基于Flexsim的供应链建模与仿真课程设计(下)

简介: 基于Flexsim的供应链建模与仿真课程设计

三、课程设计心得


通过本次的供应链建模与仿真课程,我学习到了很多,这还是比较有意思的课程,所以我自己也很投入地做着这次课程设计。我发现flexsim不仅能够把我们现实中的东西模拟仿真出来,而且也可以自己创造一些新的流程再造,把一些无法在现实中实现的情况模拟仿真出来。这种仿真是不需要耗费大量的人力和物力的,对公司的生产发展工作起到了一个非常大的帮助。我们可以在电脑上大胆模拟各种情景,这可以开拓我们的思维,锻炼我们的能力。

在网络上和B站查找了很多关于flexsim的学习资料并认真学习了一下,大致能够知道如何有效的运行flexsim 。在处理一些简单的实体时,能够利用软件做出模型,并进行数据分析,得出大致结论。但在操作过程中,我还是遇到了很多困难,一些无法完全看懂的参数和设置没有及时弄懂,导致后期设置工作进行得缓慢。在系统地了解了相关参数、设置名称、功能后,课程设计才顺利地完成。在设计过程中,通过查阅大量有关资料,也有与同学互相交流经验,并相互讨论请教,让我们的同学关系更进了一步,同学之间互帮互助,一起探讨问题,听听不同的看法对我自己的课程设计也有很大的帮助,所以也要学习我的同学们。

虽然最后这个设计并没有很好,但在制作的过程中所学的知识与经验,让我日后能在工作中独立思考,树立对自己工作能力的信心,我相信这对今后的学习工作有非常重要的影响。这将是我在这门课程设计中收获的最大财富,使我终身受益。


四、业务建模与仿真的结果分析


4.1业务的模型图



4.2模拟仿真运行时的运行状态及模拟仿真结果


4.2.1输出的模拟仿真运行时的运行状态分析(附截图)



4.2.2模拟运行后的输出数据分析(附数据表,只统计数据比例,第四部分深入分析)


Flexsim Summary Report

Time: 10450.91131


Object Class idle processing blocked

暂存区4 Queue 0 0 0

染色wxx Processor 5008.417941 2512 764.744645

染色wxx Processor 4460.823606 2528 1745.149725

染色wxx Processor 6854.180531 2192 0

染色wxx Processor 3501.123611 2528 2623.736807

染色wxx Processor 3723.324264 2512 2089.570827

传送带wxx Conveyor 0 0 9109.553484

传送带wxx Conveyor 0 0 7962.935684

传送带wxx Conveyor 0 0 418.95069

传送带wxx Conveyor 0 0 10274.11442

传送带wxx Conveyor 0 0 9095.70144

组装wxx Combiner 944.461846 420 0

暂存区wxx Queue 0 0 0

货架wxx Rack 0 0 0

任务分配器16wxx Dispatcher 10450.91131 0

叉车wxx Transporter 10180.18735 0 0

工人wxx1 Operator 3846.605334 0 0

工人wxx4 Operator 4687.193098 0 0

工人2wxx Operator 6205.957583 0 0

切割wxx Processor 10135.91131 315 0

暂存区wxx Queue 0 0 0

称重计量wxx Processor 9820.911312 630 0

暂存区wxx Queue 0 0 0

塑封wxx Processor 10225.91131 225 0

暂存区wxx Queue 0 0 0

检测wxx Processor 10000.91131 450 0

暂存区wxx Queue 0 0 0

贴标签wxx Processor 9550.911312 900 0

工人5wxx Operator 10144.86446 0 0

工人3wxx Operator 7958.581878 0 0

传送带wxx Conveyor 0 0 0

堆垛机wxx ASRSvehicle 9771.025056 0 0

货架wxx2 Rack 10450.91131 0 0

传送带wxx12 Conveyor 0 0 0

托盘发生器wxx1 Source 0 0 8887.61808

拆包wxx Separator 22.43028 1010 333.870868

操作员46689 Operator 698.971476 0 0

暂存区wxx47 Queue 0 0 0

组装wxx45 Combiner 943.826545 30 0

发生器10768 Source 0 0 5409.089552

传送带wxx45 Conveyor 0 0 0

堆垛机wxx45 ASRSvehicle 9971.480158 0 0

货架wxx46 Rack 10450.91131 0 0

传送带12114 Conveyor 0 0 0

合成器1wxx Combiner 44.456896 0 10406.45442

卡纸发生器wxx6 Source 0 0 10450.91131

托盘储存区27wxx Sink 0 0 0

质检wxx Processor 9950.911312 500 0

合格品暂存区58wxx Queue 0 0 0

暂存区62wxx Queue 0 0 0

合成器63 Combiner 5.558577 150 0

托盘发生器64wxx Source 0 0 10260.71038

传送带65wxx Conveyor 0 0 0

客户wxx Sink 0 0 0

打包装箱285wxx Processor 10003.2357 447.675617 0


4.2.3根据输出数据,以各实体的加工和空闲时间进行对比,做出圆饼图进行观察各工序的工作状态


① 第一个合成器:

