- Detalles
- Categoría: Twinn Witness
- Visto: 3648
Por Sam Dean.
En esta entrada, Sam Dean explica el uso de WITNESS Experimenter y cómo se puede usar para optimizar modelos sujetos a funciones objetivas, restricciones y parámetros modificables.
En nuestra vida cotidiana, dejamos que los ordenadores decidan mucho de lo que hacemos: si esa es la ruta más rápida para trabajar o qué música escuchar, confiamos en los algoritmos informáticos para optimizar nuestras vidas. En la misma línea, hay una herramienta simple para ayudarle a optimizar sus modelos WITNESS, permitiéndole enfocarse en otras cosas mientras se ejecutan, brindándole una valiosa información sobre los efectos de cada uno de sus parámetros, a través de miles de ejecuciones.
Para acceder al Experimenter, haga clic en el icono del tubo de ensayo o vaya a Model -> Experimenter. Cuando intente esto, verá que hay 2 versiones de Experimenter: modo Simple y Advanced.
Simple Experimenter
WITNESS Simple Experimenter es sencillo, ya que se especifica cada escenario que se desea ejecutar, en lugar de dejar que Experimenter decida qué combinaciones de valores de parámetros probar. Esto se utilizaría mejor cuando se sepa exactamente qué escenarios se desea ejecutar, y sepa que cada uno de ellos tardará un tiempo razonable en ejecutarse. Por lo tanto, puede configurarse para que se ejecute y luego regresar cuando haya terminado, habiendo configurado previamente las respuestas para todas las cosas que se desean saber, o configurar su modelo para que envíe todos los datos a otro programa, como un archivo csv.
A continuación puede verse la configuración del Experimentation Model.
- Warmup es el punto en el que el modelo restablecerá todas sus estadísticas. Debe establecerse este valor en un punto del modelo cuando se desee comenzar a registrar información.
- Run Length es el tiempo durante el que se desea registrar datos, se desea que sea lo suficientemente largo como para reflejar adecuadamente el nivel de variabilidad en los datos, pero no tanto como para hacer que la experimentación dure una eternidad.
- El número de Replications para cada escenario es el número de veces que desea ejecutar cada escenario utilizando diferentes flujos de números aleatorios, probando cada modelo con diferentes valores para cada variable aleatoria. Este número dependerá en gran medida de la cantidad de aleatoriedad en su modelo y la longitud de ejecución (Run Length) que haya configurado previamente.
- El valor Skip indica cuántos números aleatorios se omiten entre las réplicas. En general, éste debería ser mayor para tramos más largos. Se puede encontrar una recomendación para esto haciendo Run Length o Replication Analysis.
- Las propiedades de Control cambian la cantidad de resultados que se podrán ver cuando se termine la Experimentación. Solo debería ser un problema en el modo Avanzado.
Advanced Experimenter
WITNESS Advanced Experimenter es un poco más complicado (como su nombre lo indica), pero sigue siendo increíblemente manejable y añade mucha más capacidad de optimización que puede necesitar. En primer lugar, le permite especificar restricciones, como presupuesto, personal, etc. obligando al software a planificar en función de sus datos de entrada. También tiene varios algoritmos incorporados para la optimización.
Para esto, solo se necesita especificar una función objetivo, por ejemplo, ganancias, utilización, etc. y luego un algoritmo para intentar optimizar su modelo. Se pueden encontrar más detalles sobre los algoritmos en los archivos de ayuda en Experimenter.
El cuadro a continuación muestra Advanced Experimenter mejorando gradualmente su función objetivo a medida que prueba muchos conjuntos diferentes de parámetros de entrada para encontrar una solución óptima.
En conclusión, Simple Experimenter debe de utilizarse si se conoce el escenario exacto que se desea ejecutar, sin embargo, si tiene una serie de parámetros que puede cambiar, aquí es donde brilla Advanced Experimenter.
