Рис. 5. Соотношение мира моделей и мира реальных явлений

Чаще всего исходная проблема состоит в анализе существующего или предполагаемого объекта для принятия решения по его управлению.

В процессе моделирования, при замене реальной системы моделью, выделяются те аспекты, которые существенны для решения проблемы и опускаются аспекты, усложняющие систему, делающие анализ очень сложны или невозможным. Проблема анализа всегда появляется в мире реальных объектов.

Реальные объекты и ситуации обычно отличаются высокой сложностью, и модели нужны для того чтобы ограничить эту сложность, дать возможность понять ситуацию, понять тенденции изменения ситуации (спрогнозировать будущее состояние исследуемой системы), принять решение по изменению будущего поведения системы и проверить ее состояние в будущем. Если модель отражает основные свойства системы, существенные для решения конкретной проблемы, то анализ модели позволяет вывести характеристики, которые объяснят известные и предскажут новые свойства исследуемой реальной системы без экспериментов над самой исследуемой реальной системой. При помощи моделирования получено множество впечатляющих результатов в технике, науке и в производстве.

Принятие адекватных решений по рациональной организации и управлению современными системами становится невозможным на основе только здравого смысла или интуиции из-за возрастающей сложности систем. В 1969 году известный ученый, родоначальник системной динамики Джей Форрестер отмечал, что на основе интуиции для управления сложными системами чаще выбираются неверные решения, чем верные, и это происходит потому, что в сложной системе причинно-следственные отношения ее параметров не являются простыми и ясными.

При использовании существующих или при проектировании новых организационных и технических систем рассматриваются такие факторы как: сокращение рисков и стоимости, повышение надежности и производительности, оценка чувствительности системы к изменениям параметров и оптимизация. Трудность выражения причинно-следственных связей в сложной системе ведет к недостаточно эффективной организации системы или к недочетам при их проектировании, и большими затратами на корректировку этих ошибок. Так в настоящее время единственным основным эффективным средством для нахождения оптимального либо приемлемого пути или решения в сложных системах становится моделирование. Таким образом, моделирование является средством поддержки принятия ответственных решений

Когда существующая система включает в себя множество параллельно функционирующих в пространстве и времени взаимодействующих подсистем особенно важным становится процесс моделирования. Каждый человек мыслит последовательно и в конкретный момент времени обычно может думать только об одно деле. Из-за этого восприятие одновременного развития в пространстве и времени многих оказывающих влияние друг на друга процессов становится крайне сложной задачей. Имитационная модель помогает понять и упростить сложные системы, предсказать их поведение и развитие во времени в различных ситуациях и дает возможность изменять параметры и структуру модели, чтобы направить данные процессы в требуемое русло. Таким образом, модели позволяют оценить планируемые изменения и выполнить сравнительный анализ качества полученных вариантов решений. Кроме того, моделирование может выполняться в реальном времени, что дает возможность использовать полученные результаты в разных областях.

Выделяются следующие цели моделирования [11, с 95-98]:

1. оценка позволяет оценить действительные характеристики и параметры уже существующей или проектируемой системы, и определить в какой степени система предложенной структуры будет релевантна поставленным требованиям;

2. сравнение позволяет осуществить сравнение конкурирующих между собой систем со схожим функциональным назначением или же сопоставить несколько случаев построения одной системы;

3. прогноз - оценить поведение системы при некотором предполагаемом сочетании рабочих условий;

4. анализ чувствительности позволяет выявить из широкого числа факторов только те, которые действуют на систему в наибольшей степени, оказывают влияние на поведение и характеризуют показатели эффективности;

5. оптимизация позволяет найти или задать такое сочетание работающих факторов и их величин, обеспечивающее оптимальные показатели эффективной работы системы в целом.

Таким образом, 1-4 задачи анализа, 5 - задача синтеза.

2.2 Имитационное моделирование

Метод имитационного моделирования представляет собой процесс создания математической логико-аналитической модели исследуемой системы и внешних воздействий, когда происходит имитация работы системы. То есть определяются временные изменения состояния работы системы при оказании внешних воздействий. Далее производится получение выборки значений результирующих параметров, определяющих их основные вероятностные характеристики. Приведенное определение подходит только в случае стохастических систем, потому что в детерминированных системах нет необходимости в изучении выборки значений результирующих параметров.

