Otimização do planejamento da produção industrial por meio de sistemas inteligentes de gêmeos digitais

O desafio

Resumo

Este estudo de caso examina a implementação pela McKinsey & Company de uma solução avançada de programação para um grande fabricante de automóveis usando a tecnologia de simulação da Simio. O cliente enfrentou desafios significativos para otimizar as sequências de produção em várias linhas de manufatura, pois os métodos tradicionais de programação não conseguiam pesquisar com eficiência o vasto espaço de soluções de possíveis programações. A McKinsey desenvolveu um sistema gêmeo digital inteligente que combinava os recursos de simulação do Simio com técnicas personalizadas de otimização de algoritmos genéticos. A implementação alcançou melhorias de rendimento de até 13% sem investimento de capital adicional, demonstrando o poder da otimização baseada em simulação em ambientes de manufatura. Este estudo de caso detalha a abordagem técnica, os desafios de implementação e os resultados comerciais quantificáveis dessa iniciativa bem-sucedida de transformação digital.

Introdução

A rápida evolução das tecnologias digitais transformou as operações de manufatura com o advento do Setor 4.0. Dentro desse novo paradigma, a simulação de gêmeos digitais surgiu como uma tecnologia essencial para otimizar ambientes de produção complexos. A McKinsey & Company, uma empresa global de consultoria de gestão, desenvolveu uma experiência significativa na implementação de sistemas inteligentes de gêmeos digitais que combinam feeds de dados do mundo real, simulações de primeiros princípios, inteligência artificial e otimização matemática.

Para um grande fabricante de automóveis, a McKinsey identificou uma oportunidade de melhorar significativamente o rendimento da produção por meio da otimização avançada da programação. O cliente operava três linhas de produção paralelas que produziam várias SKUs com interdependências complexas. Usando as abordagens tradicionais de programação primeiro a entrar, primeiro a sair (FIFO), o cliente apresentava ineficiências significativas devido ao sequenciamento de produção abaixo do ideal.

"A simulação de gêmeos digitais está revolucionando o setor 4.0 ao possibilitar o monitoramento em tempo real, a manutenção preditiva e as simulações avançadas que geram decisões informadas", observa Benjamin Braverman, gerente de produto - QuantumBlack, McKinsey & Co. O desafio era desenvolver um sistema que pudesse pesquisar com eficiência milhões de possíveis sequências de produção para identificar programações ideais que maximizassem o rendimento sem exigir investimento de capital adicional.

Desafio

O fabricante de automóveis enfrentou um desafio complexo de programação em três linhas de produção paralelas. Cada linha produzia várias SKUs diferentes, sendo que as linhas dois e três tinham interdependências que complicavam ainda mais o processo de programação. O cliente precisava otimizar uma janela de produção de duas horas, durante a qual aproximadamente 65 SKUs seriam processadas nas três linhas.

O desafio fundamental era o tamanho do espaço de pesquisa. Com 32 SKUs exclusivas sendo produzidas nas linhas em média, a equipe calculou que um conjunto contíguo aleatório de 65 SKUs da carteira de pedidos poderia produzir aproximadamente 10^59 programações diferentes possíveis. Cada simulação levava cerca de um minuto para ser executada, o que significa que uma pesquisa linear exaustiva levaria aproximadamente 10^53 dias - aproximadamente metade do tempo de vida do universo.

A solução de otimização da programação da produção precisava:

• Encontrar programações quase ideais em uma janela operacional de duas horas
• Processar e otimizar 65 SKUs de cada vez
• Funcionar em um ambiente de produção ao vivo
• Ser agnóstica em relação ao processo para permitir o dimensionamento para outras linhas e instalações
• Integrar-se aos sistemas e fontes de dados existentes
• Entregar cronogramas com tempo suficiente para a implementação

"A velocidade otimizada torna-se o maior gargalo para a busca no espaço de pesquisa", explicou Wim de Villiers, Cientista de Dados Sênior - QuantumBlack, McKinsey & Co. A equipe precisava de uma abordagem inteligente que pudesse explorar com eficiência o vasto espaço de soluções sem exigir uma avaliação exaustiva de todas as possibilidades.

A solução

A solução

A McKinsey desenvolveu uma solução abrangente que integrou o software de simulação de manufatura Simio com técnicas avançadas de otimização. A arquitetura da solução consistia em três componentes principais:

1. Simulação de gêmeos digitais

A simulação de gêmeos digitais formou a base da solução, consistindo em duas camadas críticas:

• Camada de emulação: Essa camada incorporou atualizações em tempo real do ambiente de produção, incluindo disponibilidade de matéria-prima, tempo de inatividade de máquinas e mudanças nos padrões de pedidos. Isso garantiu que a simulação mantivesse o contexto adequado para a tomada de decisões.
• Camada de simulação: Criada usando a tecnologia de simulação do Simio, essa camada permitiu que a equipe visualizasse as consequências de diferentes decisões com base no contexto atual e na lógica de produção. A simulação incluiu elementos determinísticos e estocásticos para levar em conta os riscos e a variabilidade conhecidos.

