Simulation Methods in Automotive Industry/cs

Přehled metod simulací
Metoda	Klíčová otázka	Zkratka
Metoda Monte Carlo	Jaká jsou rizika a pravděpodobnosti?	MC
Systémová dynamika	Jak se systém chová v čase?	SD
Agentní modelování	Jak vzniká makrochování z mikropravidel?	ABM
Diskrétní událostní simulace	Kolik, jak rychle, kde je úzké místo?	DES

Úvod

Automobilový průmysl je rozsáhlý a složitý systém plný větvení, různých úhlů pohledů na problematiky a samozřejmě nejistoty. Tak například v roce 2021 se odvětví setkalo s krizí, kterou bylo těžko možné v plné míře předvídat. Někteří výrobci, jako Volkswagen, Toyota, Ford a další, byli nuceni zastavit výrobu automobilů a nevypustit více než 7 milionů jednotek. Příčinou nebyla válka, ne pandemie a ne přírodní katastrofy. Příčinou byl neregulovaný systém zpětných dodavatelských řetězců, který zjevně nebyl seřízen jako jeden mechanismus. Některé společnosti však disponovaly systémově-dynamickými modely svých dodavatelských řetězců, což jim umožnilo reagovat rychleji než ostatním.

Podobnými příklady jsou plné dějiny prakticky každé výrobní oblasti a nejen jí. Uvedený příklad ale zřetelně odráží problematiku automobilového průmyslu a vede k jádru tohoto článku.

V dnešní době automobilový průmysl není ani tak továrnou razící dopravní prostředky, jako spíše složitým systémem, jak technickým tak sociálním, který zahrnuje nepředstavitelné množství faktorů na něj působících. Strategie automobilových společností, dynamika trhů, logistika, chování spotřebitelů v souladu s regionálními specifiky a samozřejmě výrobní proces. To je jen malá část složek automobilového průmyslu, a každá z nich má pod sebou také různé skupiny problematik a detailů. Je zřejmé, že chaotické uspořádání takového systému může, a přesněji řečeno naprosto jistě povede ke kolapsu, a právě proto si ho lze jen těžko představit bez simulací.

V rámci tohoto článku se podíváme na hlavní metody simulací, které se v automobilovém průmyslu dnes používají, určíme jejich oblast působení, uspořádání, praktickou složku a výhody s nevýhodami.

Proč automobilový průmysl potřebuje simulace?

Proč vůbec simulace potřebujeme? Odpovědí na tuto otázku je koncept který má název „dynamická složitost". Setkáváme se s ní v systémech kde chování není intuitivní a je těžko předvídatelné, přičemž problém není ve velkém počtu prvků ale v tom že mezi prvky existují nelineární zpětné vazby (Sterman, 2000).

Automobilový průmysl je klasický příklad. Akce v každé fázi systému vede k ovlivnění ostatních. Například si představte že automobilová značka vydá povedený model za příjemnou cenu. To přímo povede k nárůstu prodejů, což zase přímo vede ke zvýšení vytížení továrny. Vytížení továrny vede ke snížení zásob ve skladech dealerů. To zase nutí továrnu navyšovat výrobu, a to vyžaduje zvýšení dodávek a potřebného množství komponentů. Výsledkem je že dodavatelé zdraží, což snižuje marži výrobce. A to je jen jeden scénář z mnoha.

Ve velkých a složitých systémech s propojenými fázemi mají různá manažerská rozhodnutí vždy důsledky, špatné i dobré. Často se stává že se důsledky projeví se zpožděním, a to na těch nejnečekanějších místech.

Takže, simulace jsou určeny k tomu aby ukázaly chování rozhodnutí ve virtuálním světě, místo jejich reálného uskutečnění. To pomáhá zkoumat důsledky bez nutnosti nést riziko a ztráty. Samozřejmě pokud je simulace kvalitně zpracovaná. Ale i dobře detailní systém se všemi procesy a proměnnými se setkává s nejistotou, protože reálný svět je nepředvídatelný.

