Самарская область, Россия
Россия
Россия
Проектирование роботизированных и беспилотных транспортных средств включает этап виртуального ввода в эксплуатацию, обеспечивающего анализ работы объектов с помощью цифровых двойников. Проведение большого числа экспериментов на моделях обусловливает использование методов оценки полученных результатов для выбора лучшего проектного решения. Предложена методика многофакторного анализа эффективности работы комплекса автономных транспортных средств (АТС) агропромышленного назначения. Многофакторный анализ выполняется на этапе виртуального ввода в эксплуатацию с целью раннего планирования мероприятий по техническому обслуживанию и ремонту. Использован метод анализа среды функционирования для сравнительной оценки различных сценариев эксплуатации. Метод базируется на решении комплекса оптимизационных задач линейного программирования. Предложено формальное описание сценариев виртуальных испытаний. Методика многофакторного анализа реализуется в процессе виртуальных испытаний с использованием системных моделей оптимального назначения и имитационного моделирования АТС. Разработана процедура виртуальных испытаний АТС, включающая поэтапное моделирование и многофакторный анализ. Определены множества входных и выходных ключевых параметров АТС и анализируемых сценариев. Предложено выполнять последовательно две задачи оценки эффективности. Первая задача заключается в сравнительной оценке эффективности отдельных АТС и определении границы их эффективности. Решение второй задачи позволяет оценить эффективность сценариев эксплуатации системы АТС. Получены целевые значения изменения ключевых параметров АТС и сценариев эксплуатации, приводящие к повышению эффективности эксплуатации и технического обслуживания. Проведение многофакторного анализа результатов виртуальных испытаний позволяет сформулировать требования и рекомендации при проектировании систем технического обслуживания АТС.
автономные транспортные средства, виртуальный ввод в эксплуатацию, техническое обслуживание, многофакторный анализ, метод анализа среды функционирования, оценка эффективности
Введение
Разработка и внедрение автономных транспортных средств (АТС) в различные отрасли промышленности является одним из компонентов концепции «Индустрия 5.0» [1, 2]. Характерная особенность АТС как киберфизических систем – наличие в составе оборудования большого числа измерительных устройств, подсистем автономного управления и средств передачи данных на удаленные центры обработки и анализа технического состояния транспортных средств. Это позволяет в реальном времени контролировать режимы работы и проводить диагностику узлов и агрегатов. В то же время возникает проблема предварительного определения структуры и средств технического обслуживания и ремонта (ТОиР) на этапе проектирования и производства АТС. В современной индустрии развивается подход, основанный на виртуальных испытаниях проектируемых изделий на этапе виртуального ввода в эксплуатацию [3–5].
В настоящей статье описывается методика проведения виртуальных испытаний и оценки полученных результатов применительно к комплексу АТС сельскохозяйственного назначения, обслуживающему производственно-логистическую систему агропромышленного предприятия. Исследования проводились в рамках НИР, выполненных Самарским государственным техническим университетом совместно с АО «КАМАЗ», по Федеральной целевой программе по созданию робототехнического автомобиля сельскохозяйственного назначения [6, 7].
Задача организации ТОиР АТС в процессе виртуального ввода в эксплуатацию
Подход к организации эксплуатации, ТОиР комплекса АТС описан в работе [8]. На основе предложенного комплекса системных моделей формируется процедура виртуальных испытаний, которая включает решение оптимизационной задачи назначений, имитационное моделирование динамики производственных процессов и выполнение многофакторной оценки эффективности работы виртуальных АТС в заданных условиях внешней среды.
Рассматривается производственно-логистическая система, включающая:
– парк A автономных грузовых автомобилей семейства КАМАЗ;
– парк U автономных комбайнов моделей TORUM 785 и CLAAS LEXION 580;
– множество обрабатываемых полей с зерновыми культурами;
– множество маршрутов между полями и зернохранилищем [8].
Сценарии виртуальных испытаний зависят от планового графика работ G на множестве полей P, состояния готовности АТС к эксплуатации, ожидаемых погодных условий W.