Модель системы со структурным принципом управления представляет собой систему моделей элементов с их функциональными связями. Модель определённого элемента - это набор правил или алгоритмов поведения определенного устройства по отношению к результирующим заявкам и правил варьирования состояний элемента. Каждый элемент отображает заданное функциональное устройство при заданном уровне детализации.

При простейшем варианте устройство способно находиться либо в работоспособном состоянии, либо в состоянии отказа. При работоспособном состоянии устройство может выполнять те или иные операции по обслуживанию заявок или требований или может находиться в состоянии покоя. Выделяются следующие правила поведения устройства ^[11] правила выборки требуемых заявок в очереди; ответ устройства при поступлении заявки, в момент занятости устройства или наличия очереди заявок; реакция устройства при возникновении задержки или отказа в процессе обслуживания и некоторые другие. [11, с. 198-199].

Имитационное моделирование оказывается наиболее приемлемым в следующих случаях:

1) не существует законченной математической постановки задачи;

2) аналитические модели существует, при этом математические процедуры настолько сложны или трудоемки, и имитационное моделирование предоставляет наиболее простой или единственно возможный способ решения задачи;

3) кроме оценки выходных параметров, предпочтительно проводить наблюдение за состоянием системы в течение некоторого периода времени;

4) имитационное моделирование иногда остается единственно возможным из-за невозможности постановки эксперимента и наблюдений в реальных условиях (например, изучение поведения космических кораблей в межпланетном пространстве);

5) при моделировании необходимо изменение временной шкалы (замедление либо ускорение изучаемых процессов);

6) необходимо выполнить предварительную проверку новых правил или стратегий принятия решений в преддверии осуществления экспериментов на реальной системе или объекте;

7) в случае если для стохастической модели данных только о моментах распределений недостаточно и особое значение имеет последовательность событий в исследуемой системе.

Использование имитационных моделей предоставляет большое количество преимуществ в сравнении с осуществлением экспериментов над реальным объектом или системой [15, с. 98-101]:

· Стоимость. Например, компания увольняет некоторую часть своих сотрудников, и это в будущем может привести падению качества обслуживания и уходу некоторой части клиентов. Помочь принять обоснованное оптимальное решение может использование имитационной модели, стоимость применения которой складывается только из затрат на программное обеспечение и на величину стоимости услуг консалтинга.

· Время. В реальном мире исследовать эффективность, к примеру, новой сети распространения товара или услуг возможно спустя некоторое время - месяцы или даже годы. Но имитационная модель дает возможность определить являются ли изменения оптимальными за считанные минуты, которые потребуются, чтобы провести эксперимент по оптимизации.

· Повторяемость. Повторяемость. Современные условия жизни требует от компаний своевременной реакции при изменении векторов движения на рынках. Так прогноз величины спроса на товары может и должен быть завершен в срок, а его изменения могут привести к критичным результатам. При помощи имитационной модели возможно осуществлять любое количество экспериментов, задавая разные параметры для определения оптимального решения.

· Точность. Традиционные вычисляемые математические методы чаще всего требуют наличия высокой степени абстракции, при этом, не учитывая некоторые важные детали. При этом имитационное моделирование дает возможность проиллюстрировать структуру системы и её процессов в естественном виде, без использования формул или строгих математических зависимостей и ограничений.

· Наглядность. Имитационное моделирование включает возможности визуализации рабочих процессов системы во времени, схематичного оформления системной структуры и предоставления результатов в виде графиков и диаграмм. Это позволяет представить в наглядном виде полученные результаты, а затем довести их до заказчика или клиента.

· Универсальность. Построение имитационной модели предоставляет возможность решения задач практически во всех областях: производства, финансов, логистики, здравоохранения и других. При любом варианте модель воспроизводит или имитирует реальную жизнь, тем самым позволяя осуществлять широкий набор экспериментов не оказывая влияния на исследуемые объекты.

Имитационным методом решаются не только задачи со случайными воздействиями, а также чисто детерминированные. Причем при моделировании детерминированных систем необходимо предварительно построить стохастическую систему, выходные характеристики которой позволяют оценить искомые характеристики исследуемой системы.