V metodologii simulací existují metody které nám umožňují zohledňovat i nejistotu, dovolují nám náhodnost nepřehlížet ale pracovat s ní systematicky.

Metoda Monte Carlo: řízení nejistoty

Podstata metody

Metoda Monte Carlo patří k těm základnějším věcem ve výpočetním modelování. Princip je jednoduchý, místo jedné konkrétní hodnoty parametru, kterou stejně přesně neznáme, se vezme celý možný rozsah. Simulace pak proběhne mnohokrát, pokaždé s jinak náhodně vybranými hodnotami, a tím pádem dostaneme statistický obraz toho jak se systém chová (Rubinstein & Kroese, 2016). Ne jedno číslo, ale rozložení výsledků.

Název pochází z kasina v Monaku. Dává to smysl, kasino je o náhodě a pravděpodobnosti. Samotná metoda ale nevznikla v nic tak zábavném. Ulam a von Neumann ji vyvinuli ve 40. letech při práci na jaderných zbraních. Odtud se pak dostala do inženýrství, financí a podobně, což u vojenských technologií není nic neobvyklého.

Použití v automobilovém průmyslu

Prognózování poptávky a plánování výroby. Výroba se plánuje na základě očekávané poptávky, a poptávka po jednotlivých modelech se zase skládá z mnoha faktorů: nabídka konkurentů, trendy, úrokové sazby v bankách, regionální ceny paliv, infrastruktura (zejména pro elektromobily), terén a tak dále. Jak může pomoct metoda Monte Carlo? Výrobce modelu, který plánuje uvést na trh, spouští tisíce iterací simulace, v každé budou klíčové parametry nabývat náhodných hodnot na základě historických rozdělení, klíčové faktory se určují v závislosti na kontextu, může to být například tempo růstu HDP, kurz měny nebo třeba cena ropy atd. Jako výsledek výrobce obdrží rozdělení pravděpodobností. Například s pravděpodobností 0,7 budou prodeje činit od 100 000 do 150 000 jednotek ročně.

Analýza rizik při uvedení nového modelu. Uvedení každého modelu na trh je vždy rizikem. Rizikem miliard investovaných prostředků, rizikem času stráveného vývojem, rizikem image značky a tak dále. I průměrně úspěšný model má horizont návratnosti 5 až 7 let. Metoda Monte Carlo může být využita pro prognózu rozdělení čisté současné hodnoty (NPV) projektu. Metoda zohledňuje nejistotu faktorů jako jsou objemy prodejů, výrobní náklady a tak dále. Výsledkem výrobce získá představu nejen o výnosnosti projektu, ale také o tom s jakou pravděpodobností projekt čeká neúspěch a jaké důsledky to může přinést pro společnost.

Analýza spolehlivosti dodavatelských řetězců. Zásobování komponenty od dodavatelů je nedílnou součástí průmyslu, bez níž není ostatní činnost možná ani účelná. Výrobní poruchy, zpoždění na celnicích, přetíženost tras, to vše je normální realitou automobilového průmyslu, se kterou je nutné se smířit a hledat způsoby jak ji předvídat. Monte Carlo může pomoci modelovat možný deficit komponentů při různých kontextech a scénářích. Tímto způsobem automobiloví výrobci určují optimální pojistnou zásobu.

Výhody a omezení MC

Tato metoda má stejně jako každá jiná své silné a slabé stránky. Z výhod lze říci že je poměrně jednoduchá na implementaci, nevyžaduje řešení rovnic a její uspořádání se snadno hodí pro moderní výpočetní systémy z hlediska implementace paralelních výpočetních toků. Na druhé straně má metoda závažné nevýhody. Za prvé, "odpadky na vstupu, odpadky na výstupu". Přesnost výsledku silně závisí na přesnosti vstupních rozdělení. Za druhé, pro velmi vzácné události (p ≤ 10⁻⁶) tato metoda není vhodná bez speciálních dodatečných metod vzorkování. Za třetí, není to úplně nedostatek, ale přesto, metoda nevysvětluje proč se systém chová daným způsobem, poskytuje pouze statistické charakteristiky, s čímž si některé jiné metody poradí lépe.

