f3w. Mo\u017cemy te\u017c bada\u0107 efektywno\u015b\u0107 pracy ka\u017cdej linii produkcyjnej, dzi\u0119ki zestawieniu\u00a0volumenu\u00a0transport\u00f3w do\/z linii produkcyjnej per zmiana\/pracownik\u00a0<\/li>\n
  • potrzebna wielko\u015b\u0107 p\u00f3l buforowych\u00a0<\/strong>\u2013 bufory s\u0105 niezb\u0119dne do sprawnego dzia\u0142ania dostaw i utrzymania p\u0142ynno\u015bci produkcji \u2013 okre\u015blenie optymalnej wielko\u015bci bufor\u00f3w usprawnia i znacz\u0105co skraca realizacj\u0119 ca\u0142ego \u0142a\u0144cucha.\u00a0<\/li>\n<\/ul>\n\n\n\n

    Wymienione parametry w tradycyjnych systemach\u00a0intralogistycznych\u00a0s\u0105 trudne do uchwycenia i standaryzacji. Je\u017celi zastosujemy roboty AMR, nie tylko otrzymamy \u0142atwy dost\u0119p do danych, ale tak\u017ce pe\u0142n\u0105 przewidywalno\u015b\u0107 proces\u00f3w. Autonomiczne maszyny gwarantuj\u0105 bardzo dok\u0142adn\u0105 powtarzalno\u015b\u0107 czynno\u015bci, co pozwala wyeliminowa\u0107 rozbie\u017cno\u015bci czasowe. Okre\u015blony proces jest wykonywany zawsze w niemal identycznym czasie. Dzi\u0119ki temu zyskujemy realn\u0105 kontrol\u0119 nad \u0142a\u0144cuchami dostaw. Wykorzystanie danych pozwala zoptymalizowa\u0107 ca\u0142y system transportu wewn\u0119trznego w fabryce czy magazynie.\u00a0<\/p>\n\n\n\n

    Wirtualne modele zast\u0119puj\u0105 arkusze kalkulacyjne\u00a0\u00a0\u00a0<\/h2>\n\n\n\n

    W stosowanych obecnie metodach zarz\u0105dzania\u00a0intralogistyk\u0105\u00a0i projektowania system\u00f3w transportu wewn\u0119trznego podstawowym narz\u0119dziem ci\u0105gle jest arkusz kalkulacyjny. Tradycyjny model projektowania system\u00f3w\u00a0intralogistycznych\u00a0opiera si\u0119 na wiedzy i do\u015bwiadczeniu, a tak\u017ce na intuicji os\u00f3b buduj\u0105cych systemy transportowe. Nie bez znaczenia jest te\u017c aspekt emocjonalny, czyli np. forsowanie w\u0142asnych pomys\u0142\u00f3w i rozwi\u0105za\u0144, o kt\u00f3rych s\u0142uszno\u015bci jeste\u015bmy przekonani. Proces decyzyjny opiera si\u0119 o subiektywn\u0105, nie zawsze racjonaln\u0105, ocen\u0119 sytuacji. Efektem jest du\u017ce ryzyko b\u0142\u0119d\u00f3w, a w konsekwencji nietrafionych decyzji biznesowych, np. zwi\u0105zanych z zakupami maszyn czy \u015brodk\u00f3w transportu wewn\u0119trznego. Bazuj\u0105c na arkuszu kalkulacyjnym nie przewidzimy i nie rozwi\u0105\u017cemy problem\u00f3w interakcji, w kt\u00f3re wchodz\u0105 autonomiczne roboty ze sob\u0105, innymi \u015brodkami transportu czy personelem ludzkim.\u00a0<\/strong>Trudno na przyk\u0142ad oceni\u0107, gdzie powstanie kolejka robot\u00f3w i jak\u0105 b\u0119dzie mia\u0142a d\u0142ugo\u015b\u0107. A ju\u017c ca\u0142kowicie niemo\u017cliwe b\u0119dzie przeanalizowanie wp\u0142ywu czasu oczekiwania w kolejce na ruch w innych rejonach hali.\u00a0<\/p>\n\n\n\n

    Model\u00a0data-driven\u00a0intralogistic<\/em>\u00a0zmierza do oparcia procesu decyzyjnego na danych, czyli na obiektywnych informacjach na temat realnych warunk\u00f3w panuj\u0105cych w hali produkcyjnej. Zebrane informacje wykorzystywane s\u0105 do stworzenia wirtualnego modelu hali wraz z pracuj\u0105cymi w niej maszynami i lud\u017ami. Jest on doskona\u0142ym \u015brodowiskiem do testowania wszystkich planowanych zmian, zanim zostan\u0105 wdro\u017cone w realnej przestrzeni produkcyjnej.\u00a0<\/p>\n\n\n\n

