Akış alışveriş zamanlaması, üretim ve üretim yönetimindeki en kalıcı ve etkili zorluklardan biridir. En basit formda, bir akış mağazası sabit bir dizi makine veya iş istasyonu sabit bir şekilde düzenlenmiştir ve her iş, bu istasyonları aynı şekilde ziyaret etmelidir.Hedefleme problemi, özellikle de makinedeki önemli performansı optimize etmek için her makinede işlem gören, zaman çizelgesi, zaman çizelgesi veya çalışma süresi gibi karmaşıklıkları optimize etmek için zor kalır.
Simülasyon optimizasyonu bu sınırlamaların üstesinden gelmek için güçlü bir yaklaşım olarak ortaya çıktı. Simülasyon modelleme modelinin arama yeteneği ile modelleme algoritmalarının oluşturulmasıyla, karar vericilerin geniş bir alanı keşfetmesine ve bu yöntemin en gerçekçi çalışma koşullarını sağlamalarına izin veriyor.Bu makale, simülasyon optimizasyonun, temel kavramlarının, faydalarını, uygulama adımlarını, algoritma temellerini, gerçek dünya uygulamalarını ve uygulayıcıların gezinmesi için gereken zorlukları nasıl geliştirebileceğini araştırıyor.
Simülasyon Optimizasyonu Nedir?
Simülasyon optimizasyonu, mağaza planlama modelini birleştiren disiplinler arası bir alandır - makineler, tamponlar, malzeme kullanımı ve iş varış desenleri - ve sonra da program ayarlaması için bir optimizasyon algoritmasını kullanarak (örneğin, iş sıralamaları, toplu boyutlarda veya salıverme süreleri) böylece bir performans ölçümleme modeli oluşturmak anlamına gelir.
Simülasyon bileşeni genellikle ayrık-event simülasyonuna dayanmaktadır (DES). Bir DES modelde, sistem belirli zamanlarda meydana gelen olayların bir dizi olarak temsil edilir.Bir akış mağazası için, olaylar, bir makineye başlama, bitirmeye, kıramaya veya yeni bir iş çıkar. model rastgeleliği yakalamak - işlem zamanlarında veya makine başarısızlıkları gibi - belirsizliği belirsizliği belirsizliği belirsizliği belirsizliği belirsizliği belirsizliği belirsizliği nasıl test etmek için, simülasyon, bir iş oluşturabilir.
Optimizasyon bileşeni, program alanını aramak için algoritmaları kullanır. Çünkü hedef işlevi (örneğin, makespan) simülasyon yoluyla değerlendirilir, gürültüyü yönetmek için gürültülü (normalliğe kadar) ve hesaplamak için pahalı olabilir (her simülasyon çalışması saniye veya dakika sürebilir). Bu nedenle, simülasyon optimizasyonu algoritmaları, stochastic gürültüyü yönetmeyi yaparken umut verici bölgeleri keşfetmede etkili olmalıdır: Common teknikleri şunları içerir:
- [FONT:0)Response yüzey metodolojisi[[Dönetici: 1 ) - polinom model ile objektif işlevi ve onu optimize eder.
- [FONT:0)Genetik algoritmaları (GAs)) - seçim, geçiş ve mutasyon gibi evrimsel operatörleri kullanarak aday programlarının bir popülasyonunu evrimleştirmek için kullanın.
- [FONT=0]Simated ekaling[[Dönetici: 1 ) – metalurjide ekleme süreci yerel optima'dan kaçmak için.
- [FONT:0)Particle swarm optimizasyonu (PSO)) - çözüm alanı aracılığıyla hareket eden partiküllerin sosyal davranışları.
- [FONT:0]Tabu arama[[Dönetici: 1), yeniden çözüm bulmak için hafıza yapıları kullanır.
Anahtar anlayışı, simülasyon optimizasyonunun amacın kapalı bir matematiksel ifadesi gerektirmez; sadece aday programları simülasyon yoluyla değerlendirmeniz gerekir. Bu, stochastic elementleri, çoklu kısıtlamalar ve çatışma hedefleri ile karmaşık akış dükkanları için son derece esnek ve uygulanabilir hale getirir.