- Detalles
- Categoría: Twinn Witness
- Visto: 2606
Nos complace anunciar que WITNESS Horizon 23.0 ya está disponible, ofreciendo a nuestros clientes una versión de software que contiene muchas de las bases para implementar gemelos digitales predictivos con experimentos de simulación más potentes.
Enfoque de WITNESS 23.0
El desarrollo de WITNESS Horizon 23.0 se basa en un movimiento estratégico para permitir una mayor experimentación y capacidades de optimización para modelos desarrollados en la plataforma WITNESS. Lanner está comprometido con el desarrollo de capacidades analíticas avanzadas para los gemelos digitales de sus clientes, incluida la experimentación paramétrica para el diseño y la optimización de procesos utilizando la potencia de la nube y los clústeres de computación de alto rendimiento (HPC).
El futuro de la tecnología WITNESS
Al haber sido adquirido a principios de 2019 por el gigante de consultoría de ingeniería holandesa Royal Haskoning DHV, Lanner ha podido acelerar su desarrollo tecnológico para la plataforma WITNESS. La hoja de ruta tecnológica de Lanner ahora se centra en la integración de la plataforma WITNESS con otras tecnologías clave de Royal HaskoningDHV, incluidos entornos 3D y diseño de infraestructura, modelado paramétrico, inteligencia artificial e infraestructuras de datos enriquecidos. La versión WITNESS Horizon 23.0 contiene muchos de los elementos básicos que serán un requisito previo para aprovechar estos desarrollos en el futuro cercano.
Características adicionales encontradas en WITNESS 23.0
- Las herramientas de experimentación avanzadas, que incluyen la longitud de ejecución automática y el análisis de réplicas, garantizan que los experimentos alcancen la precisión estadística sin la necesidad de intervención del analista.
- Canal de experimentación optimizado para ayudar a los usuarios a realizar experimentos con muchas simulaciones y obtener los resultados que requieren más rápido que nunca
- Soporte escalable de múltiples núcleos para todos los tipos de licencia que permite a los usuarios utilizar sus recursos locales para ejecutar más simulaciones en el tiempo disponible
- Algoritmo de optimización de templado simulado (Simulated Annealing) mejorado con una capacidad de búsqueda más inteligente basada en el tiempo y los recursos informáticos disponibles
- Varias correcciones y mejoras en las tablas de datos, transportadores continuos, turnos y la API WITNESS Horizon
- Detalles
- Categoría: Twinn Witness
- Visto: 3815
Nissan Motor Manufacturing UK ha estado desarrollando gemelos digitales predictivos para aumentar la eficiencia de la planta y optimizar su toma de decisiones comerciales durante varios años. Este artículo muestra 5 ejemplos de cómo, utilizando el software de simulación predictiva de Lanner, WITNESS Horizon, los ingenieros industriales han creado modelos para responder a preguntas operativas y estratégicas clave, y para ayudar a facilitar el viaje de Nissan a la Industria 4.0.
1. Cumplimiento de nuevos objetivos de producción del tren motriz
El desafío: identificar las mejoras de proceso requeridas que pueden duplicar las tasas de producción
Nissan se estaba preparando para lanzar un modelo actualizado de su automóvil eléctrico Leaf, con un motor nuevo y más avanzado. Para satisfacer la demanda proyectada del consumidor, la fábrica necesitaba duplicar su rendimiento del tren motriz, de 5 trabajos por hora a 10. El equipo de ingeniería industrial quería identificar posibles cuellos de botella con un diseño de producción actualizado, enfocando en las mejoras del proceso que serían necesarias para facilitar El aumento de la producción.
El resultado: la toma de decisiones basada en evidencia ayuda a alcanzar objetivos
Mediante la simulación predictiva, el equipo identificó un cuello de botella crucial en el proceso de sellado. Una vez que el sello se coloca en la unidad del motor, tiene que curarse durante 15 minutos antes de que pueda analizarse en busca de fugas. Incluso después de modelar varios escenarios de cambio, este bloqueo aún no se pudo eliminar.