    Ostatecznym celem tworzenia modelu jest powstanie tzw. wirtualnego bli\u017aniaka (digital\u00a0twin<\/em>), czyli odtworzenia hali produkcyjnej w \u015bwiecie wirtualnym. Model, zasilany na bie\u017c\u0105co danymi procesowymi, ulega sta\u0142emu doskonaleniu. W pewnym momencie staje si\u0119 niemal idealnym odzwierciedleniem wszystkich proces\u00f3w zachodz\u0105cych w realnej przestrzeni. W tak wykreowanym \u015brodowisku mo\u017cna przeprowadzi\u0107 dowolne testy. Na odpowiedzi nie trzeba d\u0142ugo czeka\u0107. W \u015bwiecie wirtualnym czas przestaje by\u0107 barier\u0105, bo procesy mo\u017cna dowolnie przyspiesza\u0107. W ci\u0105gu kilku godzin model dostarcza informacji, kt\u00f3rych uzyskanie w rzeczywisto\u015bci mog\u0142oby trwa\u0107 kilka miesi\u0119cy. Wyniki s\u0105 tym wiarygodniejsze, im wi\u0119cej danych wprowadzili\u015bmy do modelu. W praktyce oznacza to, \u017ce im d\u0142u\u017cej istnieje wirtualny bli\u017aniak, tym cenniejszych informacji mo\u017ce dostarczy\u0107 na temat swojego realnego pierwowzoru.\u00a0<\/p>\n\n\n\n

    Do przestawienia tradycyjnego zarz\u0105dzania\u00a0intralogistyk\u0105\u00a0na model\u00a0data-driven<\/em>\u00a0potrzebne s\u0105 autonomiczne w\u00f3zki transportowe (roboty AMR) oraz odpowiedni system do modelowania proces\u00f3w i zarz\u0105dzania flot\u0105.\u00a0<\/p>\n\n\n\n

    VersaBox\u00a0Virtual\u00a0Factory\u00a0<\/h2>\n\n\n\n
    \n
    \"intralogistyka\"<\/figure>\n<\/div>\n\n\n\n

    VersaBox\u00a0oferuje kompletne rozwi\u0105zanie\u00a0intralogistyczne, kt\u00f3rego sk\u0142adnikami s\u0105 roboty AMR\u00a0VersaBot\u00a0oraz platforma\u00a0Autonomy@Work. Mo\u017cliwo\u015bci wykorzystania systemu dotycz\u0105 wszystkich etap\u00f3w organizacji i zarz\u0105dzania transportem wewn\u0119trznym:\u00a0<\/p>\n\n\n\n

      \n
    • analiza przedwdro\u017ceniowa<\/strong>\u00a0\u2013VVF pozwala wymodelowa\u0107 i przetestowa\u0107 system transportu wewn\u0119trznego, zanim jakiekolwiek dzia\u0142ania zostan\u0105 przeprowadzone w fizycznej przestrzeni produkcyjnej, a w efekcie zredukowa\u0107 ryzyko inwestycyjne skr\u00f3ci\u0107 czas i obni\u017cy\u0107 koszty wdro\u017cenia,\u00a0<\/li>\n
    • monitorowanie i optymalizacja w trakcie eksploatacji<\/strong>\u00a0\u2013\u00a0platforma stworzona przez\u00a0VersaBox\u00a0umo\u017cliwia monitoring pracy floty robot\u00f3w AMR w czasie rzeczywistym i natychmiastowe wprowadzanie korekt,\u00a0<\/li>\n
    • testowanie modyfikacji przed implementacj\u0105<\/strong>\u00a0\u2013\u00a0planowane modyfikacje i rozszerzenia systemu transportu wewn\u0119trznego mo\u017cna przetestowa\u0107 na wirtualnym modelu, co pozwala unikn\u0105\u0107 kosztownych b\u0142\u0119d\u00f3w i niepotrzebnych inwestycji.\u00a0<\/li>\n<\/ul>\n\n\n\n