Имитационное моделирование, как и любое исследование, включает в себя некоторую последовательность действий. Так выделяются следующие этапы [16, с. 118-119]:

· Установление границ модели.

· Разработка общей концептуальной модели.

· Поиск и формализация исходных данных.

· Оформление первоначальной модели в виде диаграммы.

· Представление первоначальной модели.

· Оценка адекватности полученной модели.

· Моделирование - проведение экспериментов над моделью.

· Анализ (интерпретация) полученных результатов.

· Составление отчета по полученной модели и поиск возможных способов ее улучшения.

Границы модели устанавливаются так, чтобы охарактеризовать те части элементы, работа которых характеризует важные стороны поведения всей системы. В этом случае система должна иметь возможность генерировать ситуацию или затруднения, которые потребуется рассмотреть в дальнейшем.

Разработка общей концептуальной модели системы является одним из самых важных этапов исследования. На этом этапе происходит формализация самой системы, т.е. переход от реального объекта к его абстрактной форме. Такая формализация системы может начинаться с общего описания природы системы, выбранных терминов и понятий. На данном этапе формализуются сведения о природе и параметрах - характеристиках элементов системы и о виде и степени взаимодействия между ними. Завершающий этап формализация - построение общей схемы процессов, подлежащих исследованию. В дальнейшем полученная модель может уточняться и дополняться в соответствии с целями и степенью детализации, определяющей постановку задачи.

Действия, которые позволяют представить модель как совокупность составных частей (подсистем, элементов), называется декомпозицией системы. Для элементов модели требуется обеспечить сохранность целостной системы, и достичь поставленных целей и задач моделирования. Процесс построения общей модели системы на завершающем этапе структурируется, то есть указываются и описываются взаимосвязи между элементами системы, а также описывается динамика функционирования всей системы с ее возможными состояниями. От построения общей имитационной модели, напрямую зависит и результат исследования. [16]

Следующим этапом имитационного моделирования является поиск и формализация первоначальных данных. В большинстве случаев это проходит параллельно с построением общей модели. По сути этот этап создает информационное пространство системы. На нем иллюстрируются основные количественные параметры и характеристики функционирования элементов и всей системы. Характеристики в численных значениях и составляют исходные данные для построения модели. Если подготовлены данные и общая модель системы, система представляется в виде диаграммы, созданной из стандартных блоков. Благодаря этому этапу, схема модели становится понятной и доступной широкому кругу специалистов, которые владеют соответствующими методиками. Чаще всего, такая диаграмма выполняется при помощи специализированных программных средств. Например: ВР Win, Microsoft Project, Visio.

В этапе осуществления модели происходит преобразование диаграммы модели в сценарий специализированной системы моделирования, или в определенную компьютерную программу. В Anylogic этот этап осуществляется автоматически, вследствие наличия визуальных средств построения моделей.

Оценка эффективности полученной модели происходит с помощью ее экспертизы и прогонки на тестовых данных. В этом этапе модель проверяется на правильность, корректность и релевантность, т.е. на соответствие объекту исследования в рамках поставленных целей и задач (границ системы). Если модель является не адекватной, то происходит ее исправление и корректировка.

На этапе осуществления эксперимента выполняются запланированные заранее сценарии для получения требуемого результата.

После получения выходных данных моделирования, следующий важный этап исследования - интерпретация результатов. По полученным результатам моделирования и экспериментов выдвигаются выводы о поведении исследуемой системы. Очень важно не допустить эффект двоякой интерпретации одних и тех же результатов. В данном случае следует корректировать и дорабатывать модель. На этом этапе интерпретации результатов дается заключение о полезности или бесполезности использования модели. В случае, когда модель полезна, осуществляется ее реализация или практическое применение. На данном этапе осуществляются вспомогательные действия, такие как регистрация хода осуществления исследования и его результатов, документирование процесса создания и использования модели.

