基于Flexsim的配送中心仿真分析报告.docx
《基于Flexsim的配送中心仿真分析报告.docx》由会员分享，可在线阅读，更多相关《基于Flexsim的配送中心仿真分析报告.docx（11页珍藏版）》请在冰点文库上搜索。
基于Flexsim的配送中心仿真分析报告
物流系统建模与仿真结课作业
论文名称：
基于Flexsim的配送中心仿真分析报告
一、案例背景
DC配送中心位于北京市东四环外的大郊亭桥附近，主要为北京城八区的家乐福、华联、美廉美、物美等超市提供配送服务。
该配送中心总面积约为1200平方米，分为A、B两个库，面积一样，A库主要存放方便面、饼干、巧克力这三种商品，B库则存放大米、面粉等商品。
这两年，A库存放的三类商品的需求量呈现上升趋势，从而导致了该配送中心的库存增加，日发货量提高等问题。
目前，A库里面设有2列入库商品存放货架，剩余的空间完全可以再摆放一个货架，空间利用率较低。
A库现在每天的到货量约500箱，每箱货物为20件。
货物到货后，直接将整箱货物码放在货架上，不严格按照货物摆放；另外，现有的入库商品存放货架已不能满足需求，有的货物只能放在地上，不仅显得杂乱无章，而且还会影响员工的行动。
而且两个货架上随意摆放三种商品，没有进行区域的划分，经常出现货架摆放是方便面商品的地方会夹杂着巧克力和饼干等商品，使员工拣货效率大为降低。
货物在分拣区以件为单位摆放，发货前需要进行装箱工作，然后再采用托盘进行装车运输。
该配送中心目前有10名工作人员，由于业务量的增加，精减员工肯定已经行不通了，但员工的工资占到了仓库总成本的很大一部分，所以该配送中心也不考虑另外招人。
如何对DC配送中心的A仓库进行改进，使其仓储能力和分拣能力满足其配送业务量的需求是该配送中心当前急需解决的问题。
针对该配送中心存在的问题，可以采用Flexsim软件进行仿真，帮助DC配送中心其解决仓储能力和分拣能力的问题。
二、模型的设计
1、问题的解决思路
针对DC配送中心目前存在的问题，本文提出了以下解决思路：
（1）A库再购置一个入库商品存放货架，一方面可以解决当前货架不能满足存放需求的问题，另一方面还可以提高仓库的储存能力。
购置货架虽然需要一定的成本，但其会带来较好长期的效益。
（2）对三种货物划分存放区域，入库时就按照货架存放三种类型的整箱商品，这样员工在进行拆箱拣选时就方便了许多。
2、模型的描述
进行仿真模型设计时，按照货物的类型，货物到达后给予3种不同的颜色，在经暂存区到达处理器处理，然后再分配到货架上。
然后再经分解器分解，将货物存放在相应的暂存区中，之后再按照订单进行拣选、装箱，可由合成器实现，最后到达生成器，具体流程如图1所示。
图1模型的流程框图
实体设置说明：
（1）发生器1——货物到达；
（2）暂存区1——货物暂存；
（3）处理器——货物分类；
（4）货架1、2、3——货物存储；
（5）分解器1、2、3——货物分解；
（6）暂存区2、3、4——分解后的货物暂存；
（7）发生器2——产生托盘；
（8）合成器——货物装箱；
（9）生产器——货物运走。
3、建模步骤
（1）添加发生器：
从库里拖出一个发生器放到正投影视图中，图2所示。
图2添加一个发生器到新建模型中
（2）依次添加其他实体：
将其余实体拖到正投影视图中，如图3所示。
图3添加所有实体后的模型
（3）连接端口：
根据各临时实体的路径连接端口，如图4所示。
图4完成端口连接后的模型
（4）设置发生器1的参数
到达方式：
按时间间隔到达（Inter-ArrivalTime），返回一个58的常值时间。
依据：
每天入库500箱，按每天工作8小时计算，可计算出到达时间为58=3600/（500/8）。
发生器的离开出发设置：
SourceTriggers下的OnExit的下拉菜单框中选择SetItemtypeandColor，为临时实体指定一种类型号duniform（1,3），并为每种实体指定一种颜色。
依据：
有三种类型的货物，即方便面、饼干、巧克力。
（5）设置暂存区1的参数
暂存区1作为货物到达与检验之间的过渡，不需要改变参数，采用默认的参数，即默认的最大容量为1000。
（6）设置处理器的参数
处理时间：
处理时间设置为48。
依据：
因为到达时间为58，理论上处理的时间应该比到达的时间要快一些。
货物流向设置：
在Flow/Output下的Sendtoport中选择Matchingitemtypes，货物就能按类型分别放置到不同的货架中。
（7）设置货架1、2、3的参数
最大容量：
货架1、2、3的最大容量设置为1000。
依据：
A库总面积为600平方米，3个货架按总面积300平方米计算，货架高为2米，箱子的体积为0.2立方米，则可以存放的箱子总数为：
300*2/0.2=3000个。
平均分配到每个货架的最大容量就为1000。
（8）设置分解器1、2、3的参数
处理时间：
处理时间设置为30。
依据：
货物分解的时间应该比货物处理的时间要更快一些。
分解器：
将一个实体分解成20个。
依据：
每一箱的货物有20件，故将一个实体分解成20个。
（9）设置暂存区2、3、4的参数
最大容量：
将暂存区2、3、4的最大容量分别设置为200。
依据：
除去货架、暂存区1等面积后，暂存区2、3、4的总面积并不算大，因此设置为200。
（10）设置合成器的参数
处理时间：
设置为常数值48。
装盘：
假设顾客的要求40件商品，第一种货物10件，第二种货物16件，第三种货物14件。
