ПРИМЕНЕНИЕ МОДЕЛИРОВАНИЯ ANYLOGIC В ПРОИЗВОДСТВЕ

Объектом моделирования является производство сырной продукции (мягкий сыр, твёрдый сыр, Моцарелла) на предприятии ОАО «Сыр».

1. Процесс: Снабжение сырья, переливание, пастеризация, створаживание, стекание, производство мягкого сыра, производство твердого сыра, производство моцареллы, розлив и фасовка, штамповка и транспортировка, хранение на складе ГП, отгрузка клиентам согласно заказам. Компания решила пересмотреть свое управление запасами и производство. Производиться должно столько нужной продукции, сколько требуется потребителям, иначе будут образовываться неликвиды или излишние запасы, недопоставки. [2, с. 387-399.]

Актуальность применения модели

Применение имитационного моделирования в данном случае обоснованно. С помощью модели можно провести анализ узких мест, а также устранить их, найти решения по повышению производительности предприятия, сокращению временных потерь и стоимостных затрат на эксплуатацию производственной системы.

Постановка задачи имитационного моделирования

Цель моделирования - оценка функционирования производственной̆ системы и вычисление основных производственных показателей. Пересмотреть свое управление запасами и производство.

Целевая функция

Максимизация прибыли. Прибыль = выручка, полученной от продаж - затраты (на закупку сырья, хранение, производство труд. ресурсы)

Целевые ограничения

• Ограничения производственной мощности. Так, допустимое количество ресурсов быть не менее и не более заданного числа. (Компания не готова покупать ресурсов больше определенного количества, даже если это поможет справиться с узкими местами)
• Ограничения объема рынка по спросу. Даже если один товар приносит меньшую прибыль, компания не отказывается полностью от его производства в своей линейке.
• Ограничение времени, наличие неликвидной продукции.
• Эксперимент проводится с целью оптимизации модели и целевой функции за счет анализа выходных параметров.

Логика модели, построенной в среде AnyLogic. [5]

1. Отражение схемы с помощью блоков библиотеки основывалось на блок-схеме, представленной (рис. 1), непосредственное производство и затем распределение готовой продукции (в нашем случае отгрузка происходит при извлечении агента из блока queue на основе спроса и при не истекшем сроке годности).

Рисунок 1. Блок схема моделирования

Источник: составлено автором на основе анализа литературы.

Рисунок 2. Блок queue на основе спроса

Источник: составлено автором на основе анализа литературы.

2. Размещение продукции на складе ГП происходит в трех указанных блоках (рис. 2).

Здесь отслеживается сроки годности продукции: при превышении срока - продукция изымается со склада и переходит в неликвиды, в противном случае, отгружается по запросу клиента. Ниже представлен пример Java для распределения готовой продукции по сливкам, колебания спроса учитываются в событии «сутки» (рис. 3-4). [3]

Рисунок 3. Распределение готовой продукции

Источник: составлено автором на основе анализа литературы.

Спрос потребителей в продукции задается в следующих объектах табличных функций с помощью значений, которые выбираются каждые сутки случайным образом:

Рисунок 4. Спрос потребителя

Источник: составлено автором на основе анализа литературы.

3. В рамках проблемы управления запасами учитывается текущий запас на складе (колвоУпаковок), а также фактически произведенный запас, включающий списанное на неликвиды, отгруженную продукцию и то, что находится на складе.

Так же при расчете выручки и затрат учитывается списание товаров на неликвиды и отгрузка товаров покупателям.

Рисунок 5. Количество и отгрузка товаров покупателям

Источник: составлено автором на основе анализа литературы.

Результаты

Ниже представлены результаты при прогоне модели, использую текущие параметры работы предприятия:

1. Видим, что все неликвиды образуются в связи с крайне низким сроком годности йогурта, молока и сливок. Однако, доля в общем производстве подобных неликвидов довольно невелика, но они есть.
2. Прибыль при этом составляет 2 471 602 у.е.

Рисунок 6. Результаты прогона модели

Источник: составлено автором на основе анализа литературы.

Оптимизация процесса:

Оптимизация – это несколько прогонов модели с меняющимися значениями параметров, что помогает оптимизировать целевую функцию. В нашем случае изменялись следующие параметры:

• Число работников.
• Доли произведенной продукции из одной единицы сырья.
• Максимальное производство [1, с. 480-484.]

Ограничения и требования:

Рисунок 7. Ограничения и требования

Источник: составлено автором на основе анализа литературы.

Найденные оптимальные параметры:

• Число работников – 1
• Доля мягкого сыра – 0.15
• Доля твердого сыра – 0.6
• Доля моццарела – 0.25
• Максимальное количество цистерн в день – 8

Статистика после нового прогона модели:

Рисунок 8. Новый прогон модели

Источник: составлено автором на основе анализа литературы.

Вывод:

В ходе исследования было показано, что оптимизация производственных процессов действительно важна и может сократить издержки и затраты, увеличить продуктивность и прибыль. После проведения оптимизации процесса производства сырной продукции прибыль превысила значение практически в 10 раз (19 436 559 уе), количество неликвидов сократилось в 7 раз, также сократилось время нахождения товара на кладке, что привело к уменьшению затрат на хранение. Произведенная продукция увеличилась в масштабах в 1,4 раза.

Список литературы:

1. Марьясин О.Ю., Огарков А.А. Имитационное моделирование и оптимизация энергопотребления офисного здания. Электронный сборник трудов восьмой всероссийской научно-практической конференции “Имитационное моделирование. Теория и практика (ИММОД2017)”, 2017. – С. 480-484.
2. Марьясин О.Ю. Проектирование мультиагентной системы управления зданием с использованием онтологий. Онтология проектирования, 2018, Т. 8, №3 (29). – С.387-399.
3. JOM (Java Optimization Modeler). URL: http://www.net2plan.com/jom/index.php (дата обращения: 02.05.2019).
4. Welcome to the Ipopt home page. URL: https://projects.coinor.org/Ipopt (дата обращения: 02.05.2019).
5. EnergyPlus. URL: https://energyplus.netl (дата обращения: 02.05.2019).
6. Wang L. Model Predictive Control System Design and Implementation using MATLAB. Springer-Verlag London Limited, 2009, 396 p.