Имитационное моделирование производственных участков, цехов, заводов и систем

13.11.2023

492

views

Предлагаем проведение имитационного моделирования производственных систем разных масштабов: от участка и цеха, до завода и производственных систем. Имитационное моделирование широко используется в производстве для решения различных проблем от оптимизации промежуточных процессов до стратегического управления. имитационное моделирование позволяет анализировать не только конкретный процесс, но и систему производства в целом, что дает возможность проверить капиталоемкость той или иной стратегии управления. Проведение экспериментов с использованием модели избавляет от необходимости проведения экспериментов в реальной жизни и не мешает работе производства.

По определению, имитационное моделирование – это метод исследования, при котором изучаемая система заменяется моделью, описывающей ее с достаточной степенью приближения, с которой проводятся эксперименты для получения информации об этой системе. Исходя из определения, имитационное моделирование производственной системы применяется для изучения производственных подразделений (участков, цехов, предприятий) путем создания их цифровых моделей в специальном программном обеспечении и проведении симуляции их работы.

Основная цель, с которой применяется любое моделирование – предупредить возможные ошибки, которые могут в дальнейшем стоить больших потерь времени, денег, а возможно и репутации. Перечислим основные задачи, которые, можно решить с помощью имитационного моделирования:

планирование производства;
проектирование производственных помещений и планирование производительности;
совершенствование процессов, анализ слабых мест;
оптимизация производственного цикла;
оптимизация ресурсов: персонала и оборудования;
планирование запасов (незавершенное производство и сырье).

Принятие решений, касающихся развития, оптимизации или реорганизации производства, обусловлены множеством факторов. Часто довольно трудно заранее оценить потенциальную прибыль или убыток от реализации такого рода решений. Традиционно принятие решений основано на прошлом опыте и интуиции, иногда решения принимаются при помощи Excel-таблиц. Эти подходы рискованны и далеки от современных систем поддержки принятия решений. Одним из наиболее мощных средств для анализа производства является имитационное моделирование. Проведение имитационных экспериментов позволяет оценить влияние изменения различных параметров системы и принять правильное решение.

Имитационное моделирование уже достаточно давно применяется на многих передовых предприятиях. В наиболее близкой нам сфере технологической подготовки производства моделирование нашло свое применение при проектировании технологических процессов и технологической оснастки для литья и обработки металлов давлением, в механической обработке моделирование процессов широко распространено для проверки управляющей программы станков с ЧПУ на предмет возможных столкновений режущего инструмента с элементами рабочей зоны оборудования и оснастки.

При проектировании нового производства необходимо понимать, сможет ли оно обеспечить выпуск продукции в соответствии с заданной программой, а также какой состав оборудования и в каком количестве потребуется для этого. Ответив на данные вопросы, можно понять, какой объем инвестиций потребуется, каким будет срок окупаемости этого проекта и, наконец, стоит ли вообще реализовывать проект.

Технически имитационные модели представляют собой очередной этап развития информационных систем управления производством, в модели автоматизируются следующие основные процессы:

Оперативное планирование производства;
Диспетчеризация производства;
Технологические процессы изготовления и сборки ДСЕ.

Имитационное моделирование производственной системы, в отличие от аналитических расчетов, по итогам проведения симуляции позволяет получить такие показатели работы производственного подразделения, как длительность циклов выпускаемой продукции, уровень и динамику изменения незавершенного производства, размеры очередей деталей на обработку перед оборудованием и многие другие.

При этом важно понимать, что имитационное моделирование производственных и технологических процессов в используемой нами ИС является дискретно-событийным, то есть работа цеха представляется как хронологическая последовательность событий от расчета производственного плана до выпуска продукции.

Имитационное моделирование производственной системы позволяет получить решение, в котором нужно лишь изменить количество изделий в программе выпуска и задать необходимые настройки правил управления производством, а всё остальное модель выполняет автоматически.

Процесс внедрения имитационной модели предусматривал несколько основных этапов реализации.

Во-первых, принимается принципиальное решение о том, что модель должна быть одна, а логика ее поведения должна со временем развиваться «в ширину», охватывая новые сущности и процессы.

