Модель работы сборочного цеха. Часть 2

Подготовка пространственных узлов

Переходим к третьей фазе создания модели. Нам нужно добавить еще один прямоугольный узел (Rectangular Node) и три точечных узла (Point Node), реализующих следующую логику:
• Верхний точечный узел — место, куда по конвейеру прибывает корпус стиральной машины.
• Нижний точечный узел — место, откуда на сборку поступает дверца.
• Третий точечный узел — место, где робот собирает готовое изделие из корпуса и дверцы.
Эти узлы и один прямоугольный мы сейчас создадим.

Прямоугольный узел будет называться ShapeDoorStorage. Точечные узлы получили осмысленные имена: NodeBody, NodeDoor, NodeFinal.

Создание агентов

Теперь создадим трех агентов (Agent).
1. Агент Body. В библиотеке моделирования процессов выбираем «Тип агента», называем его Body (корпус стиральной машины). Анимацию по умолчанию не задаем, создадим ее позже. В открывшемся холсте агента из палитры «Презентация» берем прямоугольник (Rectangle). Настраиваем его: размер 10 на 10 пикселей, координаты центра (–5, –5). Это соответствует половине метра в масштабе модели.
2. Агент Door. Создаем агента Door (дверца) без анимации. В его холсте рисуем овал (Oval) серого цвета, радиусом 3, с центром в (0, 0).
3. Агент Product. Создаем агента Product (готовое изделие). В его холст копируем прямоугольник из Body и овал из Door. Накладываем овал на прямоугольник, чтобы получилось изображение стиральной машины с дверцей.

Возвращаемся на основной холст Main. В элементе Source, который генерирует корпуса, в свойстве «Новый агент» указываем созданный нами тип Body. Теперь при запуске по конвейеру движутся объекты нужного нам вида.

Копируем первые два элемента (Source и Queue) для создания потока дверец. Переименовываем их в SourceDoors и DoorStorage. SourceDoors генерирует агентов типа Door, а DoorStorage связан с узлом ShapeDoorStorage.

Моделирование процесса сборки

Добавляем блок Assembler (сборка) из библиотеки моделирования процессов. Помещаем его после конвейера корпусов, перед блоком уничтожения Sink. Автоматически восстановится связь. Соединяем хранилище DoorStorage с Assembler.

Блок Assembler собирает несколько типов агентов в один новый. В его настройках:
• Новый агент — выбираем Product.
• Количество элементов: для типа Body — 1, для Door — 1. (Для более сложной сборки значения можно изменить).
• Время задержки — задаем константу 1 минута. Робот выполняет операцию всегда одинаково, поэтому вероятностное распределение не требуется.

Настраиваем анимацию блока сборки в разделе «Анимация»:
• Место агента — узел NodeFinal.
• Место агента из очереди 1 — NodeBody.
• Место агента из очереди 2 — NodeDoor.

Теперь модель можно запустить: генерируются корпуса и дверцы, робот забирает их с соответствующих узлов и через минуту выдает готовую стиральную машину.

Расширение модели: конвейер упаковки и погрузка

Переходим к четвертой фазе. Рисуем новый путь (Path) для конвейера упаковки, называем его MoveToPacking. Создаем точечный узел PrePack и прямоугольный узел ShapeWorkers. Добавляем две зоны в виде прямоугольных узлов: ShapeLoading (отгрузка) и многоугольный узел ShapePacking (зона упаковки).

Копируем элемент Конвейер и вставляем его после Assembler. Переименовываем в MoveToPacking. В его настройках выбираем путь MoveToPacking, а место агента — узел ShapePacking.

Теперь нужно создать эффект упаковки. Вместо создания нового агента мы будем управлять видимостью графического элемента. В холсте агента Product добавляем изображение коробки из палитры «Картинки». Уменьшаем коробку до подходящего размера, устанавливаем ее имя box и свойство Видимость (Visible) в значение нет (false).

Добавляем после конвейера MoveToPacking блок Service (обслуживание) и называем его Packing. Настройки блока:
• Вместимость очереди: 1.
• Время задержки: треугольное распределение (Triangular) от 0.5 до 1.5 минут, с наиболее вероятным значением 1 минута.
• Место агентов очереди: ShapePrePack.
• Место агента: ShapePacking.
• Действие при выходе (On exit): программный код, делающий коробку видимой.

java
agent.box.setVisible(true);

Таким образом, после завершения операции упаковки вокруг стиральной машины появляется коробка.

После Packing размещаем блок Batch (группировка). Называем его LoadOnTruck. Настройки:
• Место агентов: ShapeLoading.
• Размер партии: 10.
Этот блок будет накапливать по 10 упакованных машин и отправлять их на отгрузку.

