产能测算与瓶颈定位,是制造企业排产、投资与交付承诺的依据。很多产线瓶颈靠经验判断,但工序间缓冲、换型时间、设备故障会让看起来最忙的工位未必是真正瓶颈。离散事件仿真把产线抽象成可运行的模型,用数据而不是直觉回答卡在哪、能产出多少。
第一步:抽象产线为工序与资源。明确各工序的加工时间分布、工位数量与中间缓冲容量。下面用 SimPy 搭建一条四工序产线,观察在制品在各工位的堆积。
import simpy, random
def station(env, name, in_q, out_q, mean):
while True:
item = yield in_q.get()
yield env.timeout(random.expovariate(1.0 / mean))
yield out_q.put(item)
env = simpy.Environment()
q0, q1, q2, q3 = (simpy.Store(env) for _ in range(4))
env.process(station(env, 'A', q0, q1, 5))
env.process(station(env, 'B', q1, q2, 8))
env.process(station(env, 'C', q1, q2, 6))
env.process(station(env, 'D', q2, q3, 7))
for i in range(200):
env.process((lambda e, q, k: e.process(q.put(k)))(env, q0, i))
env.run(until=2000)
print('工位B队列长度:', len(q1.items))
示例为最小可运行骨架,真实建模需加入换型时间、设备故障率与维修时长;随机流应使用与现场一致的分布而非指数分布,否则结论会偏乐观。
第二步:统计利用率与在制品,定位瓶颈。对每个工位的 busy 时间做累计,利用率最高且上游队列持续堆积的工位,即为瓶颈。仿真还能做 what-if:增加某工位资源、调整缓冲或重排工序,观察整体产出变化。
第三步:把仿真结果转化为决策。瓶颈工位的边际扩容能带来多少产出提升、投资回收期多长,都可以用同一模型反复测算,支撑有限的改造预算投向最见效的环节。对多品种、小批量产线,仿真比静态平衡表更贴近真实波动。
离散事件仿真不依赖大模型,却能解决制造现场最朴素也最关键的问题:用可复现的数据说话。对于正在推进智能工厂与数据筑基的制造企业,把产线跑成数字沙盘,是 AI 调度与优化真正落地前的必要基底。
参考来源
SimPy 离散事件仿真官方文档 - simpy.readthedocs.io
工业和信息化部《人工智能+制造》专项行动相关文件 - 工信部网站