Para superar el problema, los ingenieros utilizaron el modelo para experimentar con varias contramedidas. La solución fue implementar otro bucle que proporcione capacidad de almacenamiento adicional de la unidad de tren motriz. Esto aumentó el rendimiento al tiempo que proporcionó el tiempo de curado requerido antes de la prueba del sello.
Nissan ahora está utilizando este modelo para planificación adicional, ejecutando escenarios que facilitan 15 trabajos por hora para estar listos para una futura aceleración de la producción.
2. Comprender las tasas de fallo de la prueba de fugas
El desafío: eliminar el riesgo de producción durante la etapa de prueba de fugas del árbol de baterías
Otro elemento de planificación para el nuevo Leaf implicaba analizar el proceso de prueba de fugas para el árbol de baterías. El equipo quería saber la tasa de fallos de la prueba de fugas máxima permitida que aún permitiría alcanzar los objetivos de rendimiento.
El resultado: el conocimiento preciso ayudó a satisfacer la demanda y cumplir con los KPI
El gemelo digital predictivo se utilizó para modelar escenarios de producción con tasas de falla de prueba de fugas variables. Concluyó que la tasa de falla no podía exceder el 5.2% sin afectar el rendimiento. Esto ha permitido que los equipos de ingeniería planifiquen efectivamente para satisfacer la demanda.
3. Lograr un proceso de mecanizado de culatas más rentable
El desafío: minimizar los requisitos de paletas sin afectar el rendimiento
Como parte de la fabricación de vehículos, las culatas se someten a un proceso de mecanizado, limpieza y luego segunda etapa de mecanizado. Durante parte de este tiempo, la cabeza está unida a una paleta. Los ingenieros de Nissan estaban planeando ordenar paletas nuevas, pero con un coste significativo para cada una, se preguntaron si la instalación podría operar con un número reducido sin afectar negativamente las tasas de rendimiento actuales.
La solución: ahorro de 25.000€ en la adquisición de palets
El gemelo digital de la línea de mecanizado de culatas se utilizó para ejecutar diversos escenarios para diferentes volúmenes de paletas, analizando factores como entradas, cadencia (takt time) y volúmenes. El modelo mostró que se requeriría un stock mínimo viable de 70 palets para operar a plena capacidad y con poco riesgo de cuellos de botella, significativamente menos que los 100 anticipados. Los beneficios equivalen a un ahorro general de aproximadamente unos 25.000€.
4. Reducción de cuellos de botella en la instalación de pintura de parachoques
El desafío: determinar el escenario de almacenamiento óptimo
La instalación de pintura de parachoques de la planta de Sunderland recibe componentes de 2 líneas de producción, logrando procesar piezas para múltiples modelos de automóviles y la amplia gama de colores de pintura. Los cuellos de botella comenzaban a ocurrir porque la instalación se estaba quedando sin espacio en el estante de almacenamiento. Ingeniería quería saber cuántos bastidores se requerían para evitar tener que detener la línea de pintura.
El resultado: una planificación efectiva a largo plazo que mantenga el rendimiento
Utilizando un gemelo digital de la línea de pintura de parachoques, desarrollado con el software WITNESS Horizon, Nissan creó un modelo visual conectado a datos de producción de hojas de cálculo. El gemelo digital predictivo ejecutó varios escenarios basados en los diferentes modelos de automóviles que llegaron al taller de pintura y determinó el número óptimo de bastidores de almacenamiento para garantizar que ninguna de las líneas de producción corriera el riesgo de detenerse. El departamento de planificación ahora ha desarrollado el gemelo digital para dar cuenta de los nuevos planes de lanzamiento de vehículos para que los requisitos puedan optimizarse de manera continua.
5. Análisis del caso de inversión para la expansión
El desafío: determinar si la instalación necesitaba invertir en una nueva estación de película de protección de pintura
La película protectora de pintura se aplica a ciertos paneles de automóviles según el destino y la aplicación, para proteger el acabado y aumentar la durabilidad. En preparación para el lanzamiento del nuevo modelo Infiniti, el equipo de ingeniería de chasis y acabado estaba preocupado de que pudiera requerirse una nueva estación de película de protección de pintura para satisfacer la demanda planificada.