Nástroje a software: Oracle Crystal Ball, @RISK od Palisade

Systémová dynamika: zpětné vazby a dlouhodobá dynamika trhu

Podstata metody

Na počátku 60. let vyvinul Jay Forrester na Massachusettském technologickém institutu metodu modelování systémové dynamiky (Forrester, 1961). Pro tuto metodu platí tři neodmyslitelné koncepty: zásoby, toky a zpětné vazby.

Zásoby jsou veličiny které se v průběhu času akumulují (například vozidla na skladech u dealerů). Toky jsou rychlosti změn množství zásob (například tempo prodeje vozidel). Zpětné vazby jsou příčinně-následkové vztahy mezi proměnnými (Sterman, 2000).

Existují dva typy zpětných vazeb které se zásadně liší. Pozitivní a negativní, nebo také posilující a vyvažující. Pozitivní zpětná vazba vede k exponenciálnímu růstu nebo poklesu, negativní zpětná vazba směřuje k rovnováze.

Použití v automobilovém průmyslu

Modelování trhu elektromobilů.

Elektromobily jsou v rámci automobilového průmyslu poměrně novou záležitostí. Jejich rozšíření není zdaleka přímočaré, hodně záleží třeba na tom, jestli má daná oblast vůbec dostatek dobíjecích stanic.

Je to vlastně hezký příklad systému kde různé zpětné vazby působí současně a ovlivňují se navzájem.

Pozitivní smyčka: prodeje elektromobilů → příjmy z provozu dobíjecí infrastruktury → investice do dobíjecích stanic → hustota dobíjecí sítě → atraktivita elektromobilů pro spotřebitele → prodeje elektromobilů.

Negativní smyčka: vysoký podíl elektromobilů na silnicích → růst zatížení elektrické sítě → růst cen elektřiny → pokles ekonomické atraktivity elektromobilů.

KAUZÁLNÍ DIAGRAM: TRH ELEKTROMOBILŮ
---------------------------------------------------------------------
POSILUJÍCÍ SMYČKA (R):

  Prodeje EV --(+)--> Příjmy z dobíjení --(+)--> Investice
      ^                                               |
      |                                              (+)
     (+)                                              v
  Atraktivita EV <--(+)-- Hustota dobíjecí sítě <----+

VYVAŽUJÍCÍ SMYČKA (B):

  Podíl EV --(+)--> Zatížení el. sítě --(+)--> Ceny elektřiny
      ^                                               |
      |                                              (-)
      +------------ Atraktivita EV <-----------------+

(+) = stejný směr změny     (-) = opačný směr změny
---------------------------------------------------------------------

Efekt biče (Bullwhip effect)

Bullwhip effect patří k základním problémům dodavatelských řetězců. Funguje to takhle: z nějakého důvodu vzrostla poptávka po určitém modelu. Malý skok, ale každý článek řetězce na něj reaguje po svém. Dealer objedná víc vozidel než potřebuje, jen pro jistotu. Výrobce udělá totéž u dodavatele komponentů. Ten udělá totéž u svého dodavatele. Na konci řetězce původně malý výkyv vypadá jako obrovský skok, přestože reálná poptávka se změnila jen minimálně. SD model dokáže tento jev změřit a pomoct najít způsoby jak ho tlumit, třeba lepším řízením zásob nebo rychlejším předáváním informací mezi články řetězce.

Tento jev si lze zažít interaktivně v klasické simulační hře Beer Distribution Game, která byla původně vyvinuta na MIT.

Výhody a omezení

Složité systémy s množstvím vzájemně propojených komponent jsou bez metody systémové dynamiky nemyslitelné. Pro pochopení dlouhodobého chování systému je jednoduše nezbytná. Hlavním omezením této metody je to že pracuje pouze s průměrnými hodnotami zásob a toků, žádné individuální chování agentů. Pokud je toto klíčovým kritériem, následující metoda kterou budeme zkoumat bude lepší volbou.