Flow Shop Scheduling'te Simülasyon Optimizasyonunu Kullanımının Faydaları
Akış mağaza planlama optimizasyonunu kabul etmek, operasyonel performansı ve rekabeti doğrudan etkileyen birkaç somut avantaj sağlar. Aşağıda her bir faydayı pratik yorumlarla genişletiyoruz.
Verilere dayalı öngörüler aracılığıyla gelişmiş karar verme
Geleneksel zamanlama genellikle kuralların-of-James veya deneyimli planlayıcıların sezgilerine dayanır.İnsan uzmanlığı değerli olsa da, bu alanı sayısal değerlendirmeler kullanarak sistematik olarak araştırır - sadece 20 iş ve 10 makine ile yapılan bir alışveriş için, her bir çıkış sadece tek bir tek en iyi program değildir.[Dönetici:010]).
Değişime uyum sağlamak için artan esneklik
Üretim ortamları nadiren statik. Talep dalgalanmaları, makine arızaları, malzeme sıkıntısı ve yeni siparişler, hızlı bir yenidenscheduling gerektirir. Simülasyon optimizasyonu dinamik bir karar alma işlemine destek olur. Bir kesinti meydana geldiğinde, planlayıcı yeni verilerle simülasyon modelini güncelleyebilir (örneğin, mevcut makine durumu, revize edilmiş işleme süreleri, 60'tan fazla düzeltme süresine kıyasla).[TFL][TFL:0[TFL)
Az önce boş zaman ve şişencks'tan maliyetleri azalttı.
Akış alışverişleri genellikle makine boş zaman olarak ortaya çıkar (işin mevcut olmadığı zaman) veya iş bekleme süresi (bir iş yoğun bir makinede geldiğinde) her iki artış maliyetinin - makinelerin% 23'ü ve iş işleme envanterini beklerken, ortalama 500'ün üzerinde tasarruf sağlayan zamanlamaları sistematik olarak tanımlar (örneğin, frekanslı bir devre kurulu akışı mağazasında bir çalışma).
Artan kaynaklar olmadan gelişmişti
Forput – birim zamanında tamamlanmış olan iş sayısı - genellikle daha iyi bir ayrımcılığa yol açıyor. Simülasyon optimizasyonu, şişenck makineleri sürekli meşgul ve olmayan makinelerle sürekli meşgul ve sağda (Dönetici) bir durumda, elektronik bir montaj tesisinde, bir simülasyon-optimizasyon yaklaşımı, mevcut FIFO'ya kıyasla% 18 artışla (ilk-in, ilk-out) kuralına kıyasla, ilave sermaye yatırımıyla (Dönetici) kuralını (FLT:0Gong et al.)
Simülasyon Optimizasyonu Uygulamayı Uygulayın: Bir Adım-Adım Kılavuzu
Akış mağaza planlama için simülasyon optimizasyonu, modelleme, veri toplama, algoritma seçimi ve geçerliliği içeren sistematik bir süreçtir. Aşağıda her biri için pratik önerilerle temel adımları özetlemekteyiz.
1. Model geliştirme
İlk adım, akış mağazasının doğru bir simülasyon modeli oluşturmaktır. Bu, aşağıdakiler için makineleri (veya iş istasyonları) sıralarında tanımlamak, özelliklerini tanımlamak (işleme süreleri, zamanları, başarısızlık dağıtımları, bakım programları), malzeme işleme (konuş hızları, taşıma süreleri) ve iş özelliklerini yakalamak (örneğin, teslimat rotaları) içerir.
2. Veri toplama ve doğrulama
Bir simülasyon modeli, yalnızca onu besleyen veriler kadar iyidir. İşleme zamanlarında tarihsel verileri toplayın (paksiyonu), makineyi zaman/düşük zaman, iş ara sırası süreleri ve değişim süresine karşı kullanım oranları).Veriler yetersiz, uzman tahminler eklenebilir, ancak hassasiyet analizi, genellikle güvenilir olarak kabul edilmesi gereken modeli anlamak için %10 olmalıdır.
3. Karar değişkenlerini ve objektiflerini tanımlar
Optimizasyon tam olarak ne ayarlanacağınızı belirtin. Akış sırasında, karar değişkenleri sıklıkla şunları içerir: her makinedeki işlerin sıralanması (permutasyon akışı mağazası) veya ilk makinede (daha sonraki diziler ile belirlenen kurallar), toplu boyutlar veya serbest bırakma süreleri.
