我想展示如何结合数学建模和离散事件仿真 (DES) 来优化输送系统。这是对工业中丰富多样的输送机优化示例的补充。然而，正如我将在本文中解释的那样，我提出的工作流程和程序会以更低的工作量产生明显更好的结果。
模拟有助于通常的优化方法
复杂的输送系统（总是）需要（仅）仿真是一个常见的误解。这是不正确的。正如我将在本文中解释的那样，我建议采用双重方法，首先优化布线比率，然后在动态模拟中实现布局和数学推导的布线规则。尽管如此，它仍然是使用离散事件仿真建模来测试输送机概念和布局的传统方法。
以下是一些简单模型的示例，包括简单的传送带示例。在更复杂的场景中考虑这些简单的示例，即更复杂的输送机布局：
其他流行的输送机仿真工具（除了 AnyLogic）还有 simio、AutoMOD、Plant Simulation、FlexSim 等。您甚至可以使用 R 中的simmer在更高的抽象级别上对输送系统进行建模，使用更少的可视化。有关“simmer”的综合文档，请查看下面的链接文章。
传统方法包括在模拟环境中实施建议的输送机布局。接下来，按照技术规范设置设备。然后，迭代地应用模拟实验。在这些迭代过程中，模拟分析员例如寻求确定布局优化以及布线优化——在适用的情况下。
说明输送系统的复杂性
例如，考虑下图中所示的输送机布局。下图所示的布局包括从供应流程到后续组装和/或最终加工站的流入和流出。该布局还包括进出缓冲区的流量。
物料流动态变化，受制于整体生产计划和主计划。在某个时间点，特定零件系列或批号的流入量超过流出量，例如在夜间生产库存时。在这种情况下，缓冲区用于存放零件。在其他时候，供应生产过程可能是制造零件系列，这些零件系列当前未在下游过程中运输或处理（流出）。零件（如果有）然后从缓冲区中取出并从那里向下游供应。
显然，物料流很快就会变得复杂。路由规则和路由比率可用于确定哪些零件应沿输送系统的哪个部分流动。这可以用一个数学模型来描述，其中目标函数是一个或几个零件系列的总系统吞吐量。输送机容量，尤其是转盘的容量，是该数学模型的约束条件。然后模型可以优化路由比率，即一旦它们被正式定义为相关的优化变量。
输送系统路线优化工具
存在各种用于输送机路线优化的工具。不一定需要商业工具。对于较小的输送系统，可以使用免费工具。或者，如果您安装了 Excel，则可以将 Excel 和 Excel Solver 用于较小的应用程序。
下面是一些文章列表，其中涵盖了我或其他 SCDA 成员已经在此博客上介绍的其他一些免费优化工具。
- 链接： 在 Python 中使用求解器进行优化
- 链接： 在 Julia 中使用 JuMP 和 GLPK 进行优化
- 链接： Python 中的优化和建模
- 链接： 在 Python 中使用 PuLP 进行线性优化
我将在此博客的另一篇博文中介绍用于路由优化的 Excel 求解器。
输送系统优化的程序模型
为了说明和总结我上面的大部分评论，我创建了一个流程图来描述我的输送系统优化程序模型。你可以在下面看到它。
首先，起草布局概念。这将涉及一些静态计算、大致数字和经验法则估计。布局通常是在数据稀缺的情况下起草的。这一步必须保证整个生产过程的可行性。
完成初稿后，必须配置设备。布局说明应放置传送带和转盘等的位置。但是什么样的输送机？什么样的驱动？对这些类型问题的回答将影响设备规格，例如在传送带速度和加速度方面。当为输送设备指定运动学数据时，可以进行静态容量计算。例如，如果输送机的长度为 1 m，其速度为 1 m/s，则当以恒定全速运行时，每小时可输送 3600 个零件。
然后将静态计算的容量转发到一个数学程序，其中设备容量被建模为优化约束。如本文前面所述，路由比率是相关的优化变量。数学程序将寻求优化定义的目标，例如系统总吞吐量。因此，在完成此步骤后，求解器将在输送系统中的每个路由点定义路由比率 – 用于相关的生产场景。
数学模型已经可以导致重新设计决策。重新设计可能只会影响设备配置。但这也可能意味着布局本身必须重新制作。
最后一步是动态仿真模型。这种模型考虑了数学程序忽略的动态系统相互依赖性。
关于输送系统优化的结束语
在优化输送系统时，直接跳到仿真建模不一定是正确的方法。首先应用数学建模会更有效。仿真建模应有助于输送系统优化的最后阶段。
专业领域为优化和仿真的工业工程师（R，Python，SQL，VBA）
Leave a Reply