The problem of optimal assignment of autonomous vehicles in production-logistics system
- Authors: Volhonskaya E.E.1
-
Affiliations:
- Samara State Technical University
- Issue: Vol 31, No 2 (2023)
- Pages: 20-30
- Section: Information Technology and Communications
- URL: https://journals.eco-vector.com/1991-8542/article/view/409272
- DOI: https://doi.org/10.14498/tech.2023.2.2
- ID: 409272
Cite item
Full Text
Abstract
The problem of optimal assignment of autonomous vehicles to ongoing production processes is considered. Virtual testing for predictive maintenance involves the creation of digital twins based on simulation models. The solution of the assignment problem described in the article is the basis for building simulation models on Petri nets to analyze the dynamics of the production- logistics system. The structure of the agro-industrial system of grain harvesting by a complex of combines using autonomous vehicles based on KAMAZ vehicles is considered. Many characteristics of the production-logistics system have been determined: field areas and productivity, productivity of combines, carrying capacity and speed of vehicles, etc. The problem of minimizing operating costs for a complex of vehicles for a given distribution of combines over fields with grain crops has been formulated. The problem relates to integer linear programming with Boolean variables. The difference in the formulation of this problem lies in the formation of a number of restrictions that take into account the main parameters of the production-logistics system. An example of optimizing the distribution of autonomous vehicles for a given number of fields of harvesters processing them is considered. The resulting solution allows you to determine the set of vehicles ready for operation, as well as form a reserve of vehicles to reduce downtime. The solution of the proposed problem can be used as the basis for the structure of the simulation model as part of the digital twin of the production and logistics system. Also, the technique can be used in the current planning of real work of combines and vehicles.
Full Text
Введение
Современное направление развития промышленности базируется на концепции «Индустрия 4.0» [1], в рамках которой проводится создание производственно-логистических систем с автономными и беспилотными транспортными средствами. Одна из важнейших задач - организация прогнозного технического обслуживания (ТО) [2, 3]. Это становится возможным, так как автономные транспортные средства имеют развитые бортовые измерительные системы и средства удаленного мониторинга технических состояний. В то же время, для таких сложных и дорогих технических объектов построение систем технического обслуживания должно проектироваться еще на этапе виртуального запуска в эксплуатацию [4]. Виртуальные испытания с использованием цифровых двойников - возможность заранее выявить проблемы и сформулировать задачи ТО [5]. Большое значение имеет управление резервом автономных транспортных средств и использование стратегии «каннибализации» для оперативной замены дефектных узлов [6, 7].
В рамках проекта создания роботизированных агротехнических автомобилей КАМАЗ [8] был применен подход, основанный на разработке комплекса системных моделей. В такой комплекс входят задача оптимизации структуры производства и имитационные модели производственного процесса [5]. Для построения имитационных моделей на первом этапе анализа решается задача назначения транспортных средств по заданному критерию. Полученное решение является базовым при формировании структуры имитационной модели.
Рассматриваемая системная задача назначения транспортных средств на обслуживание производственных объектов и процессов носит общий характер и может быть применена при анализе сложных логистических систем. В настоящей статье проведено исследование распределения роботизированных агротехнических автомобилей для вывоза зерна с полей во время уборки.
Модель производственно-транспортных операций в логистической системе агропромышленного предприятия
Рис. 1. Структура агротехнической производственно-логистической системы
На рис. 1 представлена общая структура производственно-логистической системы, в которую входят:
Парк автономных автомобилей A состоит из трех групп:
При этом .
Задача назначения беспилотных комбайнов на поля в данной статье не рассматривается для простоты изложения предлагаемого подхода. Следует отметить, что описанная далее методика применима и к решению задачи назначения комбайнов для работы на полях по уборке урожая.