Сценарий Sj определяется как
где – множество комбайнов и – множество автомобилей, назначенных на работы G на полях
с дорожной структурой D;
J – множество анализируемых сценариев. В свою очередь, множества Uj и Aj включают подмножества активных, резервных и каннибализируемых АТС.
На первом этапе проводится решение задачи целочисленного линейного программирования с булевыми переменными для оптимального назначения автономных автомобилей и комбайнов на поля в соответствии с календарно-сетевым графиком работ G:
Целевая функция C есть общая стоимость эксплутации АТС при выполнении работ на заданном множестве полей:
(1)
где cknm – суммарная стоимость выполнения производственных операций одним АТС на поле pk. Ограничения для задачи (1) учитывают технические параметры АТС, а также степень загруженности автономных автомобилей в соответствии с площадью убираемых полей и объемами бункеров зерноуборочных комбайнов.
На следующем этапе выполняются имитационные эксперименты на иерархической модели, построенной на стохастической раскрашенной сети Петри. Методика построения таких моделей для исследования эксплуатации и технического обслуживания киберфизических систем разработана и описана в [9]. По результатам имитационного моделирования при необходимости проводится коррекция условий оптимизационной задачи. При удовлетворении требований выполняется переход к многофакторной оценке эффективности функционирования комплекса АТС для различных сценариев и заданных наборов параметров.
Многофакторный анализ выполняется по методу АСФ – анализ среды функционирования (Data Envelopment Analysis – DEA) [10–14]. Этот метод позволяет оценить интегральную эффективность комплекса однородных объектов DMU (Decision Making Unit) по заданному набору их параметров. В качестве анализируемых объектов в настоящей статье предлагается рассматривать множество сценариев, генерируемых в процессе виртуальных испытаний, и множества АТС, участвующих в сценарии.
Будем рассматривать 2 задачи многофакторного анализа:
– задача 1 – оценка эффективности эксплуатации и технического обслуживания отдельных АТС в заданном сценарии Sj;
– задача 2 – оценка эффективности выполнения заданного множества производственных работ G в различных сценариях Sj, j = 1, ..., J.
Таким образом, процедуру виртуальных испытаний комплекса АТС при различных сценариях можно представить в виде, показанном на рис. 1.
Если в результате виртуального испытания требования к проектируемой системе АТС не удовлетворяются, проводится коррекция либо частных моделей, либо условий выполнения сценария в целом. Такую коррекцию выполняет аналитик, специализирующийся на проектировании АТС.
Рис. 1. Процедура виртуальных испытаний автономных транспортных средств
Fig. 1. The procedure for virtual testing of autonomous vehicles
Метод многофакторного анализа оценки эффективности АТС
Техническая эффективность ТЕ комплекса АТС рассчитывается как соотношение суммы взвешенных результатов производственной деятельности АТС к сумме взвешенных использованных средств:
Каждый сценарий описывается вектором входных параметров
и вектором выходных параметров
. Соответственно, для всех оцениваемых сценариев формируются матрица
и матрица
Задача многофакторного анализа при оценке эффективности работы комплекса АТС на множестве различных сценариев при использовании метода АСФ сводится к нахождению минимума критерия эффективности θ (задача Банкера – Чарнеса – Купера [10])
(2)
при ограничениях
, (3)
где θ – интегральный критерий эффективности j-го сценария, θ ∈ (0; 1]; λ – вектор-столбец искомых неизвестных весовых коэффициентов; e – единичная вектор-строка.
Решение системы уравнений (2), (3) дает расположение всех анализируемых сценариев в многомерном пространстве параметров относительно границы эффективности. Далее находятся целевые изменения параметров каждого сценария для вывода его точно на границу эффективности.
Выбор наборов входных и выходных параметров объекта в методе АСФ не связан с направлением обработки каких-либо информационных потоков в объекте или преобразованием некоторого материального продукта, а обусловлен характером воздействия изменений параметра на величину критерия эффективности в целом. В input-ориентированной модели к повышению эффективности приводит уменьшение входных параметров. В output-ориентированной модели эффективность повышается при увеличении выходных параметров.
Алгоритм многофакторного анализа сценариев при виртуальных испытаниях представлен на рис. 2.