2.3 Дискретно-событийное моделирование

Окружающий нас мир скорее является "непрерывным", чем "дискретным". Большая часть наблюдаемых нами процессов представляют собой непрерывные изменения во времени. Для исследования этих процессов в некоторые моменты есть смысл абстрагироваться на определенную степень от их непрерывной природы и рассматривать их с точки зрения только важных моменты или событий в области моделируемой системы. Подход к осуществлению имитационного моделирования, предлагающий аппроксимацию реальных процессов такими событиями и именуется "дискретно-событийным" моделированием (discrete event modeling).

Далее приведены несколько примеров дискретно-событийного моделирования: покупатель пришел в супермаркет, на складе уже завершили разгрузку фуры, конвейер совершил остановку, в производстве начинается производство нового продукта, уровень запасов достиг некоторого порога и т.д. В дискретно-событийном моделировании перемещение автомобиля из пункта А в пункт Б представляется только двумя событиями: прибытием и отправлением, а движение называется "задержкой" (интервалом времени) между ними. Но это не означает, невозможность проиллюстрировать поезд, передвигающимся в пространстве. AnyLogic позволяет создавать визуально непрерывную анимацию для логически дискретных процессов. [11, 136-137]

Понятие "дискретно-событийное моделирование", чаще всего используется в узком смысле для характеристики "процессного" моделирования. Далее динамика системы характеризуется как последовательность каких-либо операций (разделение, задержка, прибытие, захват ресурса и т.д.) над агентами. Агенты представляют клиентов, звонки, документы, пакеты данных, транспортные средства и т.п. Агенты не влияют на свою динамику, но могут иметь определенные атрибуты, которые влияют на процесс их обработки, как пример - тип заявки или сложность работы. Агенты могут накапливать статистику, как пример - общее время ожидания или стоимость. Процессное моделирование предоставляет средне-низкий уровень абстракции: когда практически каждый объект моделируется индивидуально, как отдельная система, при этом множество деталей общего физического уровня, такие как геометрия, ускорения или замедления, обычно опускается. Этот подход широко используется в бизнес-процессах, производстве, логистике или здравоохранении. [17]

Для изучения поведения модели при заданных условиях или для улучшения производительности модели, найдя значения параметров, при которых возможно достижения наилучшего результата работы, возможно, использовать инструменты оптимизации. Оптимизация дискретно-событийной модели заключается в последовательном исполнении нескольких прогонов модели с различными значениями заданных параметров и нахождении оптимальных для данной задачи значений параметров.

Оптимизация модели состоит в последовательном выполнении нескольких прогонов модели с различными значениями оптимизационных параметров и нахождении тех значений параметров, оптимизирующих значение заданного целевого функционала. Целевой функционал - математическое выражение, описывающее связь оптимизационных параметров, или результат какой-либо операции (например, прогона модели), входными параметрами которой являются параметры оптимизации. Функционал оптимизации задается целевой функцией и условием оптимизации. Условие оптимизации определяет, является ли целью оптимизации минимизация или максимизация значения целевого функционала. [17]

событийный имитационный производственный логистика

Глава 3. Построение имитационной модели для управления запасами торгово-производственного предприятия

3.1 Постановка задачи

Торгово-производственное предприятие, специализируется на производстве мебели.

Товар разбит на 2 ценовые категории: категория А - самая дорогая, В - самая дешевая. Для каждой категории товаров используется различное по качеству и цене сырье, а также фурнитура.

Главной задачей построения модели - организовать производство, чтобы максимально сократить время исполнения заказов (минимизировать время ожидания в очереди), изменяя уровни запасов на буферных складах. Вывести постоянное правило управления запасами. Кривая распределения потока заказов сезонная (ремонт, в основном, летом и зимой).

Таблица 2

Исходные данные

№	Операция	Время обработки сырья на участке, шт./мин.	Максимально возможная мощность участка, шт./мин.	Время переналадки, мин.
		A	B	C
1	Распил заготовок по размерам	6	9	9	18	15
2	Фрезеровка	5	5	7	14	35
3	Нанесение клея	10	10	10	35	-
4	Пресс	7	7	7	26	-
5	Сушка	0,2	0,2	0,2	20	-
6	ОТК	6	7	8	30	-
7	Сборочный конвейер	3	5	5	32	-
8	Упаковка	1	3	4	22	-

Дополнительные условия:

· При необходимости, разрешается добавлять новые буферные склады, а также перемещать уже существующие.