Следующий, и он же самый важный этап – разработка требований к имитационной модели. Нужно определить периметр автоматизируемых процессов, основные правила и допущения. В число процессов, которые определяются для автоматизации в создаваемой имитационной модели, входят, как минимум: оперативное планирование, диспетчеризация, обработка и сборка ДСЕ. Далле, на основании технических требований разрабатывается архитектура модели, алгоритмы функционирования основных подсистем, формулируется модель данных. С учетом того, что в имитационную модель должны загружаться данные из имеющихся информационных систем предприятий, она формируется таким образом, чтобы максимально сократить ручной ввод. Получавшееся таким образом решение называется универсальной имитационной моделью предприятия.

Самыми трудоемкими этапами ябояются: разработка и тестирование модели на различных данных, так как чем больше требований закладывается в модель, тем сложнее добиться адекватности получаемых результатов. Наиболее сложным считается реализация логики поведения модели для разных видов производств. Как правило, на больших предприятиях существуют производственные подразделения как с дискретным, так и с рецептурным, сборочным и непрерывным видами производств. Правила управления в них на уровне цехового пола существенно отличаются, ведь в термическом цехе, например, нужно принимать решение, в какой момент целесообразно загружать в садку в печь для проведения термообработки на длительный период, если она не полностью укомплектована. В механосборочных и сборочных цехах при сборке разных узлов, имеющих в составе одинаковые детали, необходимо определять, какой из них нужно укомплектовать этими деталями раньше для достижения лучшего результата. Необходимо реализовать это в модели, причем так чтобы данные решения принимались программой автоматически и были с точки зрения человека логичными. Подтверждение адекватности модели выполнется как расчетами, так и заключением руководителей моделируемых производственных подразделений.

В результате ксоздается решение, с помощью которого можно провести оценку пропускной способности уровня цеха с получением всех основных его характеристик, которое можно применять, в первую очередь, для оценки целесообразности реализации инвестиционных проектов. В целях внедрения имитационной модели в операционную деятельность предприятия вводится инструкция, согласно которой целесообразность реализации инвестиционных проектов подтверждается имитационным моделированием.

В дальнейшем с расширением функциональных характеристик и повышения достоверности имитационного моделирования можно применять для оценки выполнимости производственного плана в действующем производстве, а также при реализации проектов в области развития производственной системы.

Приведем несколько примеров имитационных моделей различных производственных систем:

Имитационная модель участка контроля герметичности ядерного реактора

Заказчик

Государственная корпорация по атомной энергии «Росатом» — российский государственный холдинг, объединяющий более 360 предприятий атомной отрасли. В состав «Росатома» входят все гражданские атомные компании России, предприятия ядерного оружейного комплекса, научно-исследовательские организации, а также атомный ледокольный флот.

Госкорпорация является одним из лидеров мировой атомной промышленности, занимает второе место в мире по запасам урана и пятое по объёму добычи, четвёртое место в мире по производству атомной энергии, контролирует 40 % мирового рынка услуг по обогащению урана и 17 % рынка ядерного топлива.

Разработчики модели: Юрий Подвальный, Денис Герасимов.

Описание проблемы

На стадии проектирования участка контроля герметичности оболочек тепловыделяющих элементов реактора (ТВЭЛ) разработчикам необходимо было собрать данные о параметрах работы системы в ситуациях появления брака.

Участок входит в состав автоматизированной линии для сборки ТВЭЛ. Контроль базируется на проверке партий элементов с помощью нагревания: при нагревании из бракованных элементов истекает контрольный газ, который фиксируется течеискателем. Бракованная партия разделяется на две. Каждая партия проходит контроль до полной «размотки» партии, пока не выявлено бракованное изделие.

Проектировщикам системы требовалось определить зависимость годовой выработки от размера входного накопителя и размера партии твэлов, загружаемых в печь при различных частотах появления брака. Дополнительно необходимо было определить количество потерянных твэлов из-за простоя системы при заполнении входного накопителя.

Решение

Поскольку частота возникновения брака носит вероятностный характер, авторы проекта разработали имитационную модель участка контроля и провели многократные эксперименты, тестируя разные алгоритмы работы оборудования.