Рис. 2. Алгоритм многофакторного анализа эффективности сценариев виртуальных испытаний
Fig. 2. Algorithm for multifactorial analysis of the effectiveness of virtual test scenarios
Если рассматриваются сценарии с двумя или более периодами работы комплекса АТС, то выполняется решение задачи CCR Чарнеса – Купера – Родеса и рассчитывается индекс Малмквиста, который характеризует динамику эффективности производственного процесса. При анализе одного периода решается задача BCC Банкера – Чарнеса – Купера с построением границы суперэффективности [11]. Конечным результатом применения метода АСФ является набор целевых изменений параметров (Target Values – TV), улучшающих ключевые характеристики производственно-логистической системы.
Анализ эффективности АТС
Сначала при проведении виртуальных испытаний в рамках одного сценария Sj решается задача 1 (см. рис. 1). Рассматриваются два множества типов АТС:
а) множество Aj автономных автомобилей;
б) множество Uj автономных комбайнов.
Определены входные F1–F4 и выходные Z1–Z3 показатели эффективности функционирования транспортных средств (табл. 1).
Таблица 1
Table 1
Показатели для оценки эффективности АТС
Indicators for evaluating the effectiveness of AV
Обозначение |
Показатель эффективности |
F1 |
Потребление топлива автомобилем, л/100 км |
F2 |
Коэффициент сходов с маршрута, % |
F3 |
Коэффициент простоя на ТОиР, % |
F4 |
Удельная величина затрат на перемещение груза, руб./т |
Z1 |
Средняя скорость движения автомобиля в наблюдаемый период, км/ч |
Z2 |
Пробег месячный, км |
Z3 |
Удельное грузоперемещение, т/км |
В табл. 2 приведены значения этих показателей для парка из восьми автономных автомобилей A1–A8 и пяти автономных комбайнов U1–U5.
Таблица 2
Table 2
Значения параметров для оценки эффективности АТС
Parameter values for evaluating the effectiveness of AV
DMU |
F1 |
F2 |
F3 |
F4 |
Z1 |
Z2 |
Z3 |
A1 |
35 |
2 |
1 |
12 |
25 |
2 700 |
0,14 |
A2 |
30 |
0,6 |
0,6 |
8 |
36 |
3 200 |
0,22 |
A3 |
34 |
1,2 |
0,77 |
10,3 |
30 |
3 000 |
0,18 |
A4 |
31 |
0,7 |
0,7 |
7,8 |
36 |
3 200 |
0,21 |
A5 |
29 |
0,66 |
0,6 |
7,4 |
35 |
3 250 |
0,27 |
A6 |
36 |
1,6 |
0,85 |
11,5 |
26 |
2 800 |
0,11 |
A7 |
33 |
1 |
0,73 |
10 |
29 |
3 100 |
0,2 |
A8 |
32 |
0,95 |
0,75 |
9 |
31 |
2 900 |
0,16 |
U1 |
36 |
1,8 |
0,9 |
12,3 |
24 |
2 750 |
0,03 |
U2 |
37 |
1,4 |
1,1 |
11,8 |
26 |
2 650 |
0,027 |
U3 |
29 |
0,5 |
0,65 |
8,6 |
37 |
3 400 |
0,06 |
U4 |
28 |
0,57 |
0,62 |
7,9 |
35 |
3 600 |
0,07 |
U5 |
32 |
0,8 |
1,5 |
10,1 |
27 |
2 710 |
0,046 |
Для оценки эффективности была использована программа Efficiency Measurement System (EMS) [15], реализующая метод АСФ. В результате решения получены целевые значения TV изменений параметров, которые следует выполнить для повышения эффективности АТС в анализируемом сценарии (табл. 3).
