Najnowsze artykuły
Technologie RFID i EPC | Wizualizacja logistyki hali produkcyjnej obsługującej technologię RFID (radio identyfikacja częstotliwości) Big Data w chmurze
5875
post-template-default,single,single-post,postid-5875,single-format-standard,ajax_fade,page_not_loaded,smooth_scroll,,qode-theme-ver-1.4.1,wpb-js-composer js-comp-ver-4.3.4,vc_responsive

Wizualizacja logistyki hali produkcyjnej obsługującej technologię RFID (radio identyfikacja częstotliwości) Big Data w chmurze

Wizualizacja logistyki hali produkcyjnej obsługującej technologię RFID (radio identyfikacja częstotliwości) Big Data w chmurze

09:39 05 Maj w Inne

Ray Y. Zhong1,2 & Shulin Lan1 & Chen Xu3 & Qingyun Dai 4 & George Q. Huang1

Współpraca w chmurze z Internetem. Rzeczy te zostały obudzone w celu osiągnięcia finalnego poziomu produkcji. Wraz z technologiami IoT, takimi jak identyfikacja radiowa (RFID), są stosowane w produkcji. Generowane będą ogromne dane. Takie dane są tak złożone, abstrakcyjne i zmienne, że trudno jest je wypełnić. Wykorzystanie danych, które zawierają wiele niezliczonych przydatnych informacji i wiedzy. Niniejszy artykuł przedstawia podejście do wizualizacji dla logistyki sklepów wielkopowierzchniowych (hal produkcyjnych) z obsługą RFID Big Data. Zastosowano innowacyjny model RFID-Cuboid do rekonstrukcji surowych danych RFID przy logice produkcji i szeregach czasowych. Podkreślono kilka uwag. Produkcja została wprowadzona w celu ulepszenia i przekształcenia tradycyjnego przemysłu dla inteligentnej przyszłości. Po drugie, proponuje się model RFID, wykorzystując logikę produkcji i znaczniki czasu do powiązania danych RFID, tak aby dane mogły być interpretowane. Po trzecie, zgłaszany jest przypadek z rzeczywistego życia, aby pokazać wykonalność i praktyczność proponowanej wizualizacji, takie podejście pomaga różnym użytkownikom w ich codziennych czynnościach. Lekcje i spostrzeżenia z tego przypadku mają znaczenie do wdrożenia technologii Cloud Manufacturing obsługującej IoT i analizy Big Data w branży.

1 Wstęp

Produkcja w chmurze, to nowy paradygmat zaproponowany początkowo przez zespół badawczy kierowany przez profesora Bohu Li i profesora Lin Zhang w 2009. Jest to ulepszony, zaawansowany model produkcyjny dzięki wsparciu chmury obliczeniowej. Internet przedmiotów (IoT), technologia zorientowana na usługi oraz decyzja oparta na mechanizmach Big Data [1, 2]. Ten nowy paradygmat aktualizuje i przekształca tradycyjne zasoby produkcyjne w inteligentne obiekty produkcyjne (SMO), które umożliwiają produkcję usług w inteligentny sposób, tak aby usługi produkcyjne mogły być w pełni udostępniane i rozpowszechniane [3, 4 ]. W chmurze systemy produkcyjny SMO mogą wyczuwać, łączyć, reagować, współdziałać i współpracować automatycznie; w ten sposób zasoby produkcyjne i możliwości mogą zostać zwirtualizowane i zamknięte w różne usługi, które mogą być łatwe do wdrożenia, elastyczne w dostępie i łatwe do wywołania. Jest to możliwe dzięki zaawansowanym technologiom, takim jak wirtualizacja, zorientowane na usługi i tzw. „chmury”. Techniki obliczeniowe [5, 6]. Dzięki inteligentnemu i zjednoczeniu zarządzaniem operacjami produkcja w chmurze może zapewnić bezpieczne i niezawodne, wysokiej jakości, zrównoważone i dostępne na żądanie, usługi w całym cyklu produkcyjnym.

Obecnie chmura przyciąga dużą  uwagę  ze względu na jej zalety. Technologie Internetu przedmiotów zapewniają wsparcie dla całego cyklu życia procesów produkcyjnych, które są zwirtualizowane w różne usługi w chmurach tak, że produkcja zasobów i zdolności mogą być dzielone [9, 10].

W systemie chmury duże liczby czujników są wdrażane w celu stworzenia inteligentnego środowiska produkcyjnego, gdzie natychmiast są gromadzone  ogromne dane produkcyjn [11, 12]. Na przykład technologie IoT, takie jak radiowa identyfikacja częstotliwości (RFID), kod kreskowy i sieć bezprzewodowa urządzeń produkcyjnych są szeroko stosowane w chmurze do budowania wszechobecnej hali produkcyjnej w celu zarządzania cyklem życia produktu w fabryce [13–16]. Dla przykładu weźmy czujniki systemu produkcyjnego RFID w chmurze, taki z 1000 czytelnikami i 10 000 odbiorcami może generować tysiące giga bajtów codziennie [17]. Dzięki ogromnej ilości danych firmy produkcyjne stoją przed wyzwaniami, wykorzystując  w pełni bezcenne zestawy danych. Po pierwsze, przechwycone i zebrane dane są mocno powiązane z operacjami produkcyjnymi. Relacje między różnymi danymi są niezwykle złożone przy przeprowadzaniu sortowania i analizy. Po drugie, wykrywane dane są tak abstrakcyjne, że są trudne do wizualizacji. Na przykład dane RFID są zazwyczaj prezentowane przez standardy elektronicznego kodu produktu (EPC). W ten sposób przedsiębiorstwa stają się zdezorientowane, stojąc przed ogromną liczbą tych danych [18].