При первом алгоритме работы после обнаружения бракованной партии поддон выгружается из печи, половина партии перегружается на поддон второй печи. Далее оба поддона перегружаются в печи, и начинается новая проверка. Годная партия выгружается в выходной накопитель. Бракованная снова делится и т.д.

Если обе партии бракованные. тогда половина каждой выгружается в выходной накопитель и начинается проверка оставшейся половины каждой партии. Затем проверяются партии выгруженные в выходной накопитель. В это время входной накопитель принимает твэлы, поступающие с заданной частотой. Таким образом, бракованная партия “разматывается” двумя печами. Загрузка новой партии не начинается, пока не будет найден бракованный твэл. После определения бракованного твэла, новая партия загружается в печь следующую по очереди. При отсутствии брака печи работают по очереди и не могут работать одновременно. Вторая печь “ожидает” окончания проверки партии в печи №1.

При втором алгоритме каждая печь работает независимо. Бракованная партия “разматывается” каждой печью по отдельности, пока не будет найден бракованный твэл. Пока одна партия не будет проверена полностью, загрузка новой партии в печь не производится. При отсутствии брака загружается первая освободившаяся печь. При этом печи могут работать одновременно.

Пользователь модели может варьировать параметры для любого из двух алгоритмов:

Частота появления брака;
Размер партии твэлов, загружаемых в печь для проверки.
Размер входного накопителя

В рамках исследования модели для каждой комбинации входящих параметров было сделано 100 «прогонов» длительностью один год “модельного” времени каждый.

Результаты

Проверена производительность алгоритмов при различных частотах появления брака.
Определены размеры загружаемых в печь партии твэлов, обеспечивающие максимальную производительность при заданной частоте появления брака.
Выявлены объемы сокращения потерь из-за простоя линии при увеличении емкости входного накопителя.
Получена статистика производительности участка контроля при различных частотах появления брака и других параметрах (прогоны по 100 лет).
Выявлена зависимость максимального размера выходного накопителя от размера партии твэлов, загружаемых в печь. Получены численные значения, выражающие эту зависимость при различных частотах появления брака.

Выводы

Проведение экспериментов над реальной системой в период проектирования потребовало бы больших затрат времени и финансов. Анализ данных, собранных с помощью модели, позволил определить оптимальные проектные параметры участка контроля для обеспечения максимальной выработки. На стадии техпроекта были найдены решения, которые значительно улучшили производительность. При минимальных затратах, без проведения дорогостоящих натурных испытаний, была выбрана наилучшая конфигурация автоматической линии с точки зрения пропускной способности, надёжности и количества потерь.

В дальнейшем заказчик сможет использовать имитационную модель для будущих изменений внутри производственной линии – например при принятии решения о расширении мощностей добавить в модель дополнительные печи не составит труда. Пользователи могут экспериментировать с разными параметрами, менять вводные данные через интерфейс модели. Эта модель будет служить заказчику оборудования инструментом поддержки принятия решений в течение долгого времени.

Имитационная модель электроплавильного цеха Челябинского металлургического комбината

Челябинский металлургический комбинат, входящий в состав компании ОАО «Мечел» – крупнейшее в России предприятие полного металлургического цикла по выпуску качественных и высококачественных сталей. Комбинат занимает второе место в России по выпуску сортового проката, первое по производству специальных сталей и сплавов.

При помощи ПО AnyLogic была создана имитационная модель электросталеплавильного цеха после его реконструкции. Проект по разработке имитационной модели производства стал первым для ЧМК, и одним из первых в металлургической отрасли России в целом.

Имитационная модель представляет собой Java-приложение, точно и наглядно воспроизводящее работу электросталеплавильного цеха на протяжении различных временных периодов (от 12 часов до одного года). Модель учитывает планируемую инфраструктуру цеха, конфигурацию оборудования и все значимые параметры происходящих в цеху процессов. Выработанные в ходе эксперимента с моделью данные представлены в отчетах о производстве стали, простоях агрегатов и т.п.