Nástroje a software: Vensim, Stella Architect

Agentní modelování: spotřebitelé, konkurence a doprava

Podstata metody

Metoda která popisuje systém jako autonomní agenty se nazývá Agent-based modeling. Každý agent interaguje s prostředím a ostatními agenty, má vlastní pravidla chování a stav. Mikro interakce agentů vedou k makrochování celého systému. Jedná se o emergentní výsledek, tedy takový který není předem naprogramován ale formuje se až v průběhu (Wilensky & Rand, 2015).

Pokud SD odpovídá na otázky „Kolik?" a „Jak rychle?", pak ABM odpovídá na otázky „Proč?", „Jak to funguje?"

Modelování automobilového trhu

Automobilový trh je především konkurenčním prostředím kde každý výrobce má vlastní strategii, politiku a intenzitu reakce na kroky ostatních. K tomu přistupují spotřebitelé s různými požadavky a preferencemi. ABM umožňuje toto prostředí modelovat.

Spotřebitelé-agenti jsou charakterizováni preferencemi jako je poměr ceny a kvality, přičemž někteří jsou ochotni za kvalitu připlatit zatímco jiní se snaží zaplatit co nejméně i když kvalita neodpovídá vynaloženým prostředkům, dále příjmem, sklonem k vyhledávání nových alternativ (switching propensity) a dalšími faktory. Výrobci-agenti jsou naopak charakterizováni reakcemi na tržní podmínky, jako je přizpůsobování vlastností produktu nebo cenová politika.

Simulace silniční dopravy

Pokud uděláme krok stranou od prodeje automobilů, zvláštní pozornosti si zaslouží modelování dopravy, ABM je ideální model pro tuto oblast. Je to systém ve kterém každý automobil může vystupovat jako agent s vlastními charakteristikami, jako jsou rychlost, reakce na okolní faktory, vzdálenost k ostatním agentům a tak dále. Z drobných charakteristik agentů se skládá chování systému, vznikají takové fenomény jako dopravní zácpy, efekt harmoniky, nehodové úseky a tak dále. Městské úřady aktivně využívají podobné simulace pro projektování infrastruktury, značení silnic, rozmístění semaforů, přechodů pro chodce a tak dále.

Funkční ukázky ABM simulací dopravy i dalších systémů jsou dostupné v prostředí NetLogo, kde lze modely spustit přímo v prohlížeči.

Výhody a omezení

Zvláštností této metody je to, že umožňuje modelovat emergentní fenomény jako výsledek interakcí agentů, systémová dynamika s podobným úkolem zvládá špatně. ABM má však své omezení, je složitější na validaci, tedy je těžko prokazatelné že se agent chová správně. A také tato metoda není tak vhodná pro přesnou optimalizaci kvantitativních ukazatelů, diskrétní událostní simulace si s tím poradí lépe.

Nástroje a software: NetLogo, AnyLogic, Mesa (Python)

Diskrétní událostní simulace: výroba a logistika

Podstata metody

Poslední metoda simulací o které budeme v tomto článku hovořit je Discrete Event Simulation, modeluje systém jako posloupnost diskrétních událostí v čase (Banks et al., 2010). DES jako metoda je zvláště efektivní pro modelování výrobních linek, skladů nebo dopravních toků. Diskrétní událostní modely odpovídají na otázky o množství, například „kolik automobilů vyrobí linka za jednu směnu?".

SCHÉMA DES MODELU VÝROBNÍ LINKY
---------------------------------------------------------------------

  [Vstup] --> [Stanice 1] --> [Buffer 1] --> [Stanice 2] --> [Výstup]
                  |                               |
            [BOTTLENECK?]                   [BOTTLENECK?]
            Fronta ceka                     Fronta ceka

Goldrattovo pravidlo: zvysovani efektivity mimo bottleneck
celkovou vykonnost nezvysi.
---------------------------------------------------------------------

Použití v automobilovém průmyslu

Optimalizace výrobních linek. Nejočividnějším a nejklasičtějším použitím této metody v automobilovém průmyslu je optimalizace výrobních linek. Úplný podobný model bude zahrnovat všechny pracovní stanice, nárazníkové zóny, logiku priorit a také časy cyklů a variabilitu. To je přinejmenším. Simulace v takovém případě pomůže odhalit bottlenecks, tedy fáze ve kterých výkonnost naráží na strop a určují celkové maximum. To je kriticky důležité pro společnosti, podle jednoho z nejdůležitějších manažerských pravidel, Goldrattova pravidla. To říká: zvyšování efektivity ne v místě bottleneck nezvýší celkovou výkonnost. DES nám tak umožňuje najít páky působení na konkrétní lince.