Wreszcie, mimo ogromnych danych, ukrytych informacji o produkcji i wiedzy, wykorzystanie nieocenionych aktywów jest ograniczona. Przedsiębiorstwa zwykle zastanawiają się, co można wydobyć z takich danych. Powyższe wyzwania można rozwiązać za pomocą Big Data – nowej technologii, która jest w stanie poradzić sobie z dużymi oraz złożonymi zbiorami danych Big Data, co może sprostać wyzwaniom związanym z analizą danych, przechwytywaniem, kuracjż, udostępnianiem, transferem, przechowywaniem, wyszukiwaniem, wizualizacją, prywatnością informacji itp. [19–22]. System chmury Big Data może odgrywać kluczową rolę w usprawnianiu zbieranie danych, wydobywanie użytecznej wiedzy produkcyjnej, i wspieranie zaawansowanych decyzji.

Ten artykuł bazuje na  producencie  samochodów który wykorzystał RFID i sieć bezprzewodową do zbudowania hali produkcyjnej (sklepów wielkopowierzchniowych) w chmurze, gdzie wygenerowano i zebrano dużą liczbę danych w czasie rzeczywistym. Z czasem rzeczywistym przechwycone dane, dana firma używała głównie do wspieranie planowania produkcji [23]. Obecnie kierownictwo tej firmy rozważa poprawę wydajność produkcyjnego systemu Cloud Manufacturing poprzez badanie zebranych danych RFID w celu racjonalizacji swojej hali produkcyjnej. W tym celu artykuł wprowadza wizualizację z obsługą RFID hal produkcyjnych w chmurze w celu wsparcia decyzji logistycznych. W niniejszym artykule omówiono kilka pytań badawczych, a odpowiadające im metodologie przedstawiono w następujący sposób:

  • Jak możemy stworzyć inteligentne środowisko logistyczne w systemie  produkcyjnym w chmurze przez  systematyczne rozmieszczenie obiektów IoT na przestrzeni hali, aby można ułatwić operacje logistyczne? Ten artykuł opisuje schemat wdrożenia RFID w celu przekształcenia różnych zasobów logistycznych w inteligentne obiekty logistyczne (ASLO), które są w stanie ulepszać i racjonalizować operacje i zachowania danych w czasie rzeczywistym mogących być przechwytywanymi i gromadzonymi jednocześnie.
  • Jak możemy w znaczący sposób zrekonstruować ogromną ilość surowych danych RFID, tak aby obejmował logikę logistyki i można by było je zaobserwować? Ten artykuł proponuje model RFID do organizowania i reprezentowania zachowań logistycznych dotyczących danych, dzięki czemu użyteczne informacje mogły zostać ujawnione z różnych wymiarach jako logika logistyki, zaangażowani operatorzy, trajektoria logistyczna, czas dostawy i ukryta wiedza logistyczna.
  • Jak możemy wizualizować zrekonstruowane RFID-Cuboids związane z operacjami logistycznymi, aby można było zbadać trajektorie logistyczne i wydajność operatorów? Ten artykuł ilustruje wizualizację Cuboidów RFID w oparciu o logikę produkcji i szeregi czasowe, w celu zbadania wytyczania  trajektorii i definicji, czasu logistyki i wydajności operatora.

Niniejszy artykuł ma kilka aspektów. Po pierwsze, możliwe podejście do integracji IoT i Cloud Manufacturing zostało wprowadzone w celu modernizacji i przekształcenia tradycyjnej produkcji w inteligentną erę. Po drugie, model RFID-Cuboid wykorzystuje logikę produkcji i znaczniki czasu, w celu takiego połączenia danych RFID, że dane mogą być interpretowane. Po trzecie, proponowane podejście do wizualizacji jest badane w prawdziwym przypadku, aby pokazać wykonalność i praktyczność, aby pomóc innym użytkownikom końcowym w ich codziennych operacjach.

Reszta tego artykułu jest zorganizowana w następujący sposób. Sekcja 2 to raporty dotyczące logistyki hal produkcyjnych z obsługą RFID w Cloud Manufacturing w zakresie tworzenia hal produkcyjnych i typowych operacji logistycznych w takim środowisku. Rozdział 3 omawia logistykę Big Data z obsługą RFID z Cloud Manufacturing i wprowadza RFID jako model organizowania surowych danych RFID. Sekcja 4 wprowadza podejście wizualizacyjne do analizy logistyki Big Data RFID. W sekcji 5 zajmiemy się studium przypadku, które wykazało wykonalność i praktyczność proponowanego podejścia w prawdziwej firmie produkcyjnej. Najważniejsze ustalenia i przyszłość pracy jest opisana w sekcji 6, w celu podsumowania tego artykułu.

2 Hala produkcyjna z funkcją identyfikacji radiowej logistyki w chmurze

Ta sekcja zawiera informacje na temat logistyki hali w technologii RFID Cloud Manufacturing. Po pierwsze, wprowadzono schemat wdrażania czytników RFID i etykiety do konwersji różnych zasobów w aktywnych inteligentnych obiektach logistycznych (ASLO)  i pasywnych inteligentnych obiektach logistycznnych (PSLO), które mogą wchodzić w interakcje za pośrednictwem standardów komunikacji bezprzewodowej. Po drugie, pod Cloud Manufacturing hali produkcyjnej, typowe operacje logistyczne uaktualnione i zracjonalizowane przez ASLO i PSLO, które są w stanie reagować i wczuwać się w wszechobecny i inteligentny sposób.

2.1 Stworzenie magazynu logistycznego w chmurze

Utworzenie magazynu logistycznego w chmurze opiera się na systematycznym podejściu do wdrażania urządzeń RFID i urządzeń bezprzewodowych, natomiast produkcja hal produkcyjnych w celu stworzenia wszechobecnego i inteligentne środowisko logistyczne. Rysunek 1 pokazuje to środowisko wyposażone w różne urządzenia obsługujące IoT przekształcające tradycyjne zasoby logistyczne w ASLO i PSLOs. Dzięki standardowi komunikacji bezprzewodowej ASLO i PSLO mogą łączyć się i współdziałać wzajemnie zbierając dane logistyczne automatycznie i natychmiastowo.