Технология имитационного моделирования может быть привлечена предприятиями металлургической отрасли для решения задач. Экспериментирование с имитационной моделью может позволить значительно снизить издержки на этапе различных реконструкций, а также точно определить производственные мощности нового оборудования при различных условиях: производство различных марок стали, ремонт агрегатов.

Имитационное моделирование для производственного планирования на металлургическом предприятии

Проблема

Экономические и производственные условия сложны и изменчивы, поэтому традиционные способы планирования часто не могут обеспечить эффективную работу предприятия. Крупный трубный металлургический завод на юге России, где производственное планирование осуществлялось традиционными способами при помощи Excel-таблиц, столкнулся со следующими проблемами:

постоянное и спонтанное появление узких мест, которые не учитывал производственный план, что препятствовало его выполнению;
производственный план не включал в себя маршруты выполнения заказов, и в каждом отдельном случае решение принималось исходя из опыта мастеров;
недостаточная скоординированность разных этапов производства приводила к простою или чрезмерной загруженности оборудования, а также нарушению очередности выполнения заказов.

Руководство предприятия решило повысить эффективность производственного планирования. Перед специалистами была поставлена задача разработать имитационную модель производства, решающую три ключевые задачи:

полная автоматизация разработки планов производства, исключающая человеческий фактор;
точная прорисовка маршрута движения труб по технологическим переделам;
выявление свободных заводских мощностей, для размещения дополнительных заказов.

Фрагменты модели в среде разработки AnyLogic

Решение

Была разработана модель планирования производства с помощью дискретно-событийного моделирования, где процессы представляются в виде потоковой диаграммы. Для создания модели разработчики выбрали программу для имитационного моделирования AnyLogic, так как она обладает рядом ключевых преимуществ:

поддерживает дискретно-событийное моделирование;
предлагает специализированную библиотеку для моделирования производственных систем;
позволяет экспортировать модель в виде Java-приложения, независимого от среды разработки;
дает возможность использовать Excel-шаблоны и базы данных для ввода и вывода данных;
позволяет создать полноценный цифровой двойник производства, работающий с актуальными данными из выделенной таблицы в базе данных.

Помимо последовательности операций для отдельных объектов дискретно-событийной модели можно задавать дополнительную логику и правила взаимодействия с другими объектами. Для моделирования производственных систем разработчики использовали такие объекты, как заказ (Order), труба (Pipe), прокат (Prokat), передел (Station). Они отразили в модели логику всей производственной цепочки от демпферного склада до выхода готового заказа. Входные данные (недельный план заказов, производительность, рабочее время станков и т.д.) загружались в модель через Excel-шаблоны.

Для того, чтобы модель могла не только проверять выполнимость разработанных специалистами недельных планов производства, но и сама подбирала и предлагала оптимальный план, инженеры разработали отдельный алгоритм. С помощью аналитических методов и проверки полученных вариантов динамическим моделированием команда «Фокус Групп» добилась того, что модель:

обеспечила не меньший объем производства, чем план, создаваемый сотрудниками завода;
позволила снизить количество переналадок оборудования;
предоставила более высокую детализацию планирования.

Фрагменты модели в среде разработки AnyLogic.Потоковая диаграмма

Результат

Разработчикам удалось создать модель, которая учитывает все производственные этапы ключевого цеха завода. Она позволила повысить эффективность работы производства за счет возможности:

самостоятельного расчета и проверки выполнимости плана производства, составленного заводом, в безрисковой цифровой среде;
расчета ожидаемых сроков выполнения заказов и оптимизации последовательности отправки заказов в производство;
построения и подробного описания поэтапного маршрута заказов;
тестирования добавления новых заказов в портфель;
определения загрузки основных переделов и выявления недозагруженности станков.

В результате использования имитационной модели завод минимизировал разрывы и суточные колебания сдачи заказов, выявил узкие места производства, доработал допустимые маршруты. Короткие простои он объединил в более длительные интервалы, которые использовал для дозагрузки линии. Кроме того, время корректирования плана сократилось с трех часов до трех минут, так как теперь специалисты могли это делать в самой модели. Как результат, прогнозируемый дополнительный выпуск продукции составил 678 тонн, что соответствует увеличению выручки на $813 тысяч в неделю.

