МОДЕЛИРОВАНИЕ ПРОИЗВОДСТВЕННЫХ СИСТЕМ
АУДИТ РАБОТЫ ПРОИЗВОДСТВЕННОГО УЧАСТКА НА ОСНОВЕ РАБОТЫ ИМИТАЦИОННОЙ МОДЕЛИ К.Т. Саттарова, Н.Д. Проничев
В данной статье рассматривается вопрос моделирования работы участка с целью получения данных о простоях оборудования и пролеживания деталей. Для проверки выходных данных созданной имитационной модели было проведено исследование работы производственного участка методом моментных наблюдений, результаты которого были сопоставлены с результатами работы модели. Результаты проведенных исследований показали высокую точность данных, полученных на основе работы имитационной модели. Мы предлагаем использовать имитационное моделирование, в частности программную среду AnyLogic, для дальнейшего анализа влияния входных параметров на возникновение простоев оборудования. Это поможет сократить время на проведение физического эксперимента по сбору данных о простоях, повысить качество управленческих решений, а так же разработать меры по сокращению простоев
Ключевые слова: моментные наблюдения, имитационная модель, простои оборудования
Введение
На современных машиностроительных предприятиях наблюдается острая проблема возникновения простоев оборудования. Это сказывается на производительности труда, качестве изготавливаемых изделий, загрузке оборудования, показателей выполнения производственного плана, себестоимости продукции, и т.д. В результате предприятие теряет свои позиции на конкурентном рынке.
Для ликвидации простоев, первым делом необходимо выявить основные причины их возникновения. Для этого существует несколько способов, к которым относятся метод фотографии рабочего места и метод моментных наблюдений. Для проведения исследования нами был выбран метод моментных наблюдений, т.к. он позволяет не только зафиксировать количественные показатели простоев, но и качественные показатели, что позволяет провести полный анализ данной проблемы.
Современные технологии позволяют проводить исследования, подобные методу моментных наблюдений, используя имитационное моделирование. Для этого нами использовалась программная среда AnyLogic. Имитационная модель - это компьютерная программа, которая описывает структуру и воспроизводит поведение реальной системы во времени. Имитационная модель позволяет получать подробную статистику о различных аспектах функционирования системы в зависимости от входных данных. [1-3].
Методика проведения исследований
Исследование проводилось в цехе единичного типа производства на Самарском предприятии, который работает в условиях частых переналадок, смены типа обрабатываемых деталей, и т.д. Учитывая, что данный цех относительно новый, в нем существуют проблемы по организации производственной деятельности, что приводит к возникновению простоев. [4]
Моментные наблюдения проводились в течение одного месяца по 4 часа в день. Для работы были выбраны четыре технологически подобных станка: MIKRON UCP 800 DURO, MIKRON UCP 800 DURO, HERMLE C42 U, и CHIRON FZ 12.
В результате исследований было выявлено, что за время наблюдений общее время простоев оборудования составило 6705 минут.
Для более глубокого анализа точности проведенных исследований была построена имитационная модель работы участка, работающая в реальном времени, равному времени проведения моментных наблюдений. Для построения данной модели была выбрана программа AnyLogic, разработанная компанией XJTechnologies (Россия). Это комплексный инструмент, охватывающий основные в настоящее время направления моделирования: дискретно-событийное, системной динамики, агентное. Использование AnyLogic дает возможность оценить эффект конструкторских решений в сложных системах реального мира. [5]
Имитационная модель, разработанная в среде AnyLogic University 6.8.0, была создана на основе данных полученной статистики на участке исследуемого цеха. Для анализа были взяты те же четыре функционально подобных станка, способных обрабатывать определенные группы деталей.
Работа имитационной модели Изготовление в цехе партии деталей начинается через случайное время. Выполнению операций предшествует операция выдачи рабочему партии деталей, поступающая на обработку к рабочему месту. Длительность обработки детали зависит от ее технологической сложности, а также от того, обрабатывалась ли она на данном участке ранее.
Деталь может быть изготовлена из принципиально новой заготовки или из детали, которая доставляется на участок для ее восстановления или ремонта (корректировки), что определяется после её измерения. Очередная партия деталей из новых заготовок или ремонтных деталей поставляется на рабочее место сразу же, как только рабочий
закончил обрабатывать очередную партию деталей.
Детали изготавливаются последовательно по операциям с некоторыми осредненны-ми значениями времен. В конце всего технологического процесса все обработанные детали следуют на окончательный контроль.
И так, исходными данными модели являются:
- план обработки деталей цеха;
- трудоемкость обработки деталей по технологическому процессу;
- трудоемкость изготовления деталей (табл. 1).