2.1.1 Aktywne inteligentne obiekty logistyczne

ASLO (Inteligentne obiekty logistyczne) są realizowane przez wiązanie czytników RFID. Są tworzone dwa rodzaje ASLO . Jednym z nich są stacjonarne ASLO, które są obszarami ładowania surowca, obszarami odbioru gotowych produktów, tradycyjnymi maszynami i buforami rozmieszczonymi za pomocą stałego czytnika. Inne to mobilne ASLO, które są typowymi operatorami logistycznymi, które posiadają podręczne czytniki. Schemat rozmieszczenia uwzględnia układ hali produkcyjnej i operacji logistycznych tak, aby mogły ułatwiać zbieranie danych poprzez bezproblemową integrację zachowań produkcyjnych. Razem z procesem produkcyjnym, mogą automatycznie wyczuć PSLOs w systemie Cloud Manufacturing.

2.1.2 Pasywne inteligentne obiekty logistyczne

PSLO są generowane przez dołączanie etykiet RFID. Dla materiałów (np. surowce i produkcja w toku) partie ze standardową ilością na palecie, która jest rozmieszczona ze znacznikiem. Dla różnych pracowników, takich jak operatorzy magazynów, operatorzy maszyn i operatorzy logistyczni przewożą karty personelu RFIDenabled. PSLO mogą być wykryte przez ASLOs kiedy operacje logistyczne prowadzone są w halach produkcyjnych w chmurze.

W systemie chmury niski poziom 125 ~ 131 kHz częstotliwości (LF) jest używana ze względu na kilka czynników. Po pierwsze, hale produkcyjne są pełne substancji metalicznych. LF są w stanie przenikać ze względu na dużą długość fali [24]. Po drugie, LF działa niezawodnie z otoczeniem o wysokiej wilgotności, gdzie niektóre procesy, takie jak mycie wodą, są powszechne.

2.1.3 Mechanizm komunikacji bezprzewodowej

ASLO i PSLO muszą wykorzystywać standard komunikacji bezprzewodowej do łączenia i przesyłania przechwyconych danych do danych magazynowych. Biorąc pod uwagę analizę kosztów i korzyści, łatwość do wdrożenia i łatwe do wdrożenia mechanizmy bezprzewodowe, takie jak WiFi, Bluetooth, 433 MHz i ZigBee mogą zostać przyjęte w Cloud Manufacturing. Weźmy przykład WiFi; anteny powinny być rozmieszczone na suficie lub ścianach na wysokości około 3 ~ 6 m, aby móc zapewnić zasięg sygnału na całej powierzchni.

Rysunek 1 Wszechobecny i inteligentne środowisko logistyczne w Cloud Manufacturing wszechobecny i inteligentne środowisko logistyczne w chmurze

2.2 Typowe logistyczne operacje w chmurze produkcji

Istnieje kilka głównych usług opracowanych przez technologie i wdrożonych w prywatnej chmurze. Są to usługi planowania zapotrzebowania materiałowego (MRP), usługi planowania produkcji, usługi przechwytywania danych, usługi widoczności i usługi śledzenia, które są używane za pomocą różnych operacji produkcyjnych i decyzyjnych poprzez dostęp do różnych usług z chmury. Tradycyjne operacje logistyczne są racjonalizowane i ułatwiane przez inteligentne obiekty i zaprojektowane usługi w chmurze w następujący sposób:                                                                                                                      

  1. Kierownik magazynu korzysta z usługi MRP w celu opracowania planów zapotrzebowania materiałowego zgodnie z produkcją zamówienia z działu planowania produkcji. Na podstawie planów, operator magazynu dokonuje załadunku zaplanowanego materiału  poprzez dołączenie tagów RFID do różnych palet wsadowych przez stacjonarny czytnik. Po związaniu palety są konwertowane na PSLO, a wiadomość zostanie wysłana do produkcji. Usługa planowania (np. zewnętrzny operator logistyczny (ELO)) pobiera zadania logistyczne z usługi planowania produkcji i wykrywa wymagane PSLO w obszarze załadunku surowców. Następnie zostaje wyświetlony komunikat potwierdzenia wysłania po odebraniu PSLO i dostarczeniu do pierwszego etapu przetwarzania. Usługa przechwytywania danych będzie gromadzić wszystkie dane i odsyłać do hurtowni danych.
  2. Po zakończeniu przetwarzania pojawi się komunikat wysyłany przez PSLO (operator maszyny) za pośrednictwem stacjonarnego czytnika zainstalowanego na maszynie. Mobilny ASLO pobiera wiadomość i przenosi PSLO do następnego miejsca docelowego.
  3. Mobilny inteligentny obiekt logistyczny przesunie gotowe PSLO (pasywne obiekty logistyczne) w pierwszym etapie przetwarzania do następnego etapu z buforów. Stacjonarny ASLO wykryje ruchy PSLO i wyśle zmianę statusu do usługi planowanie produkcji i usługa widoczności. Wtedy następne zadanie logistyczne może być wykonywane przez mobilne ASLO.
  4. Na następnym etapie przetwarzania działają mechanizmy robocze podobnie jak w poprzednich operacjach, aż wszystkie wymagane procesy zostaną spełnione.
  5. Gotowe produkty, po przetworzeniu, są dostarczane przez mobilne ASLO. W obszarze odbioru produktu gotowego, operator magazynu używa stacjonarnego ASLO do zniszczenia i przetwarzania etykiety.

       Spośród powyższych operacji usługa przechwytywania danych będzie zbierać wszystkie dane wygenerowane przez różne inteligentne obiekty. Takie dane, usługi widoczności i identyfikowalności, są w stanie śledzić w czasie rzeczywistym logistykę na hali produkcyjnej w chmurze.

3 Logistyka umożliwiająca identyfikację częstotliwości fal radiowych Big Data z hal produkcyjnych Cloud Manufacturing.

Interakcje różnych inteligentnych obiektów w sklepach wielkopowierzchniowych Cloud Manufacturing generują ogromne dane RFID, które zawierają bogate i ukryte informacje o produkcji oraz zasobach i możliwościach. Aby zbadać nieocenione zasoby, w tej sekcji zaproponowano model prostopadłościanu RFID i aby zaprezentować logistykę sklepów wielkopowierzchniowych użyto RFID do wizualizacji operacji i zachowań.