4. Senaryo testleri ve algoritma yapılandırma
Tam optimizasyon yapmadan önce, birkaç temel senaryoyu test etmek akıllıcadır (örneğin, FIFO, EDD, SPT) olası sonuçları anlamak için simülasyon modelini kullanarak simülasyon modeli kullanarak.Bu aynı zamanda optimizasyon algoritma parametrelerinde yer alan OptQuest gibi, örneğin, bir genetik algoritma kullanarak, küme nüfus büyüklüğü, geçit oranı, mutasyon oranı ve elit say.
5. Optimizasyon koşmak
Optimizasyonu başlatmak, aday programları üretecek, her bir simülasyonla değerlendirecek ve daha iyi çözümlere doğru hareket edecek olan optimizasyonu başlatacaktır (çalışma model karmaşıklığına bağlı olarak, işler, stochastic replikasyonlar) ve algoritmanın arama verimliliğini yönetmek için.
6. Uygulama ve izleme
Optimizasyon tatmin edici bir programlandığında, gerçek mağaza zemininde dağıtın. Ancak, program statik olarak tedavi edilmemelidir.Bu geri bildirim döngüsü, periyodik olarak (örneğin, günlük veya değişim) veya ne zaman önemli bir kesinti meydana gelir.Performasyonlar için monitörler kullanın, kullanım, ölçüm tahminlerine karşı gerçek performansı karşılaştırmalıdır.Bu geri bildirim döngüsü, zaman içinde modellemeye yardımcı olur.
Akış Dükkanı için Anahtar Optimizasyon Algoritmaları
Simülasyon optimizasyonunun başarısı, program alanını gezmek için kullanılan algoritmaların üzerindedir. Aşağıda, akış mağazası zamanlaması bağlamında üç yaygın kullanılan algoritmaları tarif ediyoruz.
Genetik Algoritmalar
Genetik algoritmaları (GAs) doğal evrimden ilham alıyor. Bir akış mağazası GA, her birey (khromosome) bir program oluşturmak için bir program - örneğin, ilk makinede siparişi temsil eden işlerin bir permutasyonu. algoritma, rastgele bir seçimin bir popülasyonu uygular (daha iyi bilgilendirici) bu tür bir şekilde yapılır.
Simated Annealing
Simated ekaling (SA) her zaman kabul edilir; eğer zaman içinde azalma olasılığı ile kabul edilebilir ( soğutma programına bağlı olarak) Bu mekanizma, özellikle de ilk aşamalarından kaçmak için yerel optimizasyona izin verir.In Simülasyon optimizasyonunda, hedef her zaman kabul edilir; eğer kabul edilebilirlik kriterleri, GA'nin zamankinden daha basit bir olasılık ile kabul edilebilir.
Parçacık Swarm Optimizasyonu
Parçacık optimizasyonu (PSO) kuşların sosyal davranışını taklit eder veya balık okulu olarak adlandırılır. Her parçacık bir adayı temsil eder ve akış mağaza problemlerine dayanan çözüm alanı ile hareket eder ve genellikle yüksek performanslı bir şekilde bilinen konum. ancak, çok yönlü arazilerde daha hassas olabilir.
Bu ve diğer algoritmaların akış mağazası planlamalarında kapsamlı bir karşılaştırma için, okuyucular, [[0)Framinan ve al. (2019)).
Meydanlar ve düşünceler
Simülasyon optimizasyonu önemli avantajları sunarken, bir eklenti ve oyun çözümü değildir. Practitioners başarılı uygulama elde etmek için birkaç zorluk çekmelidir.
Data kalitesi ve model doğruluk
Simülasyon modelleri, işlem süreleri, başarısızlık oranları ve varış modellerinde yüksek kaliteli veriler gerektirir. Birçok fabrikada, bu tür veriler farklı sistemlere (MES, ERP, elektronik tablolar) veya manuel olarak toplanan.Inaccurate data, yanıltıcı simülasyon çıktılarına ve kötü program önerilerine yol açar.