      Mo\u017cliwo\u015bci systemu mo\u017cna poszerzy\u0107 poprzez wprowadzenie elektronicznych znacznik\u00f3w. Pozwol\u0105 one wprowadzi\u0107 do wirtualnego modelu hali produkcyjnej czy magazynowej informacje o ruchach wszystkich obiekt\u00f3w \u2013 robot\u00f3w AMR, w\u00f3zk\u00f3w wid\u0142owych, poci\u0105g\u00f3w logistycznych i ludzi. Dzi\u0119ki temu przy obliczeniach nie b\u0119dziemy operowa\u0107 zak\u0142adan\u0105 \u015bredni\u0105 pr\u0119dko\u015bci\u0105 poruszania si\u0119 obiekt\u00f3w, lecz wykorzystamy dane z realnego \u015brodowiska pracy. Efekt? Nieosi\u0105galna innymi sposobami precyzja modelowania proces\u00f3w. Algorytm samoucz\u0105cy b\u0119dzie m\u00f3g\u0142 przeanalizowa\u0107 tysi\u0105ce realnych sytuacji. W oparciu o nie odpowie na pytania o nast\u0119pstwa ka\u017cdej zmiany, kt\u00f3r\u0105 zechcemy wdro\u017cy\u0107. Podsunie nam najlepsze rozwi\u0105zania optymalizacyjne.\u00a0<\/p>\n\n\n\n

      Ju\u017c pierwsze praktyczne wykorzystania systemu VVF dowiod\u0142y, \u017ce modelowanie zmian oraz ich optymalizacja na wirtualnym modelu daje do 30% redukcji koszt\u00f3w wdro\u017ce\u0144.\u00a0<\/p>\n\n\n\n

      Wirtualny model hali produkcyjnej czy magazynowej zainstalowany jest w chmurze (cloud\u00a0computing<\/em>). Klient mo\u017ce dostarczy\u0107 dane i zleci\u0107 odpowiednie testy lub przeprowadzi\u0107 ca\u0142y proces samodzielnie. Wszystko zale\u017cy od wykupionego zakresu us\u0142ug.\u00a0<\/p>\n\n\n\n

      Konserwacja realnie predykcyjna\u00a0<\/h2>\n\n\n\n

      VersaBox\u00a0Virtual\u00a0Factory\u00a0pozwala modelowa\u0107 prac\u0119 robot\u00f3w AMR i innych element\u00f3w sytemu\u00a0intralogistycznego\u00a0w d\u0142ugich okresach. Oznacza to, \u017ce mo\u017cliwe staje si\u0119 np. dok\u0142adne policzenie liczby motogodzin, kt\u00f3re maszyna dopiero wypracuje w danym przedziale czasowym. Z kolei bie\u017c\u0105cy monitoring pracy pozwoli wychwyci\u0107 rozbie\u017cno\u015bci pomi\u0119dzy modelem, a rzeczywist\u0105 eksploatacj\u0105. Nic nie stoi te\u017c na przeszkodzie, aby roboty same informowa\u0142y o swoim stanie technicznym. Dane procesowe z czujnik\u00f3w temperatury czy wibracji mog\u0105 zosta\u0107 przetworzone do postaci raport\u00f3w dla s\u0142u\u017cb utrzymania ruchu.\u00a0<\/p>\n\n\n\n

      Wspomniane wy\u017cej dane stanowi\u0105 doskona\u0142\u0105 baz\u0119 do stworzenia precyzyjnych plan\u00f3w konserwacji robot\u00f3w. B\u0119d\u0105 one oparte na realnym stanie maszyn, a nie na ustalonym z g\u00f3ry harmonogramie, jak to ma miejsce w przypadku typowej konserwacji prewencyjnej. Prowadz\u0105c bie\u017c\u0105cy monitoring mo\u017cemy podj\u0105\u0107 z odpowiednim wyprzedzeniem dzia\u0142ania zapobiegawcze i nie dopu\u015bci\u0107 do wyst\u0105pienia awarii. Te same dane mo\u017cna wykorzysta\u0107 do precyzyjnego bud\u017cetowania wydatk\u00f3w na konserwacj\u0119. W efekcie nowe podej\u015bcie do zarz\u0105dzania\u00a0intralogistyk\u0105\u00a0pozwala przestawi\u0107 r\u00f3wnie\u017c utrzymanie ruchu na model\u00a0data-driven<\/em>.\u00a0<\/p>\n","protected":false},"author":1,"featured_media":1282,"template":"","categories":[20],"tags":[],"class_list":["post-1305","blog","type-blog","status-publish","has-post-thumbnail","hentry","category-intralogistyka"],"acf":[],"_links":{"self":[{"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/blog\/1305","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/users\/1"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/media\/1282"}],"wp:attachment":[{"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/media?parent=1305"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/categories?post=1305"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/versabox.eu\/pl\/wp-json\/wp\/v2\/tags?post=1305"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}