3.1 Surowe dane identyfikacji radiowej

Surowe dane RFID są przechowywane w bazie danych z różnymi tabelami (Rys. 2). Tak ogromna liczba danych przechwyconych z Cloud Manufacturing sklepów wielkopowierzchniowych jest wyzwaniem do pełnego wykorzystania tych danych w celu wspierania zaawansowanych decyzji [25]. W celu uzyskania wizualizowanego planowania logistyki w tej sekcji pobierane są powiązane kluczowe dane z różnych tabel, w celu utworzenia modelu prostopadłościanu RFID.

Zbiór surowych danych RFID z hal produkcyjnych Cloud Manufacturing definiuje się jako D = {Di | Di = <Operatori EPC, BatchiEPC, Location EPC, Behavior ID, Ti>}, i+1,2,…,n, gdzie Operator iEPC reprezentuje operatora logistycznego ze swoim zakładowąkartą EPC.  BatchiEPC wskazuje materiał wsadowy z dołączonym znacznikiem EPC. LocationiEPC  to miejsce oznaczone tagiem EPC. ID  użytkownika przedstawia czynności, takie jak zamówienie, zbieranie, odkładanie, przekazywanie materiałów itp. Ti to znacznik czasu, który pokazuje, kiedy zdarzenie miało miejsce. Biorąc kawałek danych RFID na przykład;                    Di= <120013E49D; 1500C0268E; 2E00 67A2F4; 0206; 2008−08−09 16: 25> może być interpretowane jak na rys. 3.

Z rys. 3 każdy element danych jest przechowywany w tabelach danych, które  odnoszą się do siebie za pomocą niektórych kluczy, takich jak UserID  i BehaviorID. Można zaobserwować, że surowe dane logistyczne RFID z typowego Cloud Manufacturing są tak złożone, że każdy element zestawu danych zawiera kilka atrybutów z wyrafinowanymi relacjami i abstrakcyjnymi prezentacjami. W celu zaprezentowania logistyki RFID dużych danych proponuje się innowacyjny model RFID-Cuboid do łączenia owych danych według każdego znacznika czasu. Dzięki temu połączone dane mogą być łatwe do zinterpretowania z punktu logiki logistycznej i szeregów czasowych.

3.2 Identyfikacja częstotliwości radiowej – model prostopadłościanu

Model RFID-Cuboid opiera się na sześciennej kostce, która organizuje powiązane atrybuty zgodnie z logiką logistyczną i łańcuchem czasowym. Rysunek 4 pokazuje zasadę tego modelu opartego na trzech kluczowych wymiarach reprezentujących logistykę Big Data z obsługą RFID. W danych RFID wymiar (x-axis), pięć elementów z części danych RFID jest usprawnianych. W kluczowym wymiarze atrybutu (z-axis), wymienione atrybuty do każdego elementu są wyszczególnione. Aby zracjonalizować atrybuty, np. zmniejszyć nadmiarowość, użyteczne dane są pobierane, a następnie umieszczane po prawej stronie kostki. Można zaobserwować, że ilości atrybutów są zagęszczane od 20 do 8 przez model prostopadłościanu RFID w celu  zmniejszyć zajmowaną przestrzeń magazynową. W wymiarze zachowań                 (y-axis), operacje logistyczne prezentowane przez różne RFID-Cuboids, które są połączone łańcuchowo zgodnie z logiką i szeregami czasowymi. Tak więc RFID-Cuboid zawiera wszystkie wygenerowane informacje podczas całego procesu logistycznego.

Rysunek 2 Dane surowe RFID z bazy danych

3.2 Identyfikacja częstotliwości radiowej – model prostopadłościanu

Model RFID-Cuboid opiera się na sześciennej kostce, która organizuje powiązane atrybuty zgodnie z logiką logistyczną i łańcuchem czasowym. Rysunek 4 pokazuje zasadę tego modelu opartego na trzech kluczowych wymiarach reprezentujących logistykę Big Data z obsługą RFID. W danych RFID wymiar (x-axis), pięć elementów z części danych RFID jest usprawnianych. W kluczowym wymiarze atrybutu (z-axis), wymienione atrybuty do każdego elementu są wyszczególnione. Aby zracjonalizować atrybuty, np. zmniejszyć nadmiarowość, użyteczne dane są pobierane, a następnie umieszczane po prawej stronie kostki. Można zaobserwować, że ilości atrybutów są zagęszczane od 20 do 8 przez model prostopadłościanu RFID w celu  zmniejszyć zajmowaną przestrzeń magazynową. W wymiarze zachowań                 (y-axis), operacje logistyczne prezentowane przez różne RFID-Cuboids, które są połączone łańcuchowo zgodnie z logiką i szeregami czasowymi. Tak więc RFID-Cuboid zawiera wszystkie wygenerowane informacje podczas całego procesu logistycznego.

Rysunek 3 RFID-model prostopadłościanu dla organizowanie surowych danych

Na podstawie modelu, niektóre bezcenne informacje logistyczne lub wiedza mogą zostać wygenerowane. Niektóre definicje są podane w celu wizualizacji lub oceny wydajności logistyki.

Rysunek 4 Interpretacja próbki danych

Definicja 1. Czas logistyki partii (LTiBa). LTiBa oznacza czas spędzony na przenoszeniu jednej partii materiału z obszaru załadunku surowca do obszaru odbioru gotowego produktu. LTiBa=(Time n-Time*1)| BatchiEPC €BATCH*BATCH to zestaw wszystkich partii.

Definicja 2. Zużycie czasu zdarzenia (TCiEV) . TCiEV przedstawia, ile czasu zajmuje wydarzenie. Może byćto obliczane z dwóch sąsiadujących prostopadłościanów RFID.               TCiEV = (Time (j + 1) – Time⋅j) | BehaviorID ∈ Behavior  to zbiór wszystkich zachowań.