C ⁇ karmaşıklığı
Yüzlerce veya binlerce simülasyon çoğaltması – potansiyel olarak saniyede üretim haftalarını modellemek – birçok makine ve iş ile karmaşık modeller, tam bir optimizasyon için saatlerce veya hatta hatta günler sürebilir. Strategies[Dönlendirmek için) içerir: verimli simülasyon kodu kullanarak, yüksek performanslı hesaplama kümeleri, exrogate modelleri (metamodelleri) simülasyonu ve değişken azaltma teknikleri. Bazı ticari araçlar, s:0)Simioimio)
Algorithm parametre ayar ayar
Metaheuristics (GA, SA, PSO) performansı parametre ayarlarına bağlıdır. Yoksulluk ayarlı parametreler, algoritmaların yavaş bir araya gelmesi veya zayıf çözümlere yakınlaştırılması anlamına gelir. Sistemli bir ayar yaklaşımı - deneyler veya otomatik parametre yapılandırma tasarımı (örneğin, geri dönüşüm veya SMAC) gibi - önerilen.
Değişim yönetimi ve insan faktörleri
En iyi program bile operatörlerin ve planlayıcıların güvenmediği takdirde işe yarar. Günlük iş akışlarına simülasyon optimizasyonu eğitim ve değişim yönetimi gerektirir. Bitki personeli, aracın nasıl çalıştığını ve çıktılarını nasıl yorumlayabildiğini anlamalıdır. Örneğin, bir otomotiv tedarikçisi, üretim denetçilerinin manuel olarak ayarlanan simülasyona uygun olarak hazırlanmış atölyeler düzenledi.
Future Trends: Dijital Twins ve AI Entegrasyonu
Akış deposunda simülasyon optimizasyonu için bir sonraki sınır dijital ikizler kavramında yatıyor - gerçek zamanlı olarak fiziksel mağaza zeminini aynaya çeviren simülasyon modelleri.A digital twin in thegests data from IoT servers, machine Controllers, and order systems, update the Simülasyon state automatically.This near-real-time optimizasyonu: ne zaman bir sapma meydana gelir, dijital ikizler alternatif reschling actions ve Siemens Rockwell Otomasyonu gibi en iyileri tavsiye eder.
Ayrıca, makine öğrenimi (ML) simülasyon optimizasyonunu geliştirmek için entegre edilmiştir. ML, sinir ağları kullanarak optimal programlama programları kullanılabilir: (a) simülasyonu çevreleyen hızlı bir şekilde sabitleme modelleri inşa etmek, hesaplama yükü azaltmak; (b) son zamanlarda yapılan araştırmalarda gösterilen işlem süreleri veya makine hatalarının belirlenmesi için optimize edilmesi; (c) optimal algoritma parametrelerini veya hatta doğrudan sinir ağları kullanarak yakın optimizasyon programları üretebilmek için.
Bu teknolojiler olgun olarak, simülasyon optimizasyonu daha erişilebilir hale gelecektir ve daha büyük ve daha belirsiz akış alışveriş ortamlarını kullanabilme yeteneğine sahip olacaktır. Erken benimseyenler, düşük maliyetler ve daha yüksek çeviklik süreleri ile önemli bir rekabetçi kenar elde etmeye çalışmaktadır.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Akış mağazası planlama, üretim rekabetine karşı kritik bir avantaj olarak kalır, ancak geleneksel yöntemler genellikle gerçek dünya karmaşıklığı ve belirsizlik ağırlığı altında toplanır. Simülasyon optimizasyonu, uygulama, maliyet ve adaptasyon yoluyla simülasyonun temel gücünü birleştirir.
Uygulama, denetim, veri kalitesi ve algoritma seçimine dikkat gerektirir, ancak yatırım geri dönüşler tarafından haklı çıkar: boş zaman, daha az şişenler ve dijital ikizler ve AI'nın gelişebileceği sınırlar daha da genişletilecektir.
Bu yaklaşımı keşfetmeye hazır olanlar için, tek bir şişenck hattı veya yüksek hacimli bir akış mağazası üzerinde bir pilot proje ile başlayın. Mevcut simülasyon yazılımı ve optimizasyon ekleri kullanın ve üretim, IT ve operasyonlar araştırmalarından kesitler içerir.