Simulacijski scenariji v namen večkriterijske optimizacije proizvodnje

logo

Članek predstavlja uporabo simulacijskih scenarijev v namen večkriterijske optimizacije proizvodnje. Predstavljena je metoda uporabe različnih scenarijev na realnem proizvodnem sistemu, pri katerem želimo ugotoviti morebitna ozka grla, želen pretočni čas izdelave izdelka, posledice pri izpadu obdelovalnega centra oz. linije in maksimalni čas podaljšanja obdelave na kritičnih mestih v proizvodnem sistemu. Predstavljeni so dobljeni simulacijski rezultati, podane so ugotovitve in predlogi za optimizacijo proizvodnega sistema. Temeljni prispevek članka je implementacija diskretnih simulacij in simulacijskih scenarijev na aplikativnem primeru realnega podjetja.

V splošnem opredelimo simulacijski model kot model, kateremu spreminjamo opazovane lastnosti v odvisnosti od časa. Pri simulaciji modela z diskretnimi strukturami pa model opisuje pojave v časovnem zaporedju oziroma po tako imenovanih diskretnih dogodkih. Med posamičnimi dogodki predpostavljamo, da je sistem nespremenjen – konstanten. Pri simuliranju modela z diskretnimi strukturami ne posvečamo pozornosti nepotrebnim detajlom med diskretnimi dogodki, ampak se posvetimo ključnim dogodkom, dinamika prehoda med dogodki za nas ni pomembna. Simulacijski model tako predstavlja zgolj scenarij diskretnih dogodkov, ki se izvajajo v določenem časovnem zaporedju. S pridobljenimi rezultati lahko odgovarjamo tako na temeljna kot tudi na specifična vprašanja. V našem primeru proizvodnega sistema simuliramo več scenarijev, s pomočjo katerih optimiziramo proizvodno glede na: število končanih izdelkov, povprečni pretočni čas, povprečno zasedenost obdelovalnih centrov, povprečne zaustavitve obdelovalnih centrov, povprečni čas čakanja obdelovalnih centrov in število mest v zalogovniku pred obdelovalnim centrom.

Univerza v Mariboru

www.um.si

www.fe­ri.uni-mb.si

Več o članku si preberite v PDF reviji!

Sorodni članki

Zadnji članki

Svet mehatronike 49

Ste se kdaj vprašali, kako lahko žuželke potujejo tako daleč izven svojega gnezda in še vedno najdejo pot? Odgovor na to vprašanje ni pomemben le za biologijo, temveč tudi za izdelavo umetne inteligence za majhne avtonomne robote. Raziskovalce TU Delft, ki se ukvarjajo z droni, so navdihnile biološke ugotovitve o tem, kako mravlje vizualno prepoznavajo svoje okolje in ga kombinirajo s štetjem svojih korakov, da se varno vrnejo domov.

Novi senzor sile in navora SensONE T80

Novi senzor sile in navora SensONE T80 ima vgrajeno pritrdilno prirobnico optimizira kobote za težke tovore.

SCHUNK CoLab – kjer je mogoče v realnih pogojih potrditi nove pristope avtomatizacije

Zaupajte dolgoletnim izkušnjam MB-NAKLO in preizkusite svojo aplikacijo v CoLab SCHUNK!

Želite biti na tekočem z najnovejšimi novicami?

Radi bi vas slišali! Prosimo, izpolnite svoje podatke in ostali bomo v stiku. Tako preprosto je!