Структура агротехнической производственно-логистической системы
Введем следующие обозначения переменных и параметров:
- Sk – площадь поля k, га;
- wk – урожайность зерна на поле k, ц/га;
- Pƒi – производительность комбайна i, назначенного на поле k, т/час. Производительность зависит от средней скорости комбайна, ширины жатки, урожайности зерна на данном поле;
- Tk – заданное время уборки поля k, час;
- Lk – расстояние от поля k до зернохранилища, км;
- vsn – средняя скорость автономного автомобиля n при передвижении по маршруту «Поле-Зернохранилище», км/час;
- VnA – объем кузова автомобиля n, м3;
- ViU – объем бункера комбайна i, м3;
- β - коэффициент пересчета объема зерна определенного сорта в тонны, т/м3;
- BA – количество автомобилей, готовых к эксплуатации и доступных к назначению на поля, при этом , где A- множество автономных автомобилей, AR и AC - множества резервных и каннибализируемых автомобилей соответственно.
Далее определяются основные соотношения, связывающие параметры процесса уборки зерна с характеристиками комбайнов и автономных автомобилей.
- Масса зерна в тоннах, выращенного на поле k площади Sk с учетом коэффициента допустимых потерь δ при уборке, равна
Масса зерна на поле k, которую можно убрать комбайном i за время Tk
С другой стороны, время Tki , необходимое для полной уборки поля k комбайном i, определяется как:
- Время цикла на маршруте вида «Загрузка на поле – Выгрузка в зернохранилище – Возврат на поле» одного автомобиля n для поля k равно 2Lk/vsn , час.
Максимальное количество циклов движения одного автомобиля n к комбайну i на поле k за период Tk:
,
где Tb – время выгрузки зерна в зернохранилище.
Масса зерна, вывозимого за период Tk одним автомобилем n с поля k:
.
Постановка задачи оптимального назначения автономных автомобилей для выполнения работ на полях
Рассматривается минимизация эксплуатационной стоимости работы автомобилей в производственно-логистической агропромышленной системе. Булеву переменную оптимизационной задачи определим, как:
(1)
Как отмечено выше, считается, что решена задача назначения комбайнов на поля при условии, что на одно поле назначается только один комбайн. В результате известна функция соответствия i=Θ(k).
Теперь решается задача оптимального назначения автомобилей на работу с комбайнами на полях.
Целевая функция C - общая стоимость эксплуатации автономных автомобилей при выполнении работ на заданном множестве полей [11]:
(2)
где – суммарная стоимость выполнения производственных операций автономным автомобилем n на поле pk ; - удельные затраты на ТО, руб/км; φn – расход топлива автомобилем n, л/км; s - стоимость топлива, руб/л.
Ограничения задачи имеют вид:
1) назначение каждого автономного автомобиля an на одно и только одно поле pk:
(3)
другой вариант: назначение автономного автомобиля возможно не более, чем на одно поле (в том числе, возможно отсутствие назначения):
2) назначение на каждое поле pk не менее одного автономного автомобиля:
(4)
3) назначение на все поля не более доступного количества автомобилей BA:
(5)
4) масса зерна, выгружаемого комбайном i из бункера в автомобили на поле k за период Тk, должна быть не больше суммарной массы, которую могут вывезти обслуживающие автомобили за этот период:
(6)
где Θ – функция соответствия номера назначенного комбайна i заданному полю k, ηkn – число циклов поездок, выполняемых каждым автомобилем за время Тk,
5) масса зерна, которую могут вывезти автомобили с поля k за период Тk , должна быть не меньше массы зерна, обработанного комбайном i за этот период:
(7)
6) максимальный перемещаемый объем кузовов автомобилей за время Тk не должен превышать объем убранного зерна более, чем в α раз, где коэффициент α показывает степень суммарной недогруженности автомобилей
(8)
Можно также рассматривать коэффициент загрузки кузовов автомобилей, равный γ =1/α.
В результате решения оптимизационных задач (2) – (8) получаем булеву матрицу X назначений автономных автомобилей на работы, которые задаются календарно-сетевым графиком G.