Definicja 3. Wydajność operatora logistycznego (PiOp). PiOp pokazuje, ile partii materiałów obsługuje OperatoriEPC w określonym czasie. PiOp=∑Behaviori/n gdzie Behaviori przedstawia operację logistyczną, n to łączna liczba RFID-Cuboids i Op to zestaw operatorów logistycznych.

4. Wizualizacja i analiza częstotliwości radiowych logistyka identyfikacji Big Data

  Oparty na modelu RFID-Cuboid, logistyka Big Data z Cloud Manufacturing może zostać zrekonstruowana i wizualizowana od złożonej i abstrakcyjnej formy do graficznej, którą łatwo zrozumieć. Rysunek 5 pokazuje trzy kroki przekształcenia ogromnych kuboidy RFID w widoki graficzne, wydajność operatora i postęp produkcji.  Po pierwsze, ogromna liczba prostopadłościanów RFID jest przykuta do zestawu, którego każdy element przedstawia odpowiednią logistykę działania pod sklepami Cloud Manufacturing. Przykuty RFID-Cuboids ujawnia, kto zrobił, co na tej partii gdzie, kiedy (zasada 5 W). Po drugie, przykuty RFID-Cuboids są wizualizowane przez powiązane z nimi zachowania logistyczne, takie jak komisjonowanie, odkładanie itp. Z takimi interpretowanymi informacjami , trajektorie logistyczne są wykreślane [26]. Każda trajektoria zawiera punkt początkowy i docelowy z wartością TCi Ev.  Po trzecie, ogromna ilość trajektorii są identyfikowane, sortowane i wizualizowane,  biorąc pod uwagę kluczowe obawy, takie jak wydajność operatora i postęp produkcji. Na podstawie definicji z tego artykułu, różne wykresy są wykorzystywane do wizualizacji operacji logistycznych w Cloud Manufacturing . Wreszcie, z wizualizowanych wykresów, nieoceniona wiedza logistyczna dla sklepów w Manufakturze Cloud Manufacturing jest zarządzana.

Rysunek 5 Wizualizowany schemat logistyki RFID Big Data

Opracowano trzy kluczowe umiejętności na zewnątrz. Są to wartości przydatne do codziennego tworzenia decyzji produkcyjnych, takich  jak planowanie logistyki i harmonogramowanie, tendencje wydobywcze, które są wykorzystywane do takich decyzji krótkoterminowych jako kontrola zapasów WIP w szczytowych sezonach lub poza sezonem, oraz niejawne zasady, które są wykorzystywane do długoterminowych decyzji strategicznych takich jak zadania związane z logistyką, strategia promocji i projekt układu bufora.

 Rozważane są dwie ważne wizualizacje. Do wizualizacji wydajności operatora, statystyki i maszyny stosowane są podejścia do nauki. Użytkownicy postępują zgodnie z trzema procedurami procedurami, aby wyświetlić Big Data:

(1) Użytkownik wybiera operatora logistycznego z lewej  listy, klikając nazwę, (2) podejście statystyczne jest wyzwalane przez kliknięcie, aby wygenerować słupki kolumn, które wskazują liczbę partii wykonanych przez tego operatora miesięcznie i (3) użytkownik klika pasek, aby wyświetlić szczegółowe dzienne dane codziennie, które obejmują całkowitą ilość eksploatowanych partie i całkowity czas pracy.

  Do wizualizacji postępu produkcji, statystyki używane są modele predykcyjne. Użytkownicy postępują zgodnie z następującymi procedurami, aby wyświetlić Big Data: (1) Użytkownik wybiera zlecenie produkcyjne z listy, klikając. (2) Model statystyki został przywołany obliczając postępy w czasie rzeczywistym RFID-Cuboids. Ponieważ zamówienie produkcyjne obejmuje kilka partii, każdy pasek z diagramu przedstawia aktualny stan partii materiałów. (3) Użytkownik klika pasek, aby wyświetlić szczegóły postępu. Dostępne są dwa widoki: krzywe odchylenia i wykres Gantta System Kanban. Krzywe odchylenia pokazują różnice między zleceniami produkcyjnymi (zielona krzywa) i ich rzeczywistymi wykonaniami (czerwona krzywa). Tak więc znaczne odchylenia można obserwować i kontrolować, tak jak kwestie jakości i awarie maszyn. System Gantt Chart Kanban przedstawia bieżące postępy, w pełni wykorzystując w czasie rzeczywistym RFID-Cuboids. Jeśli wystąpi zdarzenie RFID zostanie utworzony prostopadłościan RFID w celu aktualizacji postępu zaangażowanej partii poprzez obliczenie procentu skończonej pracy. Dlatego widoczność w czasie rzeczywistym i możliwość śledzenia można osiągnąć przez splot RFID-Cuboids i Gantta Wykres.

 Jednym z kluczowych celów wizualizacji jest wykopanie cennej wiedzy logistycznej dla Cloud Manufacturing zarządzanie sklepem. W oparciu o wizualizację logistyki Big Data opartej na RFID wiedza jest klasyfikowana na trzy kategorie: wartości użyteczne, istotne trendy i zasady zarządzania. W kategorii wartości przydatnych zaobserwowano kilka wyników krytycznych. Po pierwsze, okazuje się, że średnia LTi Ba jest 30,4 (jednostka czasu). Oznacza to, że jeśli partia materiału podejmuje wszystkie procesy w Cloude Manufacturing czas należy poświęcić na logistykę oraz czas przetwarzania maszyny na każdym etapie.  RFID pomaga działowi sprzedaży oszacować datę dostawy przy odbiorze zamówień klienta. Po drugie, średnia wartość TCi Ev wynosi 1,9 (jednostka czasu), co oznacza standardy dla operacji logistycznych. To pomaga kierownikom sklepów w ocenie różnych operatorów.