El resultado: ahorros de 28.000 € en gastos de capital
Se usó un gemelo digital predictivo para simular el cronograma de control de producción. El equipo realizó escenarios para los requisitos de la película de protección de pintura y determinó que las instalaciones existentes tenían la capacidad suficiente para hacer frente al aumento proyectado de la demanda. Una solución para hacer frente al uso del equipo existente significaba que los gastos de capital en una nueva estación, que habrían requerido una inversión de 28.000 €, se evitaban con confianza.
“Somos un departamento bastante ajustado y trabajar con Lanner y WITNESS nos ha ayudado a desarrollar modelos que ahora se usan regularmente para tomar decisiones comerciales en Nissan en el Reino Unido. Gracias al modelado, hemos podido implementar mejoras constantes en nuestros procesos, y la simulación se ha convertido en una parte clave de la adopción por parte de Nissan de IoT industrial y tecnología inteligente. ”- Martin Perkins, ingeniero industrial, Nissan Motor Manufacturing UK
- Detalles
- Categoría: Twinn Witness
- Visto: 3886
Les informamos de la disponibilidad de la nueva versión WITNESS Horizon 22.5a. Esta nueva versión ofrece varias actualizaciones y mejoras, descritas más abajo:
Qué hay nuevo
Model Watch puede encenderse On (opcionalmente con un camino de archivo especificado) apagarse Off vía WCL
Mejoras de funcionalidades
- Guardar un archivo XML .wxm formateará el archivo sobre múltiples líneas para facilitar la comparación de control de versiones
- Se ha mejorado la velocidad de Data Table ‘Load Data’ desde el menú contextual del botón derecho del ratón
Arreglos
- Cargar datos desde Excel en una tabla de datos Data Table reemplazará los cálculos erróneos de Excel (#DIV/0!,#N/A,#NUM!,#NAME?,#REF! etc.) con datos por defecto
- El mensaje de advertencia de seguridad de la licencia ahora se refiere al formato correcto del número de versión del software
- WITNESS proporciona un mensaje de error cuando se utiliza una columna de enteros en una tabla de datos (Data Table Integer) en un cálculo de división por cero
- El editor de iconos (Icon Editor) edita correctamente los iconos de todos los tamaños disponiblees y puede utilizarse en modo color o en monocromo
- Las celdas de una tabla de datos (Data Table) pueden utilizarse en una sentencia IF de la forma F i1 = 0 AND DT[1,1] = 0
- Experimenter muestra correctamente la corrección si se introducen datos inválidos para la longitud de la ejecución (Run Length) y se lanza otra app desde la barra de tareas (Task Bar)
- Experimenter puede actualizar la cantidad de mano de obra (Labor) en diferentes turnos cuando el Labor y esos turnos (Shifts) están todos en diferentes módulos (Modules)
- Se ha corregido un mensaje de error en una regla de entrada (Input) o salida (Output) para un elemento en una jerarquía de módulo
- El depurador WITNESS Debugger puede manejar cualquier entrada de teclado
- Los archivos de salida CSV (Data Table CSV Output) ya no producen líneas en blanco extra al final
- Ahora la asignación de Variables excesivamente grande es gestionada correctamente
- RecordNameValue puede tratar NONE pasados como un parámetro
- Las funciones W3DXXX se comportan igual en modo Batch cuando el modelo ha sido Quick3D como cuando no lo ha sido
- Parts y Labor viajando a lo largo de pseudo caminos entre elementos se comportan de una manera consistente, p. ej. siempre viajan a la parte delantera de una cola de partes, siempre viajan a la localización del vehículo en una pista de carga (Loading) o descarga (Unloading)
- Errores corregidos con los informes de pastel y estadísticas (Pie Chart & Data Table Statistics) cuando la salida va a archivo o pantalla