Полученное решение определяет структуру работ и статическое распределение ресурсов, но не описывает динамику процессов в режиме эксплуатации в условиях значительной неопределённости внешней среды и вероятностного характера технических состояний транспортных средств. Эти исследования проводятся на имитационных моделях на стохастических сетях Петри, описанных в работах [12, 13].
Пример оптимизации назначения автомобилей на множество полей
В качестве примера сформулирована и решена задача назначения при следующих исходных данных:
в) количество автономных автомобилей N=12.
Предположим, что имеются следующие типы комбайнов и автомобилей:
- Два типа комбайнов [14 - 16], каждому комбайну соответствует индивидуальный номер:
- Три модели автономных автомобилей [17] с индивидуальными номерами:
В табл. 1 и 2 приведено распределение комбайнов по полям и их характеристики. Для простоты принято, что на одном поле работает только один комбайн. При расчетах приняты следующие значения коэффициентов: β = 0,77 т/м3 и δ = 2%. При определении времени уборки поля принято, что выгрузка автомобиля в зернохранилище Tb = 0,5 час. В табл. 3 содержатся параметры автомобилей КАМАЗ трех моделей.
Таблица 1. Параметры полей
Номер | Площадь Sk, га | Урожайность wk, ц/га | Длина маршрута Lk, км | Масса | Время уборки Tk, час |
1 | 122 | 22 | 12,5 | 263 | 16,5 |
2 | 250 | 19,2 | 5 | 470 | 29,4 |
3 | 360 | 25,4 | 8,8 | 900 | 45 |
4 | 480 | 16,8 | 10,4 | 790 | 39,5 |
Таблица 2. Параметры комбайнов, назначенных на поля
Тип комбайна | Номер | Номер k | Производи- тельность Pfi, т/час | Объем бункера ViU , м3 |
Тип 1 | 1 | 3 | 20 | 12,3 |
Тип 1 | 2 | 4 | 20 | 12,3 |
Тип 2 | 3 | 1 | 16 | 10,5 |
Тип 2 | 4 | 2 | 16 | 10,5 |
Таблица 3. Параметры автономных автомобилей
Модель | Номер | Объем кузова VnA , м3 | Средняя скорость vn , км/час | Расход топлива, л/км | Удельная стоимость ТО, руб/км |
КАМАZ 6520 | 1; 2; 3; 4; 5 | 20 | 27 | 0,29 | 8,1 |
КАМАZ 65115 | 6; 7; 8; 9 | 10 | 30 | 0,26 | 6,9 |
КАМАZ 65111 | 10; 11; 12 | 8,2 | 30 | 0,25 | 5,7 |
В табл. 4 приведены значения эксплуатационных расходов Ckn (руб.) различных моделей автомобилей, соответствующих назначениям на разные поля. От номера поля зависят, в первую очередь, число циклов поездок, расход топлива на маршруте и суммарные эксплуатационные издержки.
Таблица 4. Эксплуатационные расходы при использовании автономных автомобилей на различных полях, (руб)
Модель | Поле | Поле | Поле | Поле | ||||
η1 | C1n | η1 | C2n | η3 | C3n | η4 | C4n | |
КАМАZ 6520 | 11 | 5895 | 33 | 7075 | 39 | 14716 | 31 | 13824 |
КАМАZ 65115 | 12 | 5658 | 35 | 6601 | 41 | 13609 | 33 | 12945 |
КАМАZ 65111 | 12 | 5160 | 35 | 6020 | 41 | 12411 | 33 | 11806 |
Решение задачи целочисленного линейного программирования с булевыми переменными
Преобразуем двухмерную матрицу значений искомых булевых переменных xkn в одномерный массив xj . При k=4 и n=12 имеем вектор (x1, x2, ... ,x48). Тогда задача назначения имеет вид:
целевая функция:
где Cj – суммарные эксплуатационные затраты для j–го назначения автономных автомобилей.
Соответственно ограничения (3) – (8) также приводятся к одномерной форме.
Решение задачи целочисленного линейного программирования с булевыми переменными выполнялось с использованием пакета Lpsolve 5.5 [18]. Задача имеет 48 неизвестных булевых переменных и 25 ограничений.
