Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia

Transkriptio

1 FORS-seminaari Infrastruktuuri ja logistiikka Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia Ville Hyvönen EP-Logistics Oy

2 Taustaa Ville Hyvönen DI (TKK, teollisuustalous, tuotannon tietotekniikka) EP-Logistics, konsultti 2000 Logististen järjestelmien simulointi ja mallinnus EP-Logistics Oy Suomen johtava logistiikan suunnitteluun erikoistunut konsulttitoimisto Asiakkaina teollisuus, kauppa, julkishallinto, satamat ja logistiikan palvelutarjoajat Henkilökunta: 23 Laskutus: 2,0 milj.

3 Mallinnusmenetelmiä Sisältö Mallinnusprojekti Käytännön esimerkkejä Kysymyksiä?

4 Mallinnusmenetelmiä

5 Mallinnusmentelmiä Miksi logistisia järjestelmiä mallinnetaan? Halutaan parempaa tulosta Lisää volyymia Kustannustehokkaampi toiminta Parempi suorituskyky (palvelutaso) Jne. Muutoksia ei haluta kokeilla todellisella järjestelmällä Liian kallista Liian hidasta Liian vaarallista (epäonnistunut kokeilu voi olla viimeinen) Kokeet todellisella järjestelmällä Järjestelmä Fyysinen malli Kokeet järjestelmän mallilla Matemaattinen malli... Monte Carlo simulointi Kokeelliset ratkaisut Jatkuvan prosessin simulointi Analyyttinen Taulukkolaskenta Optimointi... ratkaisu Tapahtumapohjainen simulointi

6 Mallinnusongelmatyypit Numeeriset arvot stokastisia muuttujia STAATTINEN STOKASTINEN DYNAAMINEN STOKASTINEN Mallin tila pysyy vakiona Mallin tila muuttuu ajan funktiona STAATTINEN DETERMINISTINEN DYNAAMINEN DETERMINISTINEN Numeeriset arvot tunnettuja vakioita

7 Tyypillisiä käytännön kohteita Numeeriset arvot stokastisia muuttujia DYNAAMINEN STOKASTINEN Mallin tila pysyy vakiona STAATTINEN STOKASTINEN Kuljetus- ja varastoverkoston taloudellinen optimointi Palveluntarjoajien kustannusvertailut Jakelutien valinta STAATTINEN DETERMINISTINEN Dynaamiset suorituskykytarkastelut Tilaus-toimitusverkostot Tuotanto- ja varastointijärjestelmät Materiaalinkäsittelyjärjestelmät Tuotannon/toiminnan suunnittelu Mallin tila muuttuu ajan funktiona DYNAAMINEN DETERMINISTINEN Numeeriset arvot tunnettuja vakioita

8 Mallinnusmenetelmien sovellusalueet käytännön logistiikassa Numeeriset arvot stokastisia muuttujia Mallin tila pysyy vakiona STAATTINEN STOKASTINEN Laskentamallit STAATTINEN DETERMINISTINEN Optimointi DYNAAMINEN STOKASTINEN Simulointi DYNAAMINEN DETERMINISTINEN Mallin tila muuttuu ajan funktiona Numeeriset arvot tunnettuja vakioita

9 Analyyttiset optimointimallit - Taustaa Optimaalinen verkosto: 1. Optimaalinen verkosto (rakenne) Pisteet Reitit 2. Verkoston optimaalinen käyttö Verkoston rakenteen (esim. kustannus-) optimointiin olemassa toimivia menetelmiä Verkoston käytön optimointi hankalampaa (optimaalista verkostoa ei aina voida optimaalisesti hyödyntää)

10 Analyyttiset optimointimallit Etuja ja heikkouksia Etuja Antaa määriteltyyn ongelmaan optimiratkaisun Toteutettavissa yleisillä/edullisilla työkaluilla Tehokkailla algoritmeilla laskenta suhteellisen nopeaa Heikkouksia Analyyttisesti ratkeavan mallin laatiminen todellisesta järjestelmästä usein vaikeaa (esim. verkoston hyvyyden arvioinnissa tarvitaan useita mittareita) Dynamiikan huomiointi vaikeaa tai mahdotonta Epälineaariset ilmiöt ongelmallisia (esim. markkinatilanteen, volyymin tai ajan vaikutus kustannuksiin) Suuri lähtötietojen tarve Lähtötietojen puutteilla/virheillä voi olla huomattava vaikutus tuloksiin (virheitä/puutteita voi olla vaikea havaita) Mallin toimintaa vaikea ymmärtää/selittää validointi haastavaa

11 Analyyttiset optimointimallit Käytännön sovelluksia Käytännön logistiikkaongelmat usein laajoja ja kompleksisia Sekä ongelma, että tavoitteet joskus heikosti määriteltyjä Tuloksia tarvitaan usein nopeasti ja kohtuullisella budjetilla analyyttisten menetelmien sovellusalue suhteellisen rajallinen, esim: Kuljetus/varastoverkoston (kustannus)optimirakenteen selvittäminen Palveluntarjoajien vertailu Käytettyjä menetelmiä esim: Floyd, brute force