Таблица 3
Table 3
Целевые корректировки параметров АТС
Targeted adjustments of AV parameters
DMU |
Изменение параметров TV, % |
|||||||
F1 |
F2 |
F3 |
F4 |
Z1 |
Z2 |
Z3 |
|
|
А1 |
–10,03 |
13,53 |
13,53 |
13,53 |
32,08 |
5,58 |
22,19 |
|
А2 |
1,36 |
–41,62 |
–29,94 |
–31,66 |
0 |
11,66 |
0 |
|
А3 |
–46,57 |
–38,32 |
–41,38 |
64,25 |
0 |
27,42 |
0 |
|
А4 |
0,65 |
0,65 |
–2,4 |
–19,96 |
0 |
2,9 |
36,89 |
|
А5 |
–1,12 |
–73,66 |
–1,12 |
–6,41 |
17,14 |
0 |
0 |
|
А6 |
5,84 |
3,27 |
–15,61 |
–23,73 |
27,57 |
23,67 |
0,71 |
|
А7 |
–2,32 |
–2,32 |
–11,05 |
–7,71 |
0 |
44,54 |
44,94 |
|
А8 |
14,02 |
14,02 |
14,02 |
–2,98 |
33,65 |
0 |
74,04 |
|
U1 |
20,44 |
60,45 |
30,69 |
22,16 |
0 |
52,58 |
5,16 |
|
U2 |
4,81 |
4,81 |
–38,23 |
–31,43 |
0 |
0 |
63,43 |
|
U3 |
13,09 |
–43,59 |
–5,04 |
13,09 |
0 |
0 |
80,32 |
|
U4 |
5,99 |
–42,41 |
5,99 |
–19,55 |
47,73 |
11,03 |
29,93 |
|
U5 |
6,3 |
–34,8 |
4,37 |
–15,82 |
27,4 |
0 |
36,22 |
|
Например, из табл. 3 следует, что для достижения границы эффективности автомобилем А3 следует уменьшить коэффициент простоя F3 до 0,6 % при неизменных средней скорости Z1 автомобиля
и удельном грузоперемещении Z3. При этом также уменьшается потребление топлива F1 и коэффициент сходов с маршрута F2. Однако эти меры вызывают довольно значительный рост (64 %) удельных затрат F4 на перемещение груза.
Сравнительная оценка эффективности АТС в различных сценариях виртуальных испытаний
Для сценариев производственно-логистической системы определен набор входных параметров X1–X5 и набор выходных параметров Y1 и Y2 для формирования задачи АСФ. Описание этих параметров приведено в табл. 4 (ТО – техническое обслуживание, АА – автономный автомобиль, АК – автономный комбайн).
Таблица 4
Table 4
Входные и выходные параметры для оценки сценариев
Input and output parameters for scenario evaluation
Параметр |
Описание параметра |
X1 |
Средняя удельная стоимость ТО АА, руб./км |
X2 |
Средняя удельная стоимость ТО АК, руб./га |
X3 |
Расход топлива АА, л/100 км |
X4 |
Расход топлива АК, л/га |
X5 |
Задержка планового срока завершения графика работ, % |
Y1 |
Коэффициент использования АА |
Y2 |
Отношение веса убранного зерна к расчетному значению, % |
Величина Y1 определяется как отношение перевезенного груза зерна к максимально возможному объему при полном заполнении кузовов автомобилей во всех поездках. Параметр Y2 = (Vt / Vc) · 100 % показывает, какая доля расчетного веса Vc зерна на поле вывозится при данном сценарии, где Vt – вес убранного и вывезенного зерна. Вес Vc определяется по ожидаемой урожайности зерновой культуры на полях.
Проводился многофакторный анализ восьми DMU, а именно сценариев S1–S8 для производственных работ, выполняемых парком автономных автомобилей и комбайнов на пяти полях с заданной сетью дорог. В табл. 5 показаны значения входных и выходных параметров для сценариев на одном периоде времени.
