В статье рассматривается исследование производственного процесса на модели AnyLogic.
Секция: Технические науки
САЛИКОВ ВАЛЕНТИН АЛЕКСАНДРОВИЧ
Канд. техн. наук, доцент кафедры автоматизированных систем обработки информации Днепропетровского национального университета
КУЗЬМЕНКО ТАТЬЯНА СЕРГЕЕВНА
студент кафедры автоматизированных систем обработки информации
Днепропетровского национального университета, Украина
ИССЛЕДОВАНИЕ ПРОИЗВОДСТВЕННОГО ПРОЦЕССА НА МОДЕЛИ ANYLOGIC
В материалах доклада [1] освещены вопросы построения концеп-туальной модели для имитации процесса изготовления изделия на предприятии с учетом действия многих случайных факторов – разброса времени изготовления комплектующих блоков в цехах предприятия 
, непредвиденных случаев отбраковки блоков, времени контроля блоков 
и проверки изделий 
и др. Проведен простой эксперимент – тестирование модели для двух наборов входных параметров и показано, что для установления однозначных зависимостей выходных характеристик модели от возмущающих факторов необходимо планомерное варьирование параметрами модели и регистрация статистик для соответствующих выходных характеристик. Специалистам от производства интересны, в первую очередь, такие показатели как производительность технологического процесса – среднее число изготовленных за рабочую смену (8 час.) изделий 
, среднее время изготовления одного изделия 
, среднее число отбракованных блоков 
, стоимость изделий 
и др. Созданная модель позволяет получить указанные характеристики путем многократных прогонов модели и применения усредняющих процедур для случайных процессов на выходе [2].
Выполним прогнозирование поведения реального производственного процесса путем имитации его на модели. С этой целью будем варьировать выделенные управляющие параметры и регистрировать полученные после проведения прогонов выходные характеристики модели. Из числа управляющих параметров модели выделим следующие: 1) среднее время изготовления блоков 
(
). Для простоты интерпретации результатов примем: 
=
=
=
; 2) время контроля одного блока 
(). Пусть 
=
=
=
. 3) число забракованных блоков (%) 
=
=
=
; время сборки изделия 
; 4) число забракованных блоков приемкой 
% . Для сокращения числа исследуемых вариантов фиксируем неизменными следующие параметры модели: 1) время замены боков 
; 2) время приёмки изделия 
; 3) доля брака при приемке изделия %; 4) время сборки изделия ;5) время проверки изделия ; 6) число забракованных изделий 
(%); 7) стоимости изготовления блоков 
, проверки 
, сборки 
, замены 
и приемки изделий 
.
Для выполнения имитации выбраны исходные данные, приведенные в [1, с. 75]. Виртуальное время задано в минутах. Назначены “уникальные” прогоны и время окончания эксперимента 
= 480 мин (одна рабочая смена) [2]. Продолжительность эксперимента на ПК с процессором Intel (R) Core i3-2410M CPU составляет примерно 3 минуты.
Исследуем влияние времени изготовления блоков на производительность процесса по числу изготовленных изделий . Определим план четырех экспериментов: =(5; 10; 15; 20). Получены следующие результаты: для варианта =5 среднее значение изготовленных блоков 
=14,98, с.к.о.=5,75. Гистограмма распределения случайной величины 
показана на рис. 1. После прогонов модели для
Рис. 1 Гистограмма величины 
Рис. 2 Вид функции =f()
=(10; 15; 20) получаем соответственно: 
=(13,78±5,04; 12,56±6,32; 11,34±5,05). По этим данным построен график на рис. 2. Определим чувствительность функции =f(): δ
=
/= - 0.24 изд/мин. (функция убывающая).
Исследуем влияние на выпуск изделий времени контроля блоков . Примем =(5;10;15;20), =10, остальные параметры фиксированы. Получен следующий результат: =(14,63±4,87; 13,55±4,56; 12,86±5,94; 11,95±5,87). Гистограмма случайной величины для случая =5 показана на рис. 3, а зависимость =f() – на рис. 4. Оценка чувствительности δ
= - 0,18 изд/мин. Как видим, по модулю δ < δ, т.е. влияние времени изготовления блоков более существенно.
Исследуем влияние брака на этапе контроля изготовления блоков на число отбракованных изделий . Примем следующие варианты 
%=(1;4;8;10). Получен следующий результат =(2,13±1,95; 4,36±2,68;
Рис. 3 Гистограмма величины Рис. 4 Вид функции =f()
5,89±2,13; 6,35±4,35). Гистограмма случайной величины 
для случая =4% показана на рис. 5, а зависимость =f(
) – на рис. 6.
Рис. 5 Гистограмма величины Рис. 6 Вид функции =f()
Оценка чувствительности для функции =f() 
=0,46 изд/% (на каждый процент брака при контроле блоков число забракованных изделий возрастает на 0,46 штук).
Полезно оценить влияние на программу выпуска регистрации брака в отделе приемки изделий. Положим %=(1; 4; 8; 10), а =4%. Имитация модели для заданной вариации параметра дает: = (14,65±4,87; 13,46±5,16; 12,86±5,95; 10,85±5,34). Гистограмма распределения величины для 
=1% показана на рис. 7, а функция 
=f() - на рис. 8. Оценка чувствительности для функции =f() 
= - 0,15 изд/%.
Рис. 7 Гистограмма величины Рис. 8 – Вид зависимости =f()
Аналогичным образом можно получить и другие полезные для практики результаты. При участии в создании, настройке и испытаниях модели экономистов и инженеров от производства можно уточнить и расширить состав управляющих параметров и выходных характеристик, а полученные результаты моделирования эффективно использовать для прогнозирования и планирования серийного и массового производства изделий.
Литература
1 . Саликов В. А., Кузьменко Т. С. Анализ деятельности предприятия на основе имитационного моделирования // Материалы XLIV Международной заочной научно-практической конференции «Научная дискуссия: инновации в современном мире». – № 12 (43). – М., Изд. «Интернаука», 2015. - 142 с.
2. Боев В.Д., Д.И. Кирик, Р.П. Сыпченко «Компьютерное моделирование» Пособие для курсового и дипломного проектирования. – СПб.: ВАС, 2011. – 348 с.