12 Simulointi - Taustaa Simulointi = Todellisen systeemin loogisen tai matemaattisen tietokonemallin rakentaminen, tarkoituksena tehdä kokeita, joilla pyritään kuvaamaan, selittämään tai ennustamaan todellisen systeemin toimintaa (Hoover & Perry) Heuristinen menetelmä Simulointityypit Staattinen Dynaaminen Deterministinen Stokastinen Jatkuva Diskreetti (tapahtumapohjainen) Tapahtumapohjainen simulointi (dynaaminen, diskreetti) yleisin logististen järjestelmien simuloinnissa

13 Simulointi Etuja ja heikkouksia Etuja Dynamiikan huomioon ottaminen ääriarvolaskennan sijasta Monimutkaisten stokastisten järjestelmien tutkiminen mahdollista Vaihtoehtoisten järjestelmien vertaileminen helppoa. Jonotuksen, priorisointisääntöjen ja monimutkaisten reititysten vaikutuksien huomiointi Havainnollisuus (helpottaa validointia ja parantaa tulosten uskottavuutta) Heikkouksia Tulokset vain estimaatteja todellisista tapahtumista. Ei optimoi, eikä etsi vastauksia Tarvitaan paljon simulointiajoja tulosten laatu ajojen suunnittelijan osaamisen varassa Suuri lähtötietojen tarve Mallinnus usein työlästä Simulointiohjelmistot (ei välttämättä tarvita) yleensä kalliita ja erikoisosaamista vaativia

14 Simulointi Käytännön sovelluksia Simulointia käytetään yleensä, kun: Järjestelmän dynaamisella käyttäytymisellä on merkitystä Järjestelmässä on merkittäviä satunnaistekijöitä Ongelma on liian laaja/monimutkainen analyyttisin menetelmin ratkaistavaksi Sovellusalueita esim: Toimitusverkostojen suorituskyvyn analysointi (kustannukset, palvelukyky, varastotasot ) Verkoston tarkastelu erilaisissa kysyntäskenaarioissa Vaihtoehtoisten verkostorakenteiden vertailu Tuotantojärjestelmien simulointi (kustannukset, käyttöasteet, materiaalivirrat ) Riskien minimointi investointien yhteydessä Ohjaustapojen testaaminen erilaisissa skenaarioissa Operatiivinen toiminnansuunnittelu (tuotannonsuunnittelu, terminaalin ohjaus)

15 Yhdistelmä: Optimointi-Simulointi Voidaan yhdistää optimoinnin ja simuloinnin hyvät puolet: Rajataan optimoinnin avulla simuloitavaksi vain järkeviä vaihtoehtoja Huomioidaan dynamiikka Esim. toimitusverkoston kehittäminen: 1. Lasketaan kustannustekijöiden valossa optimaalinen verkoston rakenne 2. Testataan kustannusoptimoidun verkoston suorituskyky simuloinnin avulla Dynamiikka (esim. kysyntäpiikit, tuotannon ajoitus, toimitusaikavaatimukset, ) Erilaiset skenaariot (kysyntäprofiilit, toimitusaikavaatimukset, varastotasot, ) 3. Muokataan tarvittaessa verkoston rakennetta (tai optimoinnin lähtötietoja/rajauksia)

16 Mallinnusprojekti

17 Mallinnusprojektin osapuolet Mallintamisen asiantuntija Tulosten hyödyntäjä Tukijat ja päättäjät MALLINNUS- PROJEKTI Järjestelmän asiantuntija Tiedon kerääjä

18 Mallinnusprojektin vaiheet Ongelman määrittely ja projektin suunnittelu Lähtötietojen keruu ja analysointi Mallin luominen ja testaus Kokeet ja analysointi Raportointi

19 Mallinnusprojektin kriittisiä menestystekijöitä Selvät tavoitteet ja hyvin rajattu tutkimusongelma Suurin haaste optimoitavan/ratkaistavan ongelman tunnistaminen Mallinnusmenetelmän valinta Oikean yksityiskohtaisuustason valinta Syöttötietojen saatavuus ja kriittinen analysointi ennen kokeita Tulosten hyödyntäjien ja mahdollisten seurausten toimeenpanijoiden vakuuttaminen ja sitouttaminen (mallin määrittely, validointi, tutkittavien skenaarioiden suunnittelu ja tulosten tulkinta)

20 Käytännön esimerkkejä

21 Case Borealis Supply Network Redesign

22 Case KONE - Supply Chain Modelling Tool

23 Esimerkkejä logistiikkaverkostojen mallinnustöistä Nokia Dynamic demand-supply network simulation tool Plant operations simulation tool Kone Supply Network Planning tool Tools for evaluating and comparing (logistics) service providers Simulation of MSC concept Borealis Polymers N.V. European supply network simulation and redesign Aker Finnyards Simulation based production planning tool Aurajoki Simulation of the logistics network Kuusakoski Demand-supply network optimisation tool Ruukki Supply network planning Kesko, Onninen Distribution channel evaluation tool Helsinki Metropolitan Area Council Recycling logistics optimisation tool

24 Kysymyksiä?