· Вынужденные простои оборудования задаются датчиком случайных чисел.

Для осуществления моделирования данные переведены в единицы измерения, характеризующих количество произведенных деталей в минуту, в количество затраченного времени на производство одной детали.

Таблица 3

Исходные данные в единицах мощности

№	Операция	Время обработки сырья на участке, шт./мин.	Максимально возможная мощность участка, шт./мин.	Время переналадки, мин.
		A	B	C
1	Распил заготовок по размерам	6	9	9	18	15
2	Фрезеровка	5	5	7	14	35
3	Нанесение клея	10	10	10	35	-
4	Пресс	7	7	7	26	-
5	Сушка	0,2	0,2	0,2	20	-
6	ОТК	6	7	8	30	-
7	Сборочный конвейер	3	5	5	32	-
8	Упаковка	1	3	4	22	-

Основной трудностью производственного процесса является узкое место производства. Узкое место, как было рассмотрено ранее, представляет собой явление, при котором эффективность производства или пропускная способность системы ограничиваются одним или несколькими компонентами или ресурсами. В подобном англоязычном термине (англ. bottleneck) приводится аналогия с горловиной бутылки, узость которой не позволяет вылить или высыпать её содержимое за один момент времени, даже при ее перевертывании. При увеличении ширины узкого места увеличивается и скорость, с которой бутылка опустошается. Относительно бизнеса, узким местом организации является то, что снижает её производительность.

Таким образом, не изменяя технологий, максимально возможный результат оптимизации производства и заключается в поиске узкого места и построении процессов таким образом, чтобы данный участок был максимально загружен. Стоит стремиться к поиску такой модели производственной логистики, при которой эффективность ресурса, ограничивающего производительность, стремилась к 100%.

Для данной задачи используется метод производственной логистики «Барабан-Буфер-Веревка», рассмотренный во 2 главе. В этом методе используется ограничение по временным показателям, а не по материальным.

Схема производственного процесса имеет следующий вид:

3.2 Построение дискретно-событийной модели производственного процесса

Для описания и оптимизации работы производственной системы возможно создание дискретно-событийной модели производственного процесса.

В процессе построения используются элементы дискретно-событийной библиотеки пакета Anylogic, такие как:

Queue - объект, который хранит заявки в определенном порядке. Моделирует очередь заявок, ожидающих приема объектами, следующими за данным объектом в потоковой диаграмме

Delay - объект, который задерживает заявки на заданный период времени.

Sourse - объект, создающий заявки.

Sink -объект, уничтожающий поступающие заявки.

Основные условия перехода модели задаются при помощи объектов событий.

В событиях модели указываются значения, при достижении которых будет осуществляться переход системы и переналадка оборудования. Переход производственной линии с одного товара на другой осуществляется при скоплении очереди заявок из товаров, которые в данный момент не производятся.

Общий вид модели:

Модель производственного процесса осуществляется исходя из схемы производства. Задержки производства устанавливаются согласно исходным данных приведенных в предыдущем разделе.

В процессе моделирования выявляются узлы производства, где происходят заторы и очереди. Наибольший затор производства происходит в процессе сушки изделия.

В ходе переналадки происходит изменение параметров, отражающих время задержки детали на каждом производственном узле.

Производство осуществляется методом «Барабан-Буфер-Веревка», очередь устанавливается по системе FIFO. Данная методика подробно рассмотрена в главе 2. Для управления производством и изменением производимого продукта предлагается рассмотреть 2 варианта:

1. Производство каждого товара определенное количество дней в течение месяца. Данный подход позволит сэкономить время, затрачиваемое системой на переналадку оборудования. При данном подходе возможна оптимизация количества дней для производства каждого продукта, с целью максимизации общего выпуска и с ограничениями на минимальное производство каждого товара.

2. Внедрение управляемых буферных складов для поступающих заявок, и при достижении порогового значения и происходит переналадка оборудования. В данном подходе возможна оптимизация пороговых значений буферных складов, с целью максимизации общего выпуска продукции и с ограничением на минимальное производство каждого товара.