"Criamos dezenas de gêmeos digitais dimensionáveis para nossos clientes, com precisão de previsão de até 99%, aproveitando soluções comerciais como a Simio e criando soluções personalizadas em Python", observou Braverman.

2. Camada de otimização

O segundo componente essencial foi a camada de otimização, que forneceu a "inteligência" no gêmeo digital inteligente. Depois de avaliar várias técnicas de otimização, incluindo otimização bayesiana, descida de gradiente estocástica, aprendizagem por reforço e algoritmos genéticos, a equipe selecionou a otimização por algoritmo genético como a abordagem mais adequada para esse desafio.

A abordagem de otimização por algoritmo genético ofereceu várias vantagens:

• Não é necessário um longo tempo de treinamento
• Capacidade de operar sem conhecimento do processo
• Desempenho eficaz em espaços de alta dimensão
• Suporte para avaliação paralela de soluções candidatas

O algoritmo genético funcionava da seguinte forma:

• Começando com uma população de programações candidatas selecionadas aleatoriamente
• Avaliação de cada programação usando a simulação Simio
• Selecionando as programações mais adequadas com base no tempo de produção
• Misturar e alterar de forma inteligente essas programações para criar novos candidatos
• Repetição do processo em várias gerações

"Essa abordagem nos permite fazer uma exploração paralela, pois a cada passo adiante, quando obtemos uma nova população, todos os membros dessa população podem ser avaliados em paralelo", explicou Developers.

3. Camada de integração

O componente final foi a camada de integração, que conectou os componentes de simulação e otimização aos sistemas de produção em tempo real. Isso possibilitou:

• Carregar o gêmeo digital com informações contextuais em tempo real
• Alimentar as sequências de produção otimizadas de volta às operações
• Apoiar a implementação humana no circuito e a implementação totalmente automatizada

A arquitetura técnica aproveitou o Simio Portal, que hospedou o modelo Simio por meio de uma API REST. A equipe desenvolveu um cliente Python personalizado do Simio Portal que permitiu que o algoritmo genético chamasse a API do Simio, gravasse programações em um banco de dados, acionasse simulações e recuperasse resultados.

Implementação

O processo de implementação exigiu a integração cuidadosa de vários componentes técnicos:

1. Desenvolvimento do modelo Simio: A equipe aproveitou um modelo existente do Simio que codificava todo o conhecimento do processo, permitindo que o algoritmo de otimização permanecesse independente do processo para melhorar a escalabilidade.
2. Implementação do algoritmo de otimização: A equipe desenvolveu uma implementação de algoritmo genético personalizado em Python, projetado especificamente para a otimização da programação da produção.
3. Arquitetura de integração: A arquitetura da solução incluía:

• • Um servidor Simio Portal que hospeda o modelo de simulação
  • Um banco de dados para armazenamento de programação e resultados
  • Um cliente Python personalizado para comunicação com a API
  • O otimizador de algoritmo genético

1. Pipeline de dados: Um pipeline de ingestão baseado em fluxo foi implementado para extrair dados de produção em tempo real, tornando-os acessíveis aos componentes de simulação e otimização.
2. Otimização de desempenho: A equipe refinou continuamente a ingestão de dados e os processos de comunicação da API para maximizar o número de programações que poderiam ser avaliadas dentro das restrições de tempo operacional.

A implementação foi projetada para ser modular e interoperável, permitindo que diferentes técnicas de otimização fossem trocadas sem refatorar a simulação subjacente. Essa abordagem permitiu que a equipe avaliasse diferentes métodos e selecionasse a abordagem mais eficaz para o desafio específico.

Resultados

A implementação proporcionou melhorias significativas em todas as linhas de produção:

Resultados da Linha 1

Para a Linha 1, que o cliente já havia investido um esforço significativo na otimização e no balanceamento, a solução ainda obteve melhorias na produtividade que variaram de 0,35% a 5%. Isso foi particularmente impressionante, uma vez que a Linha 1 foi projetada para ter um bom desempenho independentemente do mix de SKUs.

Resultados das linhas 2 e 3

Para as Linhas 2 e 3, que receberam menos atenção de otimização e começaram recentemente a produzir novas SKUs, as melhorias foram ainda mais substanciais:

• Otimização inicial (25 gerações): 7-13,26% de melhoria na produtividade
• Otimização ampliada (100 gerações): Melhoria de até 12,3% para o cronograma 4 (de 6,99%)

A solução demonstrou vários recursos importantes:

• Pesquisa eficiente: A capacidade de pesquisar efetivamente espaços de alta dimensão com 10^59 combinações possíveis
• Otimização rápida: Entrega de cronogramas otimizados dentro de prazos operacionais
• Escalabilidade: Uma abordagem independente de processo que pode ser facilmente escalonada para outras linhas de produção
• Impacto nos negócios: Melhoria média de aproximadamente 8% na produtividade em comparação com a programação FIFO

"O aumento da produtividade foi obtido por um otimizador totalmente blackbox que, em conjunto com os modelos Simio já existentes no cliente, poderia ser facilmente escalonado para o restante da produção", observou Developers.