В будущем с помощью интеграции модели с системами управления производством модель может быть расширена до цифрового двойника цеха. Это даст возможность задавать детальные сменно-суточные задания для каждого станка, а также наладить взаимосвязь между планированием и производством. Благодаря такой технологии завод сможет корректировать план в режиме реального времени.

Имитационное моделирование для анализа и оптимизации процессов на заводе по производству пенобетона

Проблема

Построенный завод по производству ячеистого пенобетона долго не мог выйти на расчетную мощность. Руководство завода объясняло невысокие результаты работы влиянием человеческого фактора: технология производства была сложной и новой для работников завода. Для анализа этой ситуации и повышения мощности производства завод обратился за помощью к консультантам, которые создали имитационную модель завода.

Решение

Модель с высокой точностью имитирует технологический процесс производства пенобетона: подготовку бетонной смеси, заливку форм, движение тележек и кранов, перемещение рабочих и пенобетонных блоков, открытие и закрытие автоклавов, резку, деление и т.д. Необходимые параметры загружаются в модель из внешней базы данных, которая хранит результаты измерений продолжительности операций: для каждой операции есть диапазон результатов и задана вероятность выбора того или иного значения.

Модель также отражает:

наполненность бункеров с сырьем;
работу или простой мельниц;
складирование массивов;
состояние автоклавов.

Состояние оборудования завода представляется в виде отдельных графиков, по которым можно визуально оценить соотношение времени, когда оборудование совершает полезную работу, и времени простоя.

Модель позволяет посмотреть графики различных параметров работы предприятия: степень использования ресурсов (занятость резчиков и формовщиков, величину очереди на деление и количество используемых поддонов), статистику каждого дня по количеству готовых массивов (поделенных и разобранных), состояние каждой из форм для заливки и количество свободных форм. Кроме того, с помощью графиков можно следить за динамикой производительности и уровнем использования форм.

Результат

Создание модели позволило руководству завода проанализировать работу предприятия в мельчайших деталях. Модель в точности имитирует все процессы в цехе, а потому идеально подходит для анализа проблем, принятия решений и прогноза изменений.

Благодаря моделированию руководство получило возможность видеть оперативную картину функционирования цеха и заранее анализировать развитие событий при различных поломках и нештатных ситуациях. В силу своей точности модель может служить эталоном работы цеха, определяя норму производственных процессов, в сравнении с которой удобно фиксировать отклонения и разбираться в их причинах. Анимация делает модель наглядной и более простой для восприятия, чем традиционные таблицы и графики.

В результате консультантами были найдены решения, которые значительно улучшили производительность цеха. Благодаря возможности экспериментировать с имитационной моделью вместо реального цеха все необходимые изменения были воплощены в жизнь быстро и без остановок производства.

Имитационное моделирование для увеличения производительности сталеплавильного цеха

Обзор

Tata Steel работает на пяти континентах и занимает второе место среди наиболее географически диверсифицированных сталелитейных компаний. При годовом объеме производства нерафинированной стали в 33 млн. тонн Tata Steel – один из крупнейших производителей и поставщиков в сталелитейной промышленности. Продукция компании используется в машиностроении, строительстве, при производстве товаров массового потребления и др.

Проблема

Команда инженеров выявила что, оптимизировав внутреннюю логистику одного из сталеплавильных цехов, можно потенциально увеличить общую выработку предприятия. Необходимо было протестировать работу кранов и чугуновозов при различных параметрах конфигурации.

Было установлено, что в результате неэффективного распределения работы между кранами снижались объемы производства. Одна из причин могла заключаться в том, что управление кранами в большинстве случаев осуществлялось вручную и отдельно друг от друга. Необходимо было снизить влияние человеческого фактора при управлении оборудованием.

Производственный процесс в данном цеху начинается с прибытия промышленного вагона (torpedo) с расплавленным металлом на платформу. После этого металл переливается в ковш, который, в свою очередь, помещается на тележку (transfer car). Кран, работающий в зоне подвоза металла (torpedo bay), забирает этот ковш и переносит к станции десульфурации (desulphurization station). После очистки металл переливается обратно в ковш и при помощи тележки перемещается в зону заливания в ЛД-конвертеры. Другой кран забирает его оттуда и переливает металл непосредственно в конвертер (vessel). После этого кран возвращает пустой ковш в зону прибытия вагона.