- вероятность возникновения простоев и прихода аварийных деталей;
- характер временных простоев;
- количество деталей в партии;
- годовой план изготавливаемых деталей;
- сведения о логическом движении технологического процесса.
Таблица 1
Трудоемкость изготовления деталей
Тип детали 1 2 3 4 5 6 7 8 9 10 11
Время обработки (мин) 105 60 510 240 360 20 150 92 161 75 600
При создании имитационной модели полученный техпроцесс был поделен на этапы-блоки для лучшего понимания данной модели, а именно блок пуска партии деталей, блок обработки, блок замеров готовых изделий, блок ожидания в очереди и блок окончательного контроля. Примеры этапов-блоков моделей показаны на рисунке.
Данная модель по этапам-блокам отражает реальную картину
производственного процесса на участке.
На участке имеется четыре функционально подобных станка, способных обработать определенный тип деталей. На рабочие места может приходить случайным образом 1 партия деталей от 8 до 150 штук одной конфигурации и наименования, хотя эти значения могут варьироваться при необходимости проведения дополнительных исследований.
Вероятность того, что на два и более станка придет одно наименование деталей, близка к нулю. При запуске партии в обработку партия заговок передается в обработку рабочему случайным образом. Таким образом расширяется специализация рабочего при обработке разных типов деталей.
За время проведения исследований было выявлено несколько причин возникновения простоев оборудования, которые можно объединить в несколько групп:
- Служба обеспечения инструментом;
-Служба контроля;
-Служба обеспечения рабочими;
-Наладка;
-Внедрение новой детали;
-Проблема с заготовкой;
-Прочее.
Пуск_партий Thelstage
The2stage
The3stage
The4stage
TheSstage
a)
б)
а) - Блок пуска партии деталей; б) - Блок обработки
Время простоя оборудования варьируется от 45 минут до нескольких дней, о чем сообщает объект модели «event» на линии обработки, после чего работа на этой линии невозможна, о чем будет свидетельствовать закрытый объект «hold». В связи с таким развитием событий рабочий вместей с партией проводит время в ожидании, что отражается в блоке ожидания в очереди. После временного ожидания, т.е. после ремонта, станок снова готов к использованию.
Простои оборудования негативно сказываются на длительности
технологического процесса и упущеную прибыль от простоев.
Еще одной важной проблемой является вероятность прихода аварийных деталей (0,3), в связи с чем обрабатываемые детали либо снимаются с обработки (большая партия, длительный цикл) и происходит переналадка на аварийные детали, либо, если до конца обработки партии осталось 24 и менее часов, то обрабатываемая партия деталей завершает обработку, а аварийные ждут своей очереди.
Вероятность возникновения простоя была получена на основе теории массового обслуживания и составляет 0,3.
После этапа-блока обработки деталь поступает в этап-блок измерений, котрое
осуществляется с помощью подручных инструментов (штангенциркуль, стальная линейка, микрометр, микрометрический штихмас, угломер, резьбомеры, и т.д), имеющихся на территории участка. Время проведения измерений не фиксированно и зависит от конструкционной сложности детали, количества поверхностей, размеров для промеров, и т.д., и варьируется от 2 до 4 минут на одну деталь.
Из статистических данных было выявлено, что после контроля на повторную обработку возвращаются лишь 3% деталей (при 5% допустимых), что связано с высокой точностью оборудования.
После проведения замеров партии деталей рабочий отправляется к своему рабочему месту к этапу-блоку обработки. При этом, в случае, когда партия деталей успешно прошла контроль, рабочий начинает обработку новой партии, а обработанная уходит на склад. Если же контроль не пройден, то детали возвращаются на повторную обработку.
Цикл обработки и проведения замеров длиться до момента наступления четвертого этапа-блока, заложенного в программе AnyLogic 6.8.0 University.
Прибытие партии деталей после обработки на блок окончательного контроля
автоматически дает очередное задание, т.е. выдача очередной партии деталей на обработку рабочему, предоставивший партию деталей на блок контроля.
Выдача очередных заготовок (партий) происходит до момента выполнения плана, установленного на участке.
Таблица 2
Результаты экспериментов, проведенных в созданной имитационной модели Номер эксперимента Длительность простоев Длительность ожидания
оборудования оборудования в очереди
1 228,98 13,80
2 265,48 15,94
3 364,06 68,91
4 407,40 53,97
5 366,48 61,46
Результаты исследований
Для получения усредненных показателей простоев ожидания оборудования, в созданной программе было проведено пять экспериментов (табл. 2).