Рис. 6. Общий вид модели производственного процесса в Anilogic 7.0

Модель в процессе работы имеет следующий вид:

Рис. 7. Работа модели производственного процесса при запуске

Рассмотрим вариант с управлением системой, когда производство каждого товара осуществляется определенное количество дней. Данный метод позволит сократить время переналадки и избавиться от задержек на участке фрезеровки.

На первом этапе проводится оптимизация модели. В процессе оптимизация подбираются такие параметры, характеризующие количество дней производства определенного товара, при которых совокупный выпуск всех видов продукции максимален. Устанавливаются ограничения, что в течение месяца должны быть произведены товары всех типов.

Целевая функция примет вид:

При следующих ограничениях (все товары должны производиться в течение дня)



Рис. 8. Оптимизации модели с управлением при помощи времени

В результате оптимизационного эксперимента получаем, что товар А может производится 13 дней, затем 2 дня производится товар В, и оставшиеся 15 дней производится товар С. Такой результат связан с тем, что товар С требует наименьших трудовых затрат и выпуск данного типа максимизирует совокупное производство.

Для управления и мониторинга модели создаются статистические диаграммы. Таким образом, представляется информация о загруженности различных участков производства.



Рис. 9. Работа модели производственного процесса при управлении периодами производства

Из диаграмм видно, что в системе нет одного узкого места, и при этом все основные процессы работают недостаточно.

При этом участки производства, где осуществляется переналадка при изменении производимого продукта, уровень загруженности не достигает и 40% использования. Это говорит о том, что оборудование используется нерационально, и возможно увеличить производство на 30% при таком управлении.

Рис. 10. Статистика работы модели при управлении периодами производства

3.3 Применение модели производственной логистики «Барабан-Буфер-Веревка» для компании

Возможен вариант управления системой заключается в подсчете заявок, и переналадке оборудования при достижении предельного значения. Таким образом, возможно выделение одного узкого места и недопущение нерационального использования ресурсов, ограничивающих производительность.

Так управляя одним узким местом, создается «барабан» всего производственного процесса, который сможет задавать ритм всей деятельности.

Для получения максимального количества изделий в процессе производства следует подобрать оптимальные значения для величин переналадки оборудования. То есть величины складов переналадки при достижении критического значения, в которых происходит переналадка оборудования.

Целевая функция примет вид:

При следующих ограничениях (все товары должны производиться в течение дня)

В визуализации Anylogic данные условия примут вид:



Рис. 11. Визуализация оптимизации модели в Anylogic 7.0

Процесс поиска оптимального решения представлен на графике. Таким образом найдены оптимальные значения параметров запасов товаров А, В и С.

Рис. 12. Результаты оптимизации модели производства при управлении количеством заявок

В результате оптимизационного эксперимента получаем, что товар А Может производится при количестве заявок в 14 штук, товар В 21 заявок, и товар С в 14 заявок. То есть когда существует потребность в 14 единицах товара А, осуществляется переналадка оборудования и эти 14 заявок становятся в очередь. Так как установлен метод очереди FIFO, эти заявки будут обрабатываться после того как обработаются заявки на товары В и С которые уже находятся в системе. Таки образом в системе происходит обработка заявок порциями или группами, что исключает возможность переналадки оборудования ради производства одной единицы товара.

Рис. 13. Работа модели производственного процесса при управлении количеством заявок на производство

В процессе устанавливаются совокупные ограничения на временные параметры обработки на каждом участке. Ресурсом, ограничивающим производительность системы, является участок сушки деталей. Так каждый раз, при завершении производства узким местом у точки планирования появляется возможность запускать в производство дополнительную единицу работы, затем этот процесс повторяется. Подобная логика в этой логистической схеме является «веревкой» (Rope) - то есть механизмом управления возникающих ограничений против перегрузки ресурса, ограничивающего производительность. В общем виде, это график выпуска материалов, предотвращающий поступление новой заявки в систему в темпе более высоком, чем она может быть обработана в узком месте. Концепция «веревки» используется в основном для предотвращения создания незавершенного производства в большинстве основных точек системы (кроме защищенных плановыми буферами критических точек)

Использование данного варианта управления доказывает, что именно процесс сушки является узким место производства или «барабаном» в методе DBR. При таком подходе к управлению системой использование этого участка со временем приближается к значению в 100% загруженности. При этом участки производства, где осуществляется переналадка при изменении производимого продукта, уровень загруженности не достигает и 40% использования. Это говорит о том, что оборудование используется на пределе возможности и дальнейшее увеличение производства невозможно.