W kategorii znaczących trendów decyzje długoterminowe mogą opierać się na tych ustaleniach. Po pierwsze, różnica w wydajności między starszymi i młodszymi operatorami jest duża – sezon z odsetkiem 11,76%. Oznacza to, że starsi operatorzy osiągają lepsze wyniki niż młodsi operatorzy. Jednak wyniki osiągane są tylko w szczycie sezonu. Poza sezonem ich wydajność jest prawie taka sama.  To jest obserwowane, że wydajność starszych operatorów w szczycie sezonu i poza sezonem znacznie odbiega od normy. Można przypisać dwa powody, znaczące odchylenia.

Przede wszystkim w szczycie sezonu duża liczba zadań logistycznych, dzięki którym operatorzy są zajęci z realizacją planów. W takim przypadku umiejętności starszych operatorów, przeszłe doświadczenia i krzywe uczenia się roli w osiąganiu dobrych wyników. Po drugie, poza sezonem operatorzy nie są tak zajęci w porównaniu do sezonu szczytowego. Tak więc wydajność zarówno starszych, jak i młodszych operatorów powinna być zrównoważona, aby dzielić zadania logistyczne.

 W kategorii zasad zarządzania decyzje strategiczne mogą opierać się na obserwacjach. Do przypisywania zadań dla różnych operatorów logistycznych, opracowywane są rozsądne zasady za podejmowanie decyzji. Typowe zasady są oparte na materiale zasady (te same materiały zgrupowane dla zadania), zasady oparte na priorytetach (biorąc pod uwagę znaczenie klienta i termin) itp.

Takie zasady są wykorzystywane do osiągnięcia różnych celów, takich jak maksymalizacja wykorzystania maszyn, minimalizacja zapasów WIP, i tak dalej w różnych sytuacjach. Dodatkowo kryteria dla promocji, jest ustalana na podstawie analizy wydajności różnych poziomów operatorów. Biorąc pod uwagę ich krzywe „uczenia się” wydobyte na podstawie wyników zarządzania zasobami ludzkimi firm można było dokładniej zbadać.

5. Studium przypadku

Dane studium przypadku pochodzi od prawdziwego  producenta samochodów – Huaiji Dengyun Auto-parts (Holding) Co., Ltd. (w skrócie Huaiji) – który jest małym i średnim przedsiębiorstwem z siedzibą w Guangdong w Chinach. Ta sekcja informuje o wizualizacji technologii Big Data z obsługą RFID do obsługi tzw. chmury (Cloud Manufacturing) zarządzania logistyką hal produkcyjnych.

Obrazek posiada pusty atrybut alt; plik o nazwie 6.png

Rysunek 6 Wizualizacja trajektorii logistycznej z budowanych RFID-Cuboids


5.1 O firmie
Huaiji specjalizuje się w produkcji zaworów silnikowych stosując najbardziej zaawansowane technologie, takie jak Cloud Manufacturing, IoT i Big Data.
Jest największym producentem zaworów silnikowych w Chinach pod względem ilości i rodzajów o pojemności 31,5 mln. Huaiji jest w stanie wyprodukować ponad 8000 rodzaje produktów, które są szeroko stosowane w silnikach samochodowych, morskich i innych. Istnieją cztery sklepy wielkopowierzchniowe, z których każdy jest wyposażony w kilka linii produkcyjnych. Od 2003 r. Huaiji stosuje technologię RFID do zarządzania operacjami logistycznymi i produkcją w tzw. chmurze (Cloud Manufacturing) dla zaawansowanych decyzji produkcyjnych.
Na obszarze sklepów wielkopowierzchniowych znajduje się około 1000 maszyn i 55 buforów. Każda z nich jest identyfikowana przez czytnik RFID. Następnie są one przekształcane w ASLOs. Istnieje około 400 operatorów logistycznych, każdy z nich zawiera czytnik mobilny RFID i posiada kartę załogową RFID. Każda partia, dołączona do etykiety RFID, jest uważana za zadanie, które ma 180 sztuk zaworów. Tak więc partie są zamieniane na PSLO. Codziennie na obszarze hali produkcyjnej obsługiwanych jest około 10 000 partii. Po pierwszym wdrożeniu dane logistyczne w czasie rzeczywistym są generowane i gromadzone w celu wsparcia zarządzania logistycznego.
Huaiji przyjął tzw. chmurę Cloud Manufacturing, aby w pełni wykorzystać zebrane dane logistyczne RFID dla zaawansowanych decyzji takich jak MRP, planowanie produkcji oraz mapowanie. Bogaty zestaw usług zaprojektowano i opracowano, aby wykorzystywały dane RFID w czasie rzeczywistym do wspomagania zarządzania halą produkcyjną. Te usługi są wdrażane w tzw. chmurze prywatnej; dzięki temu użytkownicy posiadają do nich indywidualny dostęp, w celu ułatwienia podejmowania przez nich operacji i decyzji. Kluczowe usługi obejmują: usługę MRP, usługę planowania produkcji, usługę mapowania produkcji, przechwytywania danych, obsługi klienta, usługę widoczności i usługę śledzenia.
Huaiji jest w stanie stworzyć ogromną liczbę danych logistycznych RFID jako operacje produkcyjne wykonywane przez ASLO i PSLO. Załóżmy, że rozmiar danych RFID wynosi 101,5 B, jeśli istnieje 500 detekcji na sekundę, ilość dziennych danych logistycznych RFID osiągnie 4,08 GB, a ich złożone relacje i wielowymiarowe cechy wizualizują nawet takie skomplikowane dane. W tym przypadku każdy z siedmiu etapów, który ma kilka buforów i 413 473 sztuk surowych danych RFID jest wykorzystywany do demonstracji podejścia wizualizacji zaproponowanego w tym artykule.

Table 1TCi Ev dla każdej trajektorii BatchID

 5.2. Wyniki eksperymentów i omówienie


Z wybranymi danymi przeprowadzanych jest kilka eksperymentów oceniających proponowane podejścia.  Pierwszym eksperymentem jest ustalenie zestawu RFID-Cuboid, zgodnie z logiką produkcji i szeregami czasowymi. Wbudowane są 21 943 RFID-Cuboids.