Ресурсы, расписания и отказы
Добавим в модель ресурсы и график работы. Переносим на холст элемент Расписание (Schedule) из библиотеки агентного моделирования. Задаем тип расписания целое (integer) и настраиваем рабочее время: с понедельника по пятницу, с 9:00 до 13:00 и с 14:00 до 18:00.

В свойствах симуляции устанавливаем время начала моделирования на 9:00.

Теперь настраиваем источники SourceDoors и SourceBodies так, чтобы поставки зависели от расписания. В свойстве «Интенсивность прибытий» выбираем Согласно расписанию интенсивностей и указываем наше расписание. Значение интенсивности равно 1. Когда завод не работает, интенсивность равна 0.

Создаем два Ресурсных пула (Resource Pool):
1. Robot. Тип ресурса: статический. Количество: 1. В разделе «Аварии и ремонты» ставим галочку, настраиваем время до отказа и время ремонта, переведя единицы измерения в минуты. Тип ремонта — «Задержка».
2. Workers. Тип ресурса: динамический. Количество ресурсов: 2. Базовое местоположение: ShapeWorkers.

Привязываем ресурсы к операциям:
• В блоке Assembler в наборе ресурсов выбираем Robot.
• В блоке Packing в наборе ресурсов выбираем Workers.

Сбор статистики и анализ модели

Добавим столбчатую диаграмму из палитры «Статистика» для мониторинга модели. Настроим ее:
• Период обновления: 1 минута.
• Заголовок: Workers Utilization.
• Данные: свойство Workers.utilization(), которое возвращает текущий уровень утилизации пула рабочих.

Запускаем модель. Мы видим движение заготовок, сборку, упаковку и отгрузку партиями. Диаграмма в реальном времени показывает загрузку рабочих. В выходные и во время обеда утилизация падает до нуля. Можно ускорить модельное время для наблюдения за динамикой на длительном промежутке.

Суть дискретно-событийного подхода

Построенная модель демонстрирует ключевые особенности дискретно-событийного подхода. Весь производственный процесс описывается как последовательность событий (Events), происходящих в блоках. Для каждого блока задается время операции (константное или по распределению). Система автоматически выстраивает эти события на временной шкале, не требуя расчетов для каждого такта времени.

Такой подход позволяет:
• Детально описать процесс, вплоть до мельчайших операций.
• Использовать ресурсы, расписания и отказы.
• Собирать агентов в новые объекты.
• Анализировать процесс как с анимацией, так и без нее.

В отличие от системной динамики, которая работает с непрерывными тактами времени и усредненными потоками, дискретно-событийное моделирование переходит от события к событию, что делает его идеальным для детализированного описания производственных и логистических цепочек. После замены параметров по умолчанию на реальные данные модель становится инструментом для анализа узких мест, расчета утилизации и принятия административных решений.

Краткие итоги

Практическое руководство раскрывает логику построения производственной имитационной модели как последовательности двух взаимосвязанных процессов: материального потока и управления ресурсами. Начальный этап — это пространственная декомпозиция цеха. Абстрактные узлы и пути формируют топологию, по которой впоследствии будут перемещаться агенты. Такой подход позволяет отделить физическую планировку от алгоритмической логики, делая модель гибкой к изменениям планировки.

Создание агентов демонстрирует принцип композиции: сложный объект «изделие» собирается из простых геометрических примитивов, а его состояние изменяется не путем создания нового агента, а через управление свойствами существующего. Прием с переключением видимости коробки — это эффективный способ моделирования операций, которые меняют не сущность объекта, а лишь его внешний атрибут.

Ядро модели, блок Assembler, иллюстрирует ключевую концепцию дискретно-событийного подхода — синхронизацию нескольких асинхронных потоков в одной точке. Робот выступает здесь как статический ресурс, «захватывающий» агентов из разных очередей и удерживающий их в течение заданного времени. Переход от вероятностного времени операции к константному подчеркивает важность соответствия параметров физической природе исполнителя.
Интеграция расписания и ресурсных пулов переводит модель с уровня простой цепочки блоков на уровень системы с operational calendar. Привязка интенсивности поставок к расписанию гарантирует логическую целостность: остановка обработки автоматически прекращает подачу материалов. Это предотвращает бесконечный рост очередей, который был бы нереалистичным в реальных условиях.

Практическая ценность подхода раскрывается в момент добавления статистики. Утилизация ресурса перестает быть абстрактным числом и становится инструментом для выявления простоев, вызванных расписанием или узкими местами. Модель доказывает, что высокая детализация не требует усложнения вычислительного ядра: дискретно-событийный движок сам выстраивает последовательность событий, не расходуя ресурсы на просчет «пустых» промежутков времени.