В результате получено, что среднее время простоев составляет 326,48 минуты, а время ожидания в очереди - 42,80 минуты. Эти данные актуальны для одного дня, в который проводились моментные наблюдения. Месячные значения будут составлять 5223,63 минут простоев и 983,31 минуты ожидания в очереди за 4 часа 16 дней исследований.
Сравнив эти данные с тем, что было получено в ходе проведения моментных наблюдений (6705 минут простоев за 4 часа 16 дней исследований), мы можем сделать выводы о том, что точность расчетов программы достаточно велика, однако данные, полученные методом моментных наблюдений, показали большее время простоев оборудования. Причина этого кроется в вероятности, заложенной в модели, а также в невозможности задать все возможные параметры прихода аварийных деталей.
Выводы
Таким образом, мы убедились, что имитационное моделирование позволяет провести исследование в области простоев оборудования, увеличив физическую скорость проведения эксперимента в 100 раз относительно скорости проведения исследования методом моментных наблюдений. Не смотря на то, что построенная модель была основана на данных статистики, полученных в результате проведения исследования методом моментных наблюдений, в дальнейшем она позволит ана-
лизировать влияние изменения входных параметров на конечный результат, не прибегая к длительным физическим экспериментам. Сегодня мы проводим исследования, которые позволят устранить выявленные проблемы имитационной модели, что в будущем позволит не только проводить точные и быстрые исследования в области простоев оборудования и пролеживания продукции, но и быстро ликвидировать их причины. [6]
Литература
1. Коротыгин, А.А. Создание информационной модели виртуального предприятия на основе использования современных PLM-технологий / А.А. Коротыгин // Самара: СГАУ. - 2009. - С. 1-20.
2. Трофимов, В.В. Информационные системы и технологии в экономике и управлении / В.В. Трофимов. - М: Высшее образование, 2006. - С. 94-212.
3. Long Che Mak, Wai Keung Wong, Yung Sun Leung. A simulation analysis of the impact of production lot size and its interaction with operator competence on manufacturing system performance// Simulation Modelling Practice and Theory. Volume 49, December 2014. - P. 203-214.
4. Bielecki Witold T. Simulation of the perfect simulation? // Simulation and gaming. Volume 31, January 2000. - P. 48-49.
5. Баранов, А.А. Имитационное моделирование работы производственных линий многономенклатурного машиностроительного производства / А.А. Баранов, А.Р. Денисов, М.Г. Левин // Научно-технический вестник информационных технологий, механики и оптики. - 2008. - № 57. - C. 22-28.
6. Danny S.K. Chan Simulation modelling in virtual manufacturing analysis for integrated product and process design // Assembly automation . 2003. Volume 23, №1. - P. 69-74.
7. Hakanen J., Hakala J., Manninen J. An integrated multiobjective design tool for process design // Applied thermal engineering . 2006. Vol. 26, № 13. - P. 1393-1399.
8. Riramonti L.A., Peraboni C.A. Managing the design-manufacturing interface in virtual enterprises through multi user virtual environments: a perspective approach // International journal of computer integrated manufacturing . 2010. Vol. 23, №8-9. - P. 758-776.
9. Lennartson B., Andersson K., Fabian M., Falkman P., Akesson K., Bengtsson K.,Yuan C. Sequence planning for integrated product, process and automation design // Ieee transactions on automation science and engineering . 2010. Vol. 7, №4. - P. 791-802.
10. Singh N. Integrated product and process design: a multi-objective modeling framework // Robotics and computer-integrated manufacturing. 2002. Vol. 18, №2. - P. 157-168.
11. Первов, К.В. Управление производственной инфраструктурой промышленного предприятия на основе имитационного моделирования / К.В. Первов // Вестник ИНЖЭКОНА. Серия: экономика. - 2012. - № 2. - С. 278-282.
12. Селезнёв, В.А. Интегрированные компьютерные конструкторско-технологические cad/cam-системы в подготовке квалифицированных рабочих / В.А. Селезнёв // Информационные технологии в проектировании и производстве. - 2012. - № 2. - С. 36-40.
13. Проничев, Ю.Н. Повышение эффективности обслуживания технологических комплексов в авиадвигательном производстве / Ю.Н. Проничев. - Самара: СГАУ, 2012.- С. 3-45.
14. Боев, В.Д. Исследования адекватности GPSS World и AnyLogic при моделировании дискретно-событийных процессов: монография / В.Д. Боев. ВАС, 2011. - С. 76108.