Таблица 5
Table 5
Значения входных и выходных параметров для оценки сценариев
Values of input and output parameters for scenario evaluation
DMU |
X1 |
X2 |
X3 |
X4 |
X5 |
Y1 |
Y2 |
S1 |
8,1 |
13,2 |
32,3 |
15,1 |
8 |
0,75 |
98 |
S2 |
6,9 |
10,6 |
34,5 |
16,2 |
2,8 |
0,94 |
98,7 |
S3 |
5,7 |
14 |
30 |
15,5 |
5 |
0,9 |
98 |
S4 |
7,3 |
9,3 |
27 |
14,9 |
4,3 |
0,96 |
99 |
S5 |
6,2 |
8,7 |
33 |
15,8 |
1,8 |
0,99 |
94 |
S6 |
8,2 |
11,8 |
32,5 |
16,2 |
8,2 |
0,85 |
84,5 |
S7 |
25 |
15,1 |
38,6 |
20 |
12 |
0,78 |
80 |
S8 |
7,8 |
10,4 |
26 |
15,2 |
6,3 |
0,82 |
93 |
В результате решения задачи получены значения критерия эффективности для каждого сценария (табл. 6).
Таблица 6
Table 6
Эффективность сценариев
The effectiveness of scenarios
Сценарии |
S1 |
S2 |
S3 |
S4 |
S5 |
S6 |
S7 |
S8 |
Эффективность, % |
97,68 |
98,53 |
116,16 |
115,22 |
163,83 |
81,44 |
60,53 |
97,55 |
Согласно табл. 6, эффективны сценарии S3, S4, S5. Целевые изменения TV неэффективных сценариев S1, S2, S6, S7, S8 для вывода их на границу эффективности приведены в табл. 7, в которой величины δ равны процентным значениям увеличения или уменьшения исходных параметров из табл. 5.
Таблица 7
Table 7
Целевые корректировки параметров сценариев
Targeted adjustments to scenario parameters
Параметры |
Сценарии |
|||||||||
S1 |
S2 |
S6 |
S7 |
S8 |
||||||
TV |
δ |
TV |
δ |
TV |
δ |
TV |
δ |
TV |
δ |
|
X1 |
7,41 |
–0,69 |
6,89 |
–0,01 |
5,49 |
–0,21 |
15,8 |
–9,2 |
7,05 |
–0,75 |
X2 |
9,51 |
–3,69 |
9,34 |
–1,26 |
12,62 |
–1,38 |
13,52 |
–1,58 |
8,99 |
–1,41 |
X3 |
27,48 |
–4,82 |
32,3 |
–2,14 |
27,4 |
–2,56 |
24,57 |
–5,43 |
26 |
0 |
X4 |
15,17 |
0 |
16,2 |
0 |
15,5 |
0 |
20 |
0 |
14,37 |
–0,83 |
X5 |
4,44 |
–3,56 |
2,8 |
0 |
2,13 |
–2,87 |
8,23 |
–3,77 |
4,19 |
–2,11 |
Y1 |
0,77 |
0,2 |
1,0 |
0,07 |
0,85 |
0 |
0,78 |
0 |
0,9 |
0,08 |
Y2 |
98 |
0 |
98,7 |
0 |
92,4 |
7,9 |
91,6 |
11,6 |
93 |
0 |
Например, для сценария S7 необходимо выполнить значительное уменьшение удельных затрат на техническое обслуживание (на 9,2 руб./км для автомобиля и на 1,58 руб./га для комбайна) (см. табл. 7). Кроме того, следует сократить задержку завершения графика работ до 8 %. В этом случае интегральная оценка эффективности сценария S7 сравняется с другими сценариями. Анализ других сценариев проводится аналогичным образом.
Обсуждение
Разделение многофакторного анализа результатов виртуальных испытаний на две задачи позволяет вносить коррективы в проектные и организационные решения по техническому обслуживанию парка транспортных средств до начала производства и эксплуатации. Различные сценарии «проигрываются» на имитационных моделях с заданием исходных данных как по внешним условиям эксплуатации, так и по техническим и производственным показателям комплекса АТС. В то же время при моделировании одного сценария использование метода АСФ позволяет оценить ключевые параметры отдельных АТС.
Преимущество применения иерархических сетей Петри в сочетании с многофакторным анализом АСФ заключается в том, что на разных уровнях детализации используются цифровые двойники агрегатов АТС на стохастических сетях. В результате имитируется воздействие множества случайных факторов и затем проводится сравнительная оценка эффективности функционирования системы в целом.