Plánování nového závodu.

Tato metoda je také velmi užitečná při plánování otevření nové pobočky, navrhnout a spustit virtuálně nový závod a odhalit problémová místa ještě před tím než budou vynaloženy prostředky. Tak například BMW při plánování závodu ve městě Lipsko v Německu odhalilo kritická problémová místa a odstranilo je ještě ve fázi projektování (ElMaraghy, 2010).

Výhody a omezení

Když přijde řeč na kvantitativní optimalizaci systémů, ať už výrobních nebo logistických, nejpřesnějším nástrojem bude metoda DES. Jako každá jiná metoda má svou slabou stránku. Pokud ABM je schopno stavět simulaci systému s neúplnou znalostí o něm, DES vyžaduje přesná data, detailní popis struktury a parametry všech prvků. Kromě toho v systémech se silnými zpětnými vazbami si DES neporadí tak jako SD.

Nástroje a software: SIMUL8, AnyLogic, FlexSim

Srovnání metod: co a kdy použít

Každá z metod má svou specifiku, ale v tak složitém a mnohotvárném odvětví jako je automobilový průmysl se tyto metody používají kombinovaně. Například výrobce elektromobilu za účelem analýzy strategie uvedení na trh může použít systémovou dynamiku pro pochopení dlouhodobé dynamiky trhu, agentní modelování pro pochopení chování spotřebitelů, Monte Carlo pro představení rizik z finanční stránky a DES pro optimalizaci řetězce výrobní linky.

Metoda	Klíčové otázky	Příklad použití v auto
Monte Carlo	Jaká jsou rizika? Jaká je pravděpodobnost?	Hodnocení NPV nového modelu
Systémová dynamika	Proč se systém chová tak jak se chová? Jaké jsou dlouhodobé trendy?	Dynamika trhu EV
ABM	Jak vzniká makrochování z mikropravidel?	Konkurence na trhu, doprava
DES	Kolik? Jak rychle? Kde je úzké místo?	Optimalizace výrobní linky

Úlohy pro procvičení a pochopení

Úloha 1 (Monte Carlo). Výrobce automobilu plánuje uvést na trh nový model a potřebuje odhadnout očekávaný objem prodejů. Objem závisí na dvou nejistých faktorech: tempu růstu HDP, které se řídí normálním rozdělením se střední hodnotou 2 % a směrodatnou odchylkou 1 %, a ceně ropy, která se pohybuje rovnoměrně mezi 60 a 100 USD za barel. Pokud růst HDP překročí 2,5 % a cena ropy klesne pod 80 USD, očekává se prodej 120 000 vozů; v ostatních případech 80 000 vozů. Popište postup, jak pomocí simulace Monte Carlo odhadnout střední očekávaný objem prodejů a pravděpodobnost, že prodeje překročí 100 000 kusů.

Úloha 2 (Systémová dynamika). Sestavte kauzální diagram pro následující situaci: vysoká poptávka po automobilech tlačí ceny nahoru, což poptávku postupně tlumí; zároveň vysoká poptávka motivuje výrobce k navýšení produkce, avšak s časovým zpožděním přibližně 18 měsíců, což nakonec vede k převisu nabídky. Určete typ každé zpětné vazby ve vašem diagramu.

