Badania nad optymalizacją harmonogramowania w warsztacie obróbki blach okrętowych na podstawie ulepszonego algorytmu NSGA-II

Dlaczego stocznie potrzebują inteligentniejszych harmonogramów

Nowoczesne stocznie obsługują tysiące ciężkich stalowych blach, które muszą być znakowane, cięte i przemieszczane w dokładnie określonej kolejności. Każde niewielkie zakłócenie — na przykład awaria maszyny tnącej lub pilne zlecenie — może rozlać się po warsztacie, marnując energię, przeciążając niektóre maszyny i zagrażając terminom dostaw. W artykule przedstawiono nowy sposób automatycznej reorganizacji pracy w warsztacie obróbki blach okrętowych w sytuacjach zakłóceń, wykorzystujący udoskonalony algorytm ewolucyjny, aby utrzymać produkcję szybą, niezawodną i wydajną.

Utrzymanie produkcji w ryzach, gdy coś idzie nie tak

Stoczniowe procesy produkcyjne są złożone i charakteryzują się przerywaną pracą. Blachy różnią się rozmiarami i kształtami, a różne maszyny dzielą się obciążeniem. Obecnie, gdy pojawia się nieoczekiwane zdarzenie, wiele stoczni nadal polega na doświadczonym personelu, który ręcznie przestawia plan. Zajmuje to czas i często prowadzi do nierównomiernego wykorzystania maszyn oraz wyższych kosztów. Autorzy koncentrują się na kluczowym pytaniu: gdy na hali wystąpią zdarzenia takie jak awarie maszyn, prace poprawkowe czy opóźnione materiały, jak komputer może szybko wygenerować nowy plan, który dotrzyma terminów, utrzyma niskie zużycie energii i nie przeciąży pojedynczych maszyn?

Przekształcenie warsztatu w cyfrowego bliźniaka

Aby się z tym uporać, badacze najpierw przekształcili warsztat obróbki blach w szczegółowy model cyfrowy. Zbudowali trójwymiarowy układ maszyn i przepływów materiałów za pomocą oprogramowania inżynierskiego i powiązali go z platformą danych Internetu Rzeczy (IoT), która zbiera informacje w czasie rzeczywistym z stołów tnących, suwnic i innego sprzętu. Powstaje w ten sposób swego rodzaju cyfrowy bliźniak warsztatu: wirtualne środowisko odzwierciedlające to, co dzieje się na hali. Dane produkcyjne trafiają do systemu harmonogramowania, który wykorzystuje algorytmy optymalizacyjne do zaproponowania wstępnego planu pracy. Plan ten następnie jest testowany w symulacji, aby sprawdzić, czy dotrzymuje terminów i rozsądnie wykorzystuje maszyny, zanim zostanie odesłany do sterowania rzeczywistym warsztatem.

Równoważenie czasu, kosztu i obciążenia maszyn

Rdzeń badania stanowi matematyczny opis przepływu blach przez warsztat. Każda blacha przechodzi przez kilka etapów na różnych maszynach, a plan musi respektować kolejność operacji, zdolności produkcyjne poszczególnych urządzeń oraz obiecany termin dostawy. Autorzy definiują jednocześnie trzy cele: skrócenie całkowitego czasu zakończenia, zmniejszenie całkowitego zużycia energii podczas obróbki i postoju oraz unikanie długich okresów, w których maszyny są albo bezczynne, albo przeciążone. Tego rodzaju problem wielokryterialny nie ma jednej idealnej odpowiedzi. Zamiast tego generuje zestaw kompromisów — na przykład nieco wcześniejsze zakończenie kosztem większego zużycia energii. Celem algorytmu jest odwzorowanie tych kompromisów, aby planujący mogli wybrać harmonogram najlepiej odpowiadający ich priorytetom.

Uczenie algorytmu adaptacji jak ekspert

Aby przeszukać ogromną przestrzeń możliwych harmonogramów, autorzy ulepszyli popularną metodę ewolucyjną o nazwie NSGA-II, która działa przez ewolucję populacji kandydatów przez wiele pokoleń. Tradycyjne wersje używają stałych ustawień częstotliwości mieszania i mutacji planów oraz prostego mechanizmu zachowywania najlepszych rozwiązań. Może to powodować przedwczesne "utkwienie" poszukiwań. W tutaj prawdopodobieństwa krzyżowania i mutacji dostosowują się automatycznie w miarę postępu przeszukiwania, zachęcając na początku do szerokiej eksploracji, a później do bardziej starannego dopracowania. Równocześnie nowe zasady wyboru elit, inspirowane wyżarzaniem symulowanym, kontrolują, ile z najlepszych planów jest zachowywanych z każdego pokolenia. To pomaga utrzymać różnorodność wśród obiecujących harmonogramów, tak aby algorytm nie zbiegał zbyt szybko do suboptymalnego rozwiązania.

Weryfikacja metody w testach i w rzeczywistej stoczni

Ulepszone podejście przetestowano dwojako. Po pierwsze, uruchomiono je na zestawie standardowych benchmarków harmonogramowania powszechnie stosowanych przez badaczy. W większości tych testów znajduje ono bardziej zróżnicowane i wyższej jakości rozwiązań kompromisowych niż zarówno oryginalne NSGA-II, jak i nowsza odmiana NSGA-III. Po drugie, zespół zastosował je do rzeczywistego zlecenia produkcyjnego obejmującego 16 blach i siedem maszyn w stoczni, a następnie wprowadził realistyczne zakłócenia: pilne prace poprawkowe i poważną awarię maszyny. W każdym przypadku system najpierw próbuje prostego przesunięcia w prawo zadań objętych zdarzeniem; jeśli to groziłoby opóźnieniem dostawy, wyzwalane jest pełne przearanżowanie harmonogramu z użyciem ulepszonego algorytmu. W porównaniu z tradycyjnymi strategiami nowa metoda dostarcza krótsze czasy realizacji, niższe lub porównywalne zużycie energii oraz lepiej zrównoważone obciążenie maszyn, przy jednoczesnym zachowaniu prędkości obliczeń wystarczającej do praktycznego zastosowania.

Co to oznacza dla stoczni

Dla niespecjalistów kluczowy wniosek jest taki, że warsztaty obróbki blach mogą teraz reagować na niespodzianki w sposób bardziej automatyczny i niezawodny. Łącząc strumień danych na żywo z fabryki, realistyczny model cyfrowy i inteligentniejszy algorytm ewolucyjny, metoda pozwala utrzymać produkcję zgodnie z planem przy mniejszej liczbie ręcznych interwencji. W dłuższej perspektywie takie dynamiczne harmonogramowanie może pomóc stoczniom ograniczyć opóźnienia, oszczędzać energię i lepiej wykorzystać kosztowny sprzęt — to konkretny krok w stronę bardziej inteligentnego i odpornego wytwarzania.

Cytowanie: Dong, L., Liu, J., Gu, S. et al. Research on scheduling optimization of ship plate processing workshop based on improved NSGA-II algorithm. Sci Rep 16, 5549 (2026). https://doi.org/10.1038/s41598-026-35278-y

Słowa kluczowe: stoczniarstwo, harmonogramowanie produkcji, algorytm genetyczny, inteligentne wytwarzanie, optymalizacja dynamiczna