В результате решения получен вектор булевых переменных, равных единице. При этом получен минимум эксплуатационных затрат в размере 79 263 руб. Соответствующие назначения раскрыты в табл. 5.
Коэффициент недогруженности автомобилей был принят α = 1,25. Увеличение α до значения 1,4 приводит к непроизводительному перемещению зерна автомобилями (в этом случае обеспечивается только 70% загруженности кузовов). В то же время, при уменьшении α до значения 1,2 решение отсутствует. Это вызвано невыполнением ограничения (6), и свидетельствует о превышении количества убираемого комбайнами зерна над вывозимым объемом назначенных автомобилей.
Таблица 5. Распределение автономных автомобилей по полям
Номер поля | Комбайны | Автомобили Сmin=79263 руб | |||
xj | xkn | Номер автомобиля | Модель | ||
1 | CLAAS LEXION 580 | x2 | x1,2 | 2 | КАМАZ 6520 |
x10 | x1,10 | 10 | КАМАZ 65111 | ||
x11 | x1,11 | 11 | КАМАZ 65111 | ||
2 | CLAAS LEXION 580 | x15 | x2,1 | 1 | КАМАZ 6520 |
3 | TORUM 785 | x27 | x3,3 | 3 | КАМАZ 6520 |
x30 | x3,6 | 6 | КАМАZ 65115 | ||
4 | TORUM 785 | x40 | x4,4 | 4 | КАМАZ 6520 |
x41 | x4,5 | 5 | КАМАZ 6520 |
Заключение
Предложенная постановка задачи оптимизации распределения автотранспортных средств отличается введением ограничений, учитывающих интенсивность работы комбайнов и скорость выгрузки зерна, а также технические характеристики автономных автомобилей. Дальнейшее развитие задачи предполагается провести в направлении решения проблем:
- назначения на одно поле нескольких комбайнов;
- перевода освободившихся автомобилей на другие поля по мере полной уборки полей меньшей площади;
- учета потерь от простоя автомобилей в резерве или в качестве каннибализируемых единиц.
Получаемое решение является основой для разработки имитационных моделей на временных раскрашенных сетях Петри, позволяющих проводить анализ случайных факторов, влияющих на техническое состояние транспортных средств.
About the authors
Elizaveta E. Volhonskaya
Samara State Technical University
Author for correspondence.
Email: lizaveta5.6@mail.ru
ORCID iD: 0000-0002-9851-2623
Postgraduate Student
Russian Federation, 244, Molodogvardeyskaya str., Samara, 443100References
- Chachada A. et al. Maintenance 4.0: Intelligent and predictive maintenance system architecture // Proceedings of IEEE 23rd International Conference on Emerging Technologies and Factory Automation (ETFA), Turin, Italy. IEEE Xplore, 2018.
- Sang G.M., Xu L., Vrieze P., Bai Y., Pan F. Predictive Maintenance in Industry 4.0 // Proceedings of the 10th International Conference on Information Systems and Technologies (ICIST' 2020), Lecce, Italy. 2020.
- Shcherbakov M.V., Sai Van K. Arkhitektura sistemy predskazatelnogo tekhnicheskogo obsluzhivaniia slozhnykh mnogoobieektnykh sistem v kontseptsii Industrii 4.0 [The architecture of the system of predictive maintenance of complex multi-object systems in the concept of Industry 4.0] // Programmnye produkty i sistemy. 2020. No. 2. Pp. 186–194. (In Russian)
- Novak P., Kadera P., Wimmer M. Model-based engineering and virtual commissioning of cyber-physical manufacturing systems – Transportation system case study // 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Limassol. 2017. Pр. 1–4.