Úloha 3 (ABM). V modelu automobilového trhu vybírá agent-zákazník mezi dvěma značkami. Značka A: cena 25 000 €, kvalita 0,8. Značka B: cena 20 000 €, kvalita 0,6. Preference agenta je p = 0,3 (agent preferuje spíše kvalitu než nízkou cenu). Rozhodovací funkce má tvar: f = p × (cena / max_cena) + (1 − p) × (1 − kvalita). Vypočítejte hodnotu f pro obě značky a určete, kterou si agent vybere.

Aktuální trendy a budoucnost

Integrace se strojovým učením.

Žijeme v době kdy máme velmi výkonné nástroje pro provádění simulací. S ohledem na rozvoj strojového učení se novou iterací konceptu simulace staly trénované simulace (simulation intelligence). Je to nový směr kde jsou parametry systému kalibrovány na základě dat pomocí metod strojového učení, zejména je to aktuální pro metodu ABM.

Digitální dvojníci.

Digital twin je přístup ve kterém paralelně, například s výrobní linkou, vzniká DES model který se v reálném čase aktualizuje pomocí senzorů na zařízení. To umožňuje rychle a přesně diagnostikovat problémy aktuálního stavu systému. Více o konceptu: IBM: What is a digital twin.

Autonomní doprava.

Jelikož se v dnešní době modely strojového učení zavádějí do všech možných oblastí, dostávají se i do dopravy. V oblasti kde velmi mnoho prvků je regulováno různými mechanismy, jako jsou pravidla silničního provozu, nesení správní nebo trestní odpovědnosti, transparentní politiky priority a tak dále, podobná integrace vyvolává mnoho otázek. Nejzákladnější se kterou se setkávají regulátoři celého světa je, jak bezpečný je autonomní automobil. Zde se ABM simulace dopravy stávají nepostradatelným nástrojem pro výzkum a tvorbu důkazní základny rozhodnutí regulátorů.

Závěr

Automobilový průmysl stejně jako mnoho jiných je velmi úzce spjat se simulacemi. Tento druh spojení nevznikl kvůli trendům, vznikl z nutnosti předvídat chování složitých systémů, automobilový průmysl 21. století k takovým bez jakýchkoli pochyb patří. Je to obrovský, architektonicky složitý, konkurenčně náročný byznys který v sobě zahrnuje procesy absolutně různé povahy a uspořádání. Právě to je důvodem proč mnoho metod simulací systémů zaujalo své zasloužené místo v základech tohoto odvětví. Krize roku 2021, od které se tento článek odvíjel, je připomínkou toho, že složitost systému nevyhnutelně přináší nečekané a často nepříjemné překvapení. V takové realitě jsou simulace nejlepším nám známým způsobem jak je předvídat a být na ně připraveni. Pravděpodobně takovými zůstanou i v budoucnu, stávajíce se stále pokročilejšími a technologičtějšími.

Užitečné zdroje

• AnyLogic — multiparadigmatická simulační platforma (MC, SD, ABM, DES v jednom)
• NetLogo — volně dostupné prostředí pro ABM s rozsáhlou knihovnou modelů
• Vensim — profesionální nástroj pro systémovou dynamiku
• Beer Distribution Game — interaktivní simulace efektu biče
• AnyLogic: Free Simulation Book — volně dostupná učebnice simulací

Seznam literatury

• BANKS, Jerry, John S. CARSON, Barry L. NELSON a David M. NICOL. Discrete-Event System Simulation. 5. vyd. Upper Saddle River: Prentice Hall, 2010.
• ELMARAGHY, Hoda A., ed. Changeable and Reconfigurable Manufacturing Systems. London: Springer, 2010.
• FORRESTER, Jay W. Industrial Dynamics. Cambridge: MIT Press, 1961.
• RUBINSTEIN, Reuven Y. a Dirk P. KROESE. Simulation and the Monte Carlo Method. 3. vyd. Hoboken: Wiley, 2016.
• STERMAN, John D. Business Dynamics: Systems Thinking and Modeling for a Complex World. Boston: McGraw-Hill, 2000.
• WILENSKY, Uri a William RAND. An Introduction to Agent-Based Modeling. Cambridge: MIT Press, 2015.

---

Autor: Ulan Kurbanov