Рис. 14. Статистика работы модели производственного процесса при управлении количеством заявок на производство

Так как мощность всей системы определяется мощностью узкого места производственной цепи, то система не сможет производить более 96 изделий в день, так как именно столько изделий проходит через сушку в течение восьмичасового рабочего дня. Так возникает очередь на буферном складе №2. Так средняя длина очереди может достигать 70 деталей в день. Таким образом, именно сушка является узким местом системы, исходя из метода логистической системы, и является «барабаном», который задает производственную мощность всей системы. Для того чтобы увеличить выпуск буферный склад №2 переносится в системе перед сушкой, для обеспечения бесперебойной работы ресурса, ограничивающего производительность.



Рис. 15. Средняя очередь на буферном складе 2 при управлении количеством заявок на производство

Для того чтобы доказать, что при повышении интенсивности пребывания новых заявок больше чем мощность узкого места производственного процесса, количество выполненных изделий не увеличивается, возможно провести анализ чувствительности в Anylogic.

Так при достижении значения 32 деталей в день для одного вида товаров (96 для 3х видов) рост количества выполненных деталей прекращается, и изменение становится случайным.

В процессе бесконечной работы системы возможно заполнения Буферного склада 2 полностью, при интенсивности прибытия новых заявок со скоростью обработки деталей узким местом производства. Так в длительном периоде работы - более полугода, система все равно не справляется с потоком прибытия новых заявок с интенсивностью равной пропускной способности узкого места. Поэтому возникает следующая ситуация, когда среднее время пребывания заявки в системе неравномерно возрастает. Эта особенность отражается на рисунках 16-18.



Рис. 16. Анализ чувствительности модели на изменение интенсивности прибытия заявок при управлении количеством заявок на производство

Рисунок 17. Время, проведенное каждой заявкой в системе, при работе модели в течении 60 дней



Рисунок 18. Время, проведенное каждой заявкой в системе, при работе модели в течение 120 дней

Рисунок 18. Время, проведенное каждой заявкой в системе, при работе модели в течении 180 дней

Из-за того, что ресурс, ограничивающий производительность, задействован на 99% и не может быть задействован на 100%, из-за случайности прихода новых заявок и из-за наличия простоев в самом начале работы при переналадке на новый тип производства, система начинает захлебываться и время обработки заявок бесконечно растет.

Однако при сокращении интенсивности прибытия до 95 заявок в день, при возможностях узкого места обрабатывать в 96 деталей в день, осуществляется стабилизация системы. И время обработки заявок в системе приобретает распределение близкое к нормальному.

Рисунок 19. Время, проведенное каждой заявкой в системе, при работе модели в течении 365 дней и сниженной интенсивности

В этом случае производительность узкого места - сушки деталей также стремится к 100%.

Рис. 14. Статистика работы модели производственного процесса при управлении предельными значениями запасов заявок

Так среднее время заявки в системе - 5 часов, но некоторые заявки обрабатываются и за 15 часов. Распределение визуально близко к нормальному.

Если сравнить два варианта управления, то можно сделать вывод о том, что в системах производства с наличием узкого места основное внимание должно быть уделено именно этому процессу. Так при построении производственного процесса и изменению способа управления системой было достигнуто максимально возможная производительность, без изменения технологий производства.

Заключение

В результате работы проведено сравнение различных методов и принципов организации производственного процесса, производственной логистики и создания модели для управления производством компании, в условиях современного мира. В рамках производственной логистики рассмотрены основные методы и принципы организации производственного процесса. В исследовании приводится теоретические основы и возможные способы и методы имитационного моделирования. Таким образом, соединяются сферы теоретического управления производственного процесса, возможности математического моделирования и новые информационные технологии, которые позволяют получить адекватные и релевантные результаты.