15. Проничев, Н.Д. Имитационное моделирование производственной системы ме-ханообрабатывающего цеха / Н.Д. Проничев, В.Г. Смелов, В.В. Кокарева, А.Н. Малыхин // Известия Самарского научного центра Российской академии наук. - 2013. - Т. 15. - № 6 (4). - С. 937-943.
Саттарова Ксения Тимуровна, аспирант, инженер кафедры ПДЛА, Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет) (г. Самара, Российская Федерация), ks.mycity@ gmail.com
Проничев Николай Дмитриевич, доктор технических наук, профессор, исполняющий обязанности заведующего кафедрой ПДЛА, Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет) (г. Самара, Российская Федерация), ks.mycity@gmail.com
THE AUDIT OF THE PRODUCTION ZONE OPERATION ON THE BASIS OF SIMULATION MODEL FUNCTIONING K.T. Sattarova, Samara State Aerospace University named after academician S. P. Korolyov (National Research University), Samara, Russian Federation, ks.mycity@gmail.com N.D. Pronichev, Samara State Aerospace University named after academician S. P. Korolyov (National Research University), Samara, Russian Federation, ks.mycity@gmail.com
The present article addresses the problem of modelling the production zone operation for obtaining data on equipment downtime and in-process queue. To check the output data of the created
simulation model, the study of the production zone operation has been conducted using the snap reading method, the results of which were correlated with those of model operation. The results of investigation have demonstrated high accuracy of data obtained from functioning of the simulation model. We propose to use simulation modelling (particularly, the software environment «AnyLogic») for further analysis of the impact of input parameters on equipment downtime occurrence. This will help to reduce time for conducting the physical experiment on downtime data collection, improve the quality of administrative decisions, and develop measures for downtime reduction
Key words: snap reading, simulation model, equipment downtime
References
1. Korotygin A.A. Creating a virtual information model enterprises through the use of modern technologies. PLM-Samara State Aerospace University, 2009. P. 1-20.
2. Trofimov I.N. Information systems and technologies in economics and management. M: Higher Education, 2006. P. 94-212.
3. Long Che Mak, Wai Keung Wong, Yung Sun Leung. A simulation analysis of the impact of production lot size and its interaction with operator competence on manufacturing system performance. Simulation Modelling Practice and Theory. Volume 49, December 2014. P. 203-214.
4. Bielecki Witold T. Simulation of the perfect simulation? Simulation and gaming. Volume 31, January 2000. P. 48-49.
5. Baranov A.A., Denisov A.R., Levin M.G., Baranov A., Denisov A. Simulation modeling of production lines multiproduct engineering production. Scientific and Technical Gazette of Information Technologies, Mechanics and Optics. 2008. № 57. P. 22-28.
6. Danny S.K. Chan Simulation modelling in virtual manufacturing analysis for integrated product and process design. Assembly automation. 2003. Volume 23, №1. P. 69-74.
7. Hakanen J., Hakala J., Manninen J. An integrated multiobjective design tool for process design. Applied thermal engineering. 2006. Vol. 26, № 13. P. 1393-1399.
8. Riramonti L.A., Peraboni C.A. Managing the design-manufacturing interface in virtual enterprises through multi user virtual environments: a perspective approach. International journal of computer integrated manufacturing. 2010. Vol. 23, №8-9. P. 758-776.
9. Lennartson B., Andersson K., Fabian M., Falkman P., Akesson K., Bengtsson K., Yuan C. Sequence planning for integrated product, process and automation design. Ieee transactions on automation science and engineering. 2010. Vol. 7, №4. P. 791-802.
10. Singh N. Integrated product and process design: a multi-objective modeling framework. Robotics and computer-integrated manufacturing. 2002. Vol. 18, №2. P. 157-168.
11. Pervov K.V. Management of production infrastructure of the industrial enterprise on the basis of simulation. Bulletin ENGECON. Series: Economics. 2012. № 2. P. 278-282.
12. Seleznev V.A. Integrated computer engineering and design cad / cam-system in the training of skilled workers // Information technologies in the design and production. 2012. №2. - P. 36-40.
13. Pronichev Y.N., Improved maintenance of technological systems in aircraft engine production // Pronichev Y.N.- Samara State Aerospace University, 2012. - P. 3-45.
14. Loot VD Research adequacy and GPSS World AnyLogic in modeling discrete-event processes // YOU monograph, 2011. - P. 76-108.
15. Pronichev N.D., Smelov V.G., Kokareva V.V., Malihin A.N. Simulation modeling of the production system of machining shop. News Samara Scientific Center of the Russian Academy of Sciences, vol. 15, №6 (4 ), 2013. P. 937-943.