Tabela 2 Analiza ekonomiczna porównań

Rysunek 6 przedstawia wizualizację niektórych kuboidów RFID datowanych na   3 maja 2008 r. W celu ogólnego uproszczenia trajektorie logistyczne są wykreślane na siedmiu etapach produkcji. Partia materiałów o BatchID = 522822 z rys. 6  została wybrana  do demonstracji wizualizacji. Po pierwsze, identyfikowana jest ruchoma trajektoria tej partii. Jest 18 ruchów, z których każdy TC i Ev oblicza się tak jak pokazano w Tabeli 1.
Można zauważyć, że całkowity czas logistyczny wynosi 51,35 powyżej średniej wartości (30,4). Po drugie, z tego przypadku okazało się, że operator 48921 ma najlepszą wydajność z pięcioma związanymi zdarzeniami. Po trzecie, najwięcej czasu (6,4) należy do trajektorii nr. 12, którego operator to 37624. Wynika to z faktu, że operator jest nowy a do tego młody stażem, który przez to nie jest zaznajomiony z obsługą urządzenia RFID. Wreszcie można stwierdzić, że większe koszty generuje czas pomiędzy różnymi etapami  niż na tym samym etapie.  Wynika to nie tylko dlatego, że odległość jest większa, ale także z braku ELOs, które  odpowiadają za przenoszenie materiałów od jednego zakładu do drugiego.

Drugi eksperyment polega na ocenie perspektywy ekonomicznej. Załóżmy, że koszty logistyki wewnętrznej i zewnętrznej wynoszą odpowiednio 1 USD i 5 USD. Tabela 2 bada BatchID = 522822, w celu przedstawienia analizy ekonomicznej poprzez porównywanie praktycznych,  rzeczywistych  egzekucji logistycznych i racjonalizacji decyzji opartych na wizualizowanych informacjach i wiedzy umysłowej.   Z tabeli 2 wynikają korzyści ekonomiczne, które w tym przypadku można interpretować w następujący sposób. Po pierwsze, operatorzy logistyczni dostarczający BatchID = 522822 są zoptymalizowani. W poprzednich operacjach  logistycznych  zaangażowano 11 pracowników. Po zracjonalizowaniu podejmowanych decyzji, czterej pracownicy są w stanie wykonać operacje logistyczne. To oszczędza siedem etapów uwzględniając znaczne korzyści ekonomiczne. Po drugie, bazując na zracjonalizowanej logistyce decyzyjnej, całkowity koszt czasu zmniejsza się o 13,73%.
Średni czas operacji logistycznych poprawił się z 2,85 do 2,46 (jednostka czasu).
W ten sposób poprawia się wydajność logistyczna. Po trzecie, całkowity obniżony koszt wynosi 27,25, co jest niezwykłe. Chociaż niektóre operacje zwiększają koszty, np. operacje 5, 6 i 13, niektóre znaczne redukcje pochodzą z operacji 7, 12 i 17 których operatorzy logistyczni są zastępowani optymalnymi decyzjami. Można stwierdzić, że młodsi stażem pracownicy powinni być przydzieleni do wewnętrznych operacji  logistycznych ze względu na ich „świeży” poziom umiejętności. Do zewnętrznych operacji logistycznych wśród różnych zakładów zaleca się starszych stażem operatorów ze względu na ich umiejętności.

Oprócz wizualizacji trajektorii logistycznej z RFID-Cuboids, różni użytkownicy końcowi mogą korzystać z usług graficznych wspierających  ich codzienne operacje. Dla kierownika produkcji używana jest usługa MRP do opracowania planów załadunku materiałów zgodnie z dziennymi zleceniami produkcyjnymi. Sprawdza zapasy magazynowe za pomocą paska narzędzi, który wyświetla aktualne zapasy. Następnie kierownik magazynu otrzymuje plany wykonania schematu ładowania materiałów poprzez przeglądanie zapasów za pomocą graficznego serwisu na czytnikach RFID. Operatorzy logistyczni korzystają z urządzeń RFID, w celu zbierania danych podczas przenoszenia materiałów wsadowych do hal produkcyjnych sklepów wielkopowierzchniowych.

Kierownik sklepu używa planowania produkcji i usług planowania, w celu ustalenia codziennych harmonogramów. Na podstawie harmonogramów podawane są również plany logistyczne, które na bieżąco ukazują status produkcji na każdym etapie, natomiast obciążenie pracą, poziom zapasów WIP  i wydajność operatorów logistycznych są wizualizowane na wykresie Gantta. Plany będą przekazywane w czasie rzeczywistym operatorom  logistycznym, którzy wykorzystują mobilne czytniki RFID do przeglądania i wykonywania zadań. Usługa przechwytywania danych z chmury zbiera wszystkie dane do wizualizacji postępów produkcji.

Dla operatorów logistycznych wykorzystuje się czytniki mobilne do wykrywania oznakowanych partii RFID i przenoszenia ich do miejsc docelowych na hali produkcyjnej. Każde wykrycie spowoduje uruchomienie zdarzenia, którego odpowiednie dane są następnie przesyłane do bazy danych za stworzenie RFID-Cuboids. Uznane RFIDCuboids są następnie wizualizowane jako trajektoria logistyczna do badania wydajności różnych operatorów. W ten sposób taka bezcenna wiedza może zostać wykorzystana do wspomagania planowania logistycznego i harmonogramowania w magazynie Cloud Manufacturing.

 

5.3. Implikacje zarządcze


Kluczowe spostrzeżenia i wnioski z tego przypadku mogą być przekształcone w znaczące implikacje zarządcze, które mogą być wykorzystywane do pomocy różnym użytkownikom końcowym w ułatwieniu ich zachowań i operacji.

