问题：
葛兰素史克位于欧文的工厂显示出批量生产计划与能源消耗之间存在很强的相关性，但机器使用情况的波动使得能源消耗预测变得困难。葛兰素史克需要一个强大的决策支持工具，以便更好地了解其生产规划决策对财务和环境产生的影响。
解决方案：
葛兰素史克与决策实验室合作开发了一个结合机器学习（ML）和仿真的混合模型。该解决方案在制造业中运用预测分析，将生产规划与能源消耗预测联系起来，实现了更智能、更具可持续性的运营。
结果：
- 提升了能源消耗预测能力。
- 优化了可再生能源的利用。
- 优化了生产计划。
- 降低了成本并减少了排放。
- 增强了应对意外故障的能力。
简介：生物制药生产中的可持续发展目标
葛兰素史克欧文工厂
决策实验室（Decision Lab）是一家总部位于英国的分析和决策支持咨询公司，专注于仿真建模、人工智能和数据科学领域。凭借其在制造业预测分析方面的专业知识，决策实验室能够为葛兰素史克的能源效率项目实施一个仿真模型。
葛兰素史克 (GSK) 是一家全球性的生物制药公司，业务遍布 130 多个国家，生产包括疫苗、肿瘤药物和呼吸道治疗药物等多种产品。葛兰素史克拥有 7 万多名员工和 86 个生产基地，2023 年的营收达到 340 亿英镑。
为了符合其可持续发展目标，葛兰素史克旨在到 2045 年在其整个价值链中实现温室气体净零排放。主要目标包括到 2025 年实现 100% 使用可再生电力，以及到 2030 年将绝对温室气体排放量减少 80%。
问题：优化能源消耗
葛兰素史克欧文工厂显示出批量生产计划与能源消耗之间存在很强的相关性，但机器使用情况的波动使得能源消耗预测变得困难。该公司需要一个强大的决策支持工具，以便更好地了解其生产规划决策对财务和环境产生的影响。具体而言，葛兰素史克试图：
- 建立生产计划与能源消耗之间的明确关系。
- 探索将更多可再生能源整合到其基础设施中的可行性。
- 优化生产计划，以降低总体能源成本和环境影响。
- 仿真潜在的系统故障和意外的运营中断所产生的影响。
- 分析机器使用模式，以识别效率低下的情况并减少能源浪费。
解决方案：运用机器学习和 AnyLogic 进行预测分析
为应对这些挑战，葛兰素史克与决策实验室合作开发了一个结合机器学习（ML）和仿真的混合模型。该解决方案在制造业中运用预测分析，将生产计划与能源消耗预测联系起来，实现更智能、更具可持续性的运营。
机器学习模型：
- 基线分析：一个基于 Python 的模型对历史能源数据进行分析，为固定生产计划下的能源消耗建立一个基线。
- 能源消耗预测：一个随机森林回归器（Random Forest Regressor）根据机器的生产计划预测电力和蒸汽的使用情况，提高了能源预测的精度。
实际需求和预测消耗图表（点击放大）
AnyLogic 仿真模型：
- 与 AnyLogic 集成：机器学习模型的输出被集成到 AnyLogic 中，以评估将风能和太阳能等可再生能源添加到工厂运营中的影响。该仿真实时建立了循环计划与能源使用之间的联系。
- 场景测试：该模型通过蒙特卡罗仿真来考虑可变性和不确定性，对替代性制造计划和意外故障场景运行 “假设分析（what-if）” 仿真。
- 机器使用和能源消耗：该模型跟踪机器利用率和能源消耗情况，识别效率低下的问题，并提出节能改进建议。
- 详细的能源跟踪：该模型纳入了诸如电力、蒸汽、燃气使用以及可再生能源发电等变量，以全面呈现能源消耗情况。
为什么选择 AnyLogic？
葛兰素史克和决策实验室选择 AnyLogic 是因为它在制造业预测分析和仿真建模方面具有先进的能力。通过 Pypeline 实现的 Python 无缝集成，能够在机器学习预测和仿真模型之间进行实时数据交换，为动态且准确的建模提供支持。
AnyLogic 的高级分析功能提供了多种运行模式、蒙特卡罗实验以及关键绩效指标（KPI）跟踪功能，以便更深入地了解能源效率优化情况。
此外，AnyLogic 的用户友好界面，包括详细的数据编辑器和可视化工具，使技术人员和非技术人员都能够有效地探索和解读各种场景。
另请阅读：关于商业中人工智能和仿真的白皮书。
结果：葛兰素史克获得的战略优势
制造业中的预测分析方法为葛兰素史克带来了显著的战略优势：
- 准确的能源基线：该模型为当前的能源使用情况创建了详细的基准，能够实现更精确的跟踪和未来的能源消耗预测。
- 可再生能源优化：对太阳能/风能整合情况的仿真有助于葛兰素史克高效地规划投资。
- 优化生产计划：凭借更准确的能源消耗预测，葛兰素史克能够调整生产计划，使其与能源效率目标保持一致。
- 降低成本和减少排放：评估可再生能源场景的能力带来了节省成本和削减排放的潜力。
- 运营弹性：该仿真使葛兰素史克能够评估并为意外故障做好准备，减少停机时间和能源浪费。
- 增强的预测能力：预测建模帮助葛兰素史克更高效地规划能源消耗，并最大限度地减少对不可再生能源的依赖。
通过将机器学习与 AnyLogic 仿真相结合，葛兰素史克在制造业中实施了强大的预测分析解决方案。由此产生的决策支持工具加强了能源消耗预测和优化，使运营与葛兰素史克的可持续发展目标保持一致。
这一成功案例不仅推进了该公司的净零排放战略，还为其他寻求提高运营效率和环境绩效的设施提供了可扩展的模型。
该案例研究由决策实验室的 Joshua Liu 和 Jacob Whyte 以及葛兰素史克的 Giovanni Giorgio 和 Anjli Pankhania 在 2024 年 AnyLogic 会议上展示。
幻灯片以PDF格式提供。