Заключение
Применение разработанной методики виртуальных испытаний и многофакторной оценки эффективности транспортных средств дает возможность осуществить переход от профилактического к прогнозному техническому обслуживанию, что является современной тенденцией при организации технического обслуживания киберфизических систем [5, 16]. Таким образом, формируются наборы организационных, технических и финансовых мероприятий по ТОиР, которые передаются эксплуатирующим предприятиям одновременно с поставкой изготавливаемых автономных транспортных средств.
1. Möller D. P. F., Vakilzadian H., Haas R. E. From In-dustry 4.0 towards Industry 5.0 // Proc. 2022 IEEE Interna-tional Conference on Electro Information Technology (Mankato, MN, USA). IEEE Xplore. 2022. P. 61–68.
2. Бабкин А. В., Федоров А. А., Либерман И. В., Клачек П. М. Индустрия 5.0: понятие, формирование и развитие // Экономика промышленности. Russian Journal of Industrial Economics. 2021. Т. 14 (4). С. 375–395.
3. Novak P., Kadera P., Wimmer M. Model-based engineering and virtual commissioning of cyber-physical manufacturing systems – Transportation system case study // Proc. 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Limassol. IEEE Xplore. 2017. P. 1–4.
4. Орлов С. П., Бизюкова Е. Е., Яковлева А. Е. Виртуальные испытания агрегатов для виртуального ввода в производство роботизированного автомобиля // Вестн. Самар. гос. техн. ун-та. Сер.: Технические науки. 2021. Т. 29 (1). С. 46–57.
5. Щербаков М. В., Сай Ван К. Архитектура системы предсказательного технического обслуживания сложных многообъектных систем в концепции Индустрии 4.0 // Программные продукты и системы. 2020. № 2. С. 186–194.
6. Губанов Н. Г., Михеев Ю. В., Одинцов В. П., Ах-тямов Р. Н., Морев А. С. Архитектура системы диагностики и прогнозирования технического состояния роботизированного транспортного средства // Проблемы управления и моделирования в сложных системах: тр. XXI Междунар. конф. Самара: ООО «Офорт», 2019. С. 171–174.
7. Orlov S. P., Susarev S. V., Kravets O. Ya., Morev A. S. Information system of agricultural robotic KAMAZ cars // Journal of Physics: Conference Series. 2019. V. 1399 (3). P. 033020 (1–5).
8. Орлов С. П., Волхонская Е. Е. Системные модели парка автономных транспортных средств для виртуальных испытаний при организации технического обслуживания // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. 2023. № 3. С. 7–16.
9. Волхонская Е. Е., Орлов С. П. Моделирование системы автономных транспортных средств в процессе виртуального запуска в эксплуатацию // Математические методы в технологиях и технике. 2022. № 1. С. 97–103.
10. Cooper W. W., Seiford L. M., Zhu J. Data Envelopment Analysis: History, Models, and Interpretations // Handbook on Data Envelopment Analysis. US, N. Y.: Springer, 2011. P. 1–39.
11. Sowlati T., Paradi J. C. Establishing the “practical frontier” in data envelopment analysis // Omega. 2004. V. 32 (4). P. 261–272.
12. Моргунов Е. П., Моргунова О. Н. Многомерная классификация сложных объектов на основе оценки их эффективности // Вестн. НИИ СУВПТ: сб. науч. тр. / под общ. ред. проф. Н. В. Василенко. Красноярск, 2003. Вып. 14. С. 222–240.
13. Хаммершмидт М., Макаров А., Щербак А. Применение метода анализа среды функционирования (АСФ) для оценки эффективности деятельности бизнес-структур предприятия // Практический маркетинг. 2012. № 3 (181). С. 15–20.
14. Яковлева А. Е., Сусарев С. В., Орлов С. П. Анализ эффективности роботизированной системы сельскохозяйственных автомобилей // Системы управления и информационные технологии. 2021. № 3 (85). С. 94–100.
15. EMS: Efficiency Measurement System. Data Envelopment Analysis (DEA) Software. URL: http://www.holger-scheel.de/ems/ (дата обращения: 15.01.2024).
16. 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. Article N. 29. P. 1–11.