Em um fabricante de aço onde a McKinsey implementou uma abordagem semelhante, a solução reduziu a perda de rendimento em 1-2% por instalação, resultando em uma economia de aproximadamente US$ 30 milhões por instalação.

Mergulho técnico profundo

Implementação do Algoritmo Genético

A implementação do algoritmo genético foi projetada especificamente para a otimização da programação da produção. A abordagem foi inspirada na seleção natural e usou uma metodologia baseada em população:

• População inicial: O algoritmo começou com uma população selecionada aleatoriamente de programações candidatas.
• Avaliação da aptidão: Cada programação foi avaliada usando a simulação Simio para determinar sua "aptidão" com base no tempo total de produção.
• Seleção: As programações mais aptas (aquelas com tempos de produção mais curtos) foram selecionadas para reprodução.
• Cruzamento: As programações selecionadas foram misturadas de forma inteligente para criar novas programações candidatas, combinando características benéficas de vários pais.
• Mutação: Variações aleatórias foram introduzidas para manter a diversidade genética e explorar novas áreas do espaço de solução.
• Avaliação e iteração: A nova população foi avaliada e o processo foi repetido por várias gerações.

A abordagem de otimização do algoritmo genético mostrou-se particularmente eficaz para esse desafio porque:

• Ela podia pesquisar espaços de alta dimensão com eficiência
• Suportava a avaliação paralela de vários cronogramas
• Não exigia tempo de treinamento
• Pode operar sem conhecimento do processo

Arquitetura de integração do Simio

A integração com o Simio foi implementada por meio do Simio Portal, que forneceu uma API REST para interagir com o modelo de simulação. O fluxo de trabalho seguiu as seguintes etapas:

1. O algoritmo genético gerou uma população de programações candidatas.
2. O cliente Python personalizado do Simio Portal enviou essas programações para o banco de dados e acionou as simulações.
3. O Simio Portal recuperou as programações do banco de dados, executou as simulações e escreveu os resultados de volta no banco de dados.
4. O cliente Python recuperava os resultados e os enviava de volta ao algoritmo genético.
5. O algoritmo genético executava a seleção, o cruzamento e a mutação para gerar uma nova população, e o processo se repetia.

Essa arquitetura permitiu a avaliação paralela eficiente de vários cronogramas, maximizando o número de candidatos que poderiam ser avaliados dentro das restrições de tempo operacional.

O impacto nos negócios

Conclusão e direções futuras

A implementação pela McKinsey de uma solução avançada de programação usando a tecnologia de simulação da Simio demonstra o potencial transformador da simulação de gêmeos digitais em ambientes de manufatura. Ao combinar recursos sofisticados de simulação com técnicas inteligentes de otimização, a solução obteve melhorias significativas no rendimento sem exigir investimentos adicionais de capital.

A arquitetura modular e interoperável garante que a solução possa ser facilmente ampliada para outras linhas de produção e instalações. A abordagem de otimização independente do processo significa que a mesma metodologia pode ser aplicada a diferentes processos de fabricação sem codificar o conhecimento específico do processo no otimizador.

Os desenvolvimentos futuros podem incluir:

• Otimização estendida: Execução de otimizações para mais gerações a fim de obter melhorias ainda maiores
• Otimização multiobjetivo: Incorporação de objetivos adicionais além do rendimento, como consumo de energia ou programação de manutenção
• Integração do sistema de sistemas: Conexão de vários gêmeos digitais para fornecer uma visão abrangente de cadeias de valor sofisticadas
• Integração de IA: Incorporação de técnicas de aprendizado de máquina para aumentar ainda mais a precisão da previsão e permitir a tomada de decisões automatizada

Como observa Benjamin Braverman: "Suspeito que os maiores vencedores serão aqueles que incorporarem esses sistemas não apenas para casos de uso individuais, mas em toda a cadeia de valor, e que realmente os considerarem como uma forma de fazer operações."

Este estudo de caso demonstra como a otimização baseada em simulação pode transformar as operações de manufatura, proporcionando um valor comercial significativo por meio de maior eficiência e rendimento. Ao aproveitar os poderosos recursos de simulação do Simio e integrá-los a técnicas avançadas de otimização, a McKinsey criou uma solução que permite que os fabricantes atinjam novos níveis de excelência operacional.