- Volkhonskaia E.E., Orlov S.P. Modelirovanie sistemy avtonomnykh transportnykh sredstv v protsesse virtualnogo zapuska v ekspluatatsiiu [Modeling an autonomous vehicle system during a virtual commissioning process] // Matematicheskie metody v tekhnologiiakh i tekhnike. 2021. No. 1. Pр. 148–153. (In Russian)
- Sheng J., Prescott D. A colored Petri net framework for modeling aircraft fleet maintenance with cannibalization // Reliability Engineering & System Safety. 2019. Vol. 189. P. 67–88.
- Volkhonskaia E.E., Orlov S.P. Model strategii kannibalizatsii pri tekhnicheskom obsluzhivanii robotizirovannykh avtomobilei [Model of cannibalization strategy in the maintenance of robotic vehicles] // Sovremennaia nauka: Aktualnye problemy teorii i praktiki. Seriia: Estestvennye i tekhnicheskie nauki. 2023. No. 1. Pр. 52–56. (In Russian)
- Orlov S.P., Susarev S.V., Morev A.S., Kravets O.Ya. Digital tests of the robotic chassis cyber-physical system for agricultural unmanned vehicle // Journal of Physics: Conference Series. 2019. Vol. 1399 (044032).
- Agrotrend. 9 proektov kombainov-bespilotnikov [9 drone harvester projects]. URL: https://agrotrend.ru/news/11816-9-proektov-kombaynov-bespilotnikov/ (accessed April 20, 2023). (In Russian)
- TrakKHolding. Samosval KAMAZ 65119-7915-5F ARGO (EVRO 5). URL: https://www.truck-holding.ru/catalog/samosval-kamaz-65119-7915-5f.html (accessed April 21, 2023). (In Russian)
- Belyi V.S. Otsenka ekonomicheskoi effektivnosti modernizatsii parka gruzovykh avtomobilei Kamaz-65117 [Assessment of the economic efficiency of the modernization of the fleet of trucks "Kamaz-65117"] // Vestnik MFUA. 2022. No. 1. Pр. 144–153. (In Russian)
- Susarev S.V., Orlov S.P., Bizyukova E.E., Uchaikin R.A. Primenenie modelei na setiakh Petri pri organizatsii tekhnicheskogo obsluzhivaniia avtonomnykh agrotekhnicheskikh transportnykh sredstv [Application of models on Petri nets in the organization of maintenance of autonomous agricultural vehicles] // Izvestiia Sankt-Peterburgskogo gos. tekhnolog. instituta (tekhnicheskogo universiteta). 2021. No. 58(84). P. 98–104. (In Russian)
- Orlov S.P., Susarev S.V. Imitatsionnye modeli na setiakh Petri dlia analiza protsessov obsluzhivaniia i remonta slozhnykh tekhnicheskikh system [Simulation models on Petri nets for the analysis of maintenance and repair processes of complex technical systems] // Vestnik Samarskogo gosudarstvennogo tekhnicheskogo universiteta. Seriia: Tekhnicheskie nauki. 2022. 30(4). Pр. 49–75. (In Russian)
- Rostselmash. Zernouborochnye kombainy TORUM 785 [Rostselmash. Combine harvesters TORUM 785]. URL: https://rostselmash.com/products/combine/torum-785 (accessed April 20, 2023). (In Russian).
- CLAAS. Zernouborochnye kombainy LEXION [CLAAS. Combine harvesters LEXION]. URL: https://www.claas.ru/produktsiya/zyernouborochnyye-kombajny/lexion-8700-7600#lexion-8000 (accessed April 20, 2023). (In Russian).
- Lomakin S. Zernouborochnye kombainy: potrebnosti pokupatelei, predlozheniia proizvoditelei [Combine harvesters: customer needs, manufacturers' offers] // Agrarnoe obozrenie. 2010. URL: https://agroobzor.ru/sht/a-143.html (accessed April 10, 2023). (In Russian)
- KAMAZ. Produktsiia [KAMAZ. Products]. URL: https://kamaz.ru/production/serial/#samosvaly (accessed April 19, 2023). (In Russian)
- Lpsolver. Introduction to lp_solve 5.5.2.11. URL: https://lpsolve.sourceforge.net/5.5 (accessed April 12, 2023).