В процессе моделирования построено несколько моделей производственного процесса, причем каждая из них имеет какие-либо достоинства и недостатки. Полученные имитационные модели предлагают системный взгляд на процесс производства, и наглядно демонстрирует узкие места производства. В итоге была получена оптимальная модель для задачи максимизации выпуска продукции. Для построения оптимальной модели управления производством учитывались как особенности задачи, так и методы и принципы организации производственного процесса во времени. Рассмотрение теоретических основ построения производственной логистики компании позволяет судить о достижении максимально возможного уровня производительности. Так как моделирование осуществлялось в программном продукте Anylogic, можно говорить о высокой степени универсальности и информативности полученных моделей.

Для каждой полученной модели проводились эксперименты по оптимизации и анализу чувствительности параметров. Что позволило делать выводы о гибкости полученных результатов. Кроме того, так как были оптимизированы параметры всех полученных моделей, была получена возможность оценивать качество каждой из них. Так модель с управлением в виде количества входящих заявок оказалась наиболее привлекательной. Кроме того одним из главных достоинств этой модели является то, что в ней логически учитывается интенсивность прибытия новых заявок на производство, так как при росте интенсивности и критические значения переналадки оборудования будут достигаться скорее.

В процессе моделирования установлено, что система не может в длительной перспективе работать на предельных возможностях, когда интенсивность прибытия новых заявок равна скорости обработки деталей узким местом производства. Таким образом, при снижении интенсивности прибытия на единицу, исключается возможность перегрузки и «захлебывания» всей системы.

В дальнейшем возможна модификация данной модели путем включения в нее финансовых показателей прибыли или издержек.

Полученная модель может использоваться для различных типов производства, имеющих узкие места или ресурсы, ограничивающие производительность системы. Метод производственной логистики «Барабан-Буфер-Веревка» (DBR-Drum-Buffer-Rope) подходит для многих типов компаний, а значит построение и оптимизация узких мест производства возможна с использованием имитационного моделирования.

СПИСОК ЛИТЕРАТУРЫ

1. Н. Акимов: Политэкономия современного способа производства. Книга 5. [Текст] / Полиеткова Е.В. Экономика, 2008.

2. В. Быков, А. Королев, Хайнц Курц, Нери Сальвадори, Е. Степанова. «Теория производства. Долгосрочный анализ». Экономпресс, 2004.

3. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с Any Logic [Текст] / Ю. Карпов. - СПб.: БХВ-Петербург, 2006.

4. Jonson J., Wood D., Murphy P. Contemporary Logistics. Prentice Hall, 2001.

5. Вумек Д,, Джонс Д. Бережливое производство. Как избавиться от потерь и добиться процветания вашей компании. - М.: Альпина Бизнес Букс , 2008

6. Hallett D. (перевод. Казарина В.) Pull Scheduling Systems Overview. Pull Scheduling, New York, 2009. pp.1-25.

7. Фролов Е.Б. Производственная логистика, или что такое «вытягивающее» планирование? И-Маш. Ресурс машиностроения. 2010

8. Dettmer, H.W. Breaking the Constraints to World-Class Performance. Milwaukee, WI: ASQ Quality Press, 1998.

9. Goldratt, E.. Critical Chain. Great Barrington, MA: The North River Press, 1997.

10. Элия М. Голдрат, Джефф Кокс. Цель 3 . Необходимо, но не достаточно. М.: Баланс Бизнес Букс, 2005.

11. Акопов А.С. Имитационное моделирование: учебник и практикум для академического бакалавриата / М.: Издательство Юрайт, 2014. Серия : Бакалавр. Академический курс.

12. Русаков А.М. Исследование и моделирование сложных систем. Московский государственный университет приборостроения и информатики. Москва. 2014.

13. М. Голдрат, Джефф Кокс. Цель 2. Процесс непрерывного совершенствования. М.: Баланс Бизнес Букс, 2005.

14. Ю.И. Ребрин. Основы экономики и управления производством

15. Сироткин М.Е. Методы моделирования производственных процессов предприятия машиностроения

16. А.В. Духанов, О.Н. Медведева Имитационное моделирование сложных систем

17. Справка Anylogic. Дискретно-событийное моделирование

18. Совершенствование производственных процессов: принципы управления

Размещено на Allbest.ru