Схема сталеплавильного цеха

Цель проекта состояла в том, чтобы выяснить, повлияет ли изменение внутренней логистики на улучшение производительности. Иными словами, инженеры хотели определить эффективный алгоритм работы кранов, снизив влияние человеческого фактора.

Сложная взаимосвязь между элементами системы стала одной из причин, по которой команда выбрала имитационное моделирование (ИМ) для решения проблемы. Кроме того, только ИМ позволяет работать с большим количеством переменных и неопределенностей в системе (время обработки металла в конвертере и на станции десульфурации, время обслуживания кранов и чугуновозов и т.д.).

Решение

На первом этапе необходимо было получить входные данные. Для этого команда провела полевое исследование, в ходе которого были собраны данные по работе каждой единицы оборудования за год. Помимо этого, были проанализированы показатели надежности оборудования, в частности средняя наработка на отказ и среднее время ремонта, а также сам ход работы.

Модель цеха, построенная при помощи AnyLogic, отражала весь производственный процесс от заполнения ковшей расплавленным металлом из прибывших вагонов до заливания его в конвертеры. Чтобы задать логику модели, команда использовала следующие параметры, полученные в ходе полевого исследования:

Конвертеры доступны 87.5% моделируемого времени.
Процесс десульфурации металла занимает 10 минут, после чего чугуновоз с очищенным металлом покидает станцию.
Процесс заливания металла в ЛД-конвертер занимает около 10 минут. Значение данного показателя варьируется по статистическому распределению (максимальное значение – 15 минут).
Путь ковша с расплавленным металлом от станции десульфурации до ЛД-конвертера занимает 5 минут.

Цель команды инженеров состояла в том, чтобы снизить время простоя ЛД-конвертеров и изменить логику работы кранов. С этой целью было создано три различных сценария типа «что если»:

Оба крана из зоны заливания металла в ЛД-конвертеры используются для их наполнения.
Один из кранов работает между станцией десульфурации и зоной, где находятся ЛД-конвертеры, а второй в основном занимается переливанием металла из ковшей в ЛД-конвертеры. Если второй кран занят, то первый берет на себя его функции.
Сценарий 2 с возможностью подвешивать пустые ковши на высоте девяти метров над землей.

Для каждого сценария было запущено 90 экспериментов с варьируемыми значениями времени на обработку одной партии стали на станции десульфурации и времени простоя ЛД-конвертеров. Каждый эксперимент моделировал десять дней работы предприятия и собирал статистику.

Результат

Статистический анализ результатов экспериментов позволил определить сценарий, который был оптимальным с точки зрения использования кранов, времени простоя конвертеров и объема получаемой на выходе продукции (1 партия стали = 1, 65 тонн). Сценарий 3 показал наилучший результат: производилось минимум на 2 партии/день больше, чем в остальных сценариях, что потенциально приносило компании несколько миллионов долларов в год. Однако несмотря на то, что время простоя конвертеров снизилось, а производительность возросла, показатель использования кранов в зоне заливания все еще был высоким и составлял около 80%, что было нежелательно. Поэтому, чтобы избежать незапланированного простоя оборудования в результате поломки, инженерам нужно было разработать и внедрить план по профилактическому обслуживанию.

Графики ключевых результатов моделирования цеха

Благодаря возможности тестировать модель цеха в безрисковой среде при помощи AnyLogic, команда смогла внести изменения в систему внутренней логистики, не прерывая производственный процесс.

Для дальнейшей оптимизации цеха было решено добавить процесс загрузки лома в модель. С помощью имитационного моделирования команда собиралась также найти решение для оптимизации всей системы сталелитейного производства компании.

Вдобавок к этому, в целях улучшения процесса принятия решений команда планировала внедрить в модель искусственный интеллект.

Имитационное моделирование для анализа стратегии управления при переходе к серийному производству самолетов