② 拆包器:

③ 染色器:

④ 质检器:

⑤ 第二个合成器:


4.2.4输出结果分析


针对以上的仿真模拟,对检验系统的优化过程是裁剪人员,原来把货搬到染色器的人有4个人,用3个人完全可以完成,所以裁剪掉一名工人,充分利用3名工人。如果这个工厂想加工更多的产品,就需要提高组装器的工作效率。可以通过分析得出有些暂存区出现了拥堵,如果不对检测机台进行修改,模型中就会不断积累越来越多的待加工品,而暂存区的容量也会不断增加直到无法再加。为了解决这个问题,我们不得添加一个组装器,因为组装器台是整个系统的瓶颈之一。

另外还可以找出些设备工作负荷过低,长时间处于闲置状态。以上问题的发现可对整个系统的优化起到很好的指导作用。

相关文章
|
机器学习/深度学习 算法 决策智能
选址问题-精确重心法和遗传算法
选址问题-精确重心法和遗传算法
1981 0
|
缓存 JSON 安全
43 Swift中的一些第三方库
Swift中的一些第三方库
305 0
|
Linux 网络安全 开发工具
Git拉取代码的完整示例操作
Git拉取代码的完整示例操作
1092 0
|
Java 应用服务中间件 Maven
Maven - 两种Tomcat插件的配置
Maven - 两种Tomcat插件的配置
1035 0
|
2月前
|
人工智能 安全 大数据
阿里云最新学生、开发者和企业优惠券种类、金额、领取和使用区别参考
2025年,阿里云推出为了助力更多用户降低上云门槛,推出了多种类型的优惠券,覆盖学生、初创企业、开发者及有迁移需求的企业用户,推动更多用户享受云服务的便捷与高效。本文将为大家解析目前阿里云最新优惠券的种类、金额、领取方式及使用规则,帮助不同群体精准匹配最优福利,实现资源利用最大化。
|
11月前
|
弹性计算 Serverless API
海量大模型如何一键部署上云,函数计算 x ModelScope 社区给出答案
得益于阿里云函数计算的产品能力,魔搭 SwingDeploy 后的模型推理 API 服务默认具备极致弹性伸缩(缩零能力)、GPU 虚拟化(最小 1GB 显存粒度)、异步调用能力、按用付费、闲置计费等能力,这些能力帮助算法工程师大大加快了魔搭开源模型投入生产的生命周期。
|
人工智能 自然语言处理 搜索推荐
彻底摒弃人工标注,AutoAlign方法基于大模型让知识图谱对齐全自动化
【8月更文挑战第18天】知识图谱作为结构化语义库,在AI领域应用广泛,但构建中实体对齐难题一直存在。近期,AutoAlign提供了一种全自动对齐方案,由张锐等人研发并发布于arXiv。此方法摒弃传统的人工标注依赖,利用大型语言模型实现全自动化对齐。AutoAlign包括谓词与实体对齐两部分,通过构建谓词邻近图及计算实体嵌入,有效提升对齐性能。实验显示其性能超越现有方法,尤其适用于大规模数据集。尽管如此,AutoAlign仍面临计算资源消耗及不同领域适应性等挑战,未来需进一步优化以增强鲁棒性和泛化能力。
331 7
|
供应链 BI Windows
基于Flexsim的供应链建模与仿真课程设计(上)
基于Flexsim的供应链建模与仿真课程设计
649 0
基于Flexsim的供应链建模与仿真课程设计(上)
|
机器学习/深度学习 自然语言处理 索引
Moirai:Salesforce的时间序列预测基础模型
过去几个月,时间序列基础模型发展迅速,包括TimeGPT、Lag-Llama、Google的TimesFM、Amazon的Chronos和Salesforce的Moirai。本文聚焦于Moirai,这是一个用于时间序列预测的通用模型,尤其强调零样本推理能力。Moirai处理各种数据频率、适应未知协变量并生成概率预测。文章介绍了Moirai的三个关键特性:多尺寸补丁投影层、任意变量注意力和混合分布。此外,还对比了Moirai与Chronos和TimeGPT,发现Moirai在性能上未超越Chronos,后者在数据效率上更优,但不支持多变量预测。
607 2
|
监控 网络协议 NoSQL
java线上排查OOM内存溢出
java线上排查OOM内存溢出
673 1