Po pierwsze, średnia LTi Ba to 30,4, którego można użyć do oszacowania daty dostawy (czas obróbki maszyny + czas logistyczny), gdy klient składa zamówienie po jednej stronie. Po drugiej stronie, średnia LTi Ba można wykorzystać do oceny wydajności logistycznej.

Po drugie, różnica wydajności logistycznej dla starszych i młodszych stażem operatorów to około 11,76%. W celu wykonania planów logistycznych standardowy czas pracy (SOT) może być nieznacznie inny, aby zapewnić dokładność egzekucji w szczycie sezonu produkcji. Podczas gdy poza sezonem plany logistyczne powinny być wykonane z uwzględnieniem równowagi obciążenia dla starszych i młodszych stażem operatorów.

Po trzecie, w danej firmie logistyka zewnętrzna jest inna dla produkcji  na powierzchni hal produkcyjnych sklepów wielkopowierzchniowych, zajmując dużą część cyklu produkcyjnego. Oznacza to brak ELO. Za wzmocnienie wydajność produkcji, wewnętrzni operatorzy logistyczni hal produkcyjnych (np. etap 4 na hali 2) mogą być oddelegowani do prowadzenia zewnętrznych operacji logistycznych.

 

6. Wnioski


Niniejszy artykuł przedstawia podejście do wizualizacji logistyki sklepów wielkopowierzchniowych RFID z obsługą danych w chmurze wspierających zaawansowane podejmowanie decyzji. W Cloud Manufacturing logistyka w sklepach  wielkopowierzchniowych wykorzystuje technologię RFID przekształcania różnych typowych zasobów produkcyjnych w inteligentne obiekty logistyczne (SLO), które mogą wyczuwać siebie nawzajem i wspólnie współdziałać w inteligentnym środowisku. Jako ogromne wykorzystanie Cloud Manufacturing z technologiami IoT, takimi jak RFID w produkcji wielkopowierzchniowej, duża liczba danych logistycznych przyczyniły się do  powstania zakładów produkcyjnych. Proponowany jest innowacyjny model RFIDCuboid w celu uporządkowania takich danych zgodnie z logiką produkcji i szeregów czasowych. Po założeniu RFID-Cuboids, wizualizacja trajektorii logistycznej i przydatnych  informacji, trendów logistycznych i wiedzy są wydobywane w celu wsparcia decyzji.

Kilka wkładów jest znaczących. Po pierwsze, technologia RFID jest wykorzystywana do tworzenia inteligentnego środowiska produkcyjnego włączając koncepcję Cloud Manufacturing. Otwiera to możliwe podejście do integracji IoT i Cloud Manufacturing w celu modernizacji i przekształcenia tradycyjnego przemysłu w inteligentną przyszłość. Po drugie model RFID-Cuboid proponuje, aby zająć się wizualizacją złożonych i abstrakcyjnych surowych danych RFID. Ten model opiera się na produkcji  i znaczników czasu do łańcucha danych RFID, tak aby dane mogły być czytelne i możliwe do interpretacji przez użytkowników. Po trzecie, mówi się, że rzeczywisty przypadek pokazuje możliwość wykonania i praktyczność proponowanego podejścia do wizualizacji, w celu ułatwienia różnym użytkownikom końcowym  ich codziennych operacji. Lekcje i spostrzeżenia dotyczące danego przypadku mają znaczenie przy wdrożeniu „chmury” i analizy produkcji Big Data w branży.

Kilka spostrzeżeń menedżerskich jest znaczących. Na początku miejsce, a mianowicie średni czas logistyki wydobycia, jest przydatny do wykonania MRP i decyzji produkcyjnych.
Dzięki dokładnemu czasowi, prognozy logistyczne są dokładniejsze. Co więcej, wydajność różnych operatorów może być wykorzystana do podejmowania optymalnych decyzji logistycznych. Na przykład  pracownicy młodsi stażem powinni wykonywać wewnętrzne operacje logistyczne, podczas gdy pracownicy starsi stażem są lepsi na polu  dostawy zewnętrznej. Wreszcie poziom zapasów WIP może być zbadany przez działania logistyczne mające miejsce w różnych buforach. Bufory o niskiej wydajności logistycznej mają wysoką wartość zapasów WIP; w ten sposób więcej pracowników może potrzebować poprawy wydajności.

Przyszłe kierunki badań są realizowane w następujący sposób.
Po jak wizualizacji i wydobywaniu Big Data z obsługą RFID możemy wykorzystać wizualizowane informacje, natomiast bezcenna wiedza logistyki powinna być dalej badana w celu wsparcia optymalizacji logistyki. Tak więc model matematyczny oparty na RFID w czasie rzeczywistym zostanie opracowany. Do tego, w tym artykule skupiamy się na logistyce sklepów wielkopowierzchniowych. Dla globalnej logistyki i zarządzania łańcuchem dostaw (LSCM), Technologia Auto-ID może mieć większy wpływ i przyczynić się do wygenerowania ogromnych danych. Jak więc używać LSCM Big Data do wspierania koordynacji łańcucha dostaw na różnych szczeblach?  Wielką zasługą dla poprawy wydajności globalnego łańcucha dostaw jest zarządzanie.  Dlatego też nowy globalny model koordynacji może być sformułowany w celu zbadania wpływu Big Data i jego wartości w zarządzaniu łańcuchem dostaw.

Podziękowania:  Niniejsza praca jest wspierana przez National Natural Science Foundation of China (Grant No. 51405307), Project Funded by China Postdoctoral Science Foundation (2015M570720) i projekt Guangdong High Education Institution (2013CXZDC008).

Powyższy tekst jest tłumaczeniem oryginalnego artykułu – Visualization of RFID-enabled shopfloor logistics Big Data in Cloud Manufacturing
Artykuł autorstwa Ray Y. Zhong1,2 & Shulin Lan1 & Chen Xu3 & Qingyun Dai 4 & George Q. Huang1
Tłumaczenie zostało wykonane na potrzeby zajęć Uniwersytetu Ekonomicznego we Wrocławiu

Oceń ten artykuł