设置的时候改变Combiner/Componentslist下的“targetquantity”即可。
（11）设置发生器2的参数
处理时间：
返回一个常数为48的时间值。
依据：
发生器2产生的是托盘，是为了将货物运走，所以处理时间与合成时间一致。
三、模型的运行与分析
1、模型的运行
模型编译完成后，运行28800s（8小时）后，得到下列结果：
图5模型运行结果
2、运行数据
（1）发生器1运行数据
Output：
496，即入货496箱
Generating：
28800，100%
（2）暂存区1运行数据
Input：
496；Output：
496
（3）处理器运行数据
Input：
496；Output：
495
Idle：
5008，17.4%；Processing：
23792，82.6%
（4）货架运行数据
Input
Output
Maximum
Average
货架1
159
13
145
71.40
货架2
169
31
138
61.92
货架3
168
43
125
55.57
（5）分解器运行数据
Input
Output
Maximum
Average
Idle
Processing
Blocked
分解器1
13
241
19
10.42
1594,5.5%
390,1.4%
26816,93.1%
分解器2
32
610
19
14.20
1594,5.5%
930,3.2%
26276,91.2%
分解器3
43
856
19
9.80
17674,61.4%
1290,4.5%
9836,34.2%
（6）暂存区2、3、4运行数据
Input
Output
Maximum
Average
Empty
Releasing
暂存区2
241
41
200
197.16
136,0.5%
28664,99.5%
暂存区3
610
410
200
190.81
832,2.9%
27960,97.1%
暂存区4
856
656
200
174.15
2060,7.2%
26740,92.8%
（7）合成器运行数据
Input：
1681；Output：
40
Idle：
136，0.5%；Processing：
1964，6.8%；Collecting：
26700，92.7%
（8）发生器2运行数据
Output：
570；Blocked：
1204，4.2%；Generating：
27596，95.8%
（9）生成器运行数据
Input：
40，即出货量40。
3、瓶颈分析
从图5和以上的运行数据可以看出，该模型运行时主要的瓶颈体现在以下两个方面：
（1）货架上堆积的货物较多，是存储的货物过多，增加仓储成本。
（2）暂存区2、3、4堆积的货物过多，尤其是暂存区2、3，运行时它们的空闲时间所占比较不到3%，而暂存区4的空闲时间比例也不到5%，说明运行时间较长。
产生以上瓶颈的原因有以下几个方面：
（1）分解器处理速度较慢。
由分解器的运行数据可以看到，分解器1和2运行时阻塞的时间比例占到了93.1%，91.2%，说明分解的速度较慢，因此上游的货物只有堆积在货架上，致使货架上的存储货物增加。
（2）合成器处理速度较慢。
由合成器的运行数据可以看到，合成器的处理时间所占比例仅为6.8%，而集合产品的时间比例占到了92.7%，说明其大部分时间都在集合产品，合成处理速度较慢，从而导致暂存区2、3、4的货物堆积。
四、模型的优化
1、瓶颈问题的解决方案
由前面的瓶颈分析我们可以看到，瓶颈产生的原因主要是由于分解器及合成器的处理速度较慢造成的，因此，针对这两个问题提出了以下两个解决方案：
（1）提高分解器运行速度。
将分解器的处理时间由原来的30降低到15。
（2）提高合成器运行速度，将合成器的处理时间由原来的48降低到30，或者也可以考虑增加合成器。
（3）加快托盘的产生速度，将发生器2的处理时间由原来的48降低到30。
2、优化后的运行数据
（1）发生器1运行数据
Output：
496，即入货496箱；Generating：
28800，100%
（2）暂存区1运行数据
Input：
496；Output：
496
（3）处理器运行数据
Input：
496；Output：
495
Idle：
5008，17.4%；Processing：
23792，82.6%
（4）货架运行数据
Input
Output
Maximum
Average
货架1
158
15
143
70.82
货架2
169
44
138
61.92
货架3
168
63
105
46.70
（5）分解器运行数据
Input
Output
Maximum
Average
Idle
Processing
Blocked
分解器1
15
291
19
10.95
13214,45.8%
140,0.5%
15446,53.7%
分解器2
102
2020
19
14.09
15266,53.0%
440,1.5%
13094,45.5%
分解器3
56
1110
19
9.80
17756,61.4%
630,2.2%
10414,36.2%
（6）暂存区2、3、4运行数据
Input
Output
Maximum
Average
Empty
Releasing
暂存区2
291
91
200
197.36
116,0.4%
28684,99.6%
暂存区3
2020
1820
200
191.14
812,2.8%
27988,97.2%
暂存区4
1110
910
200
174.15
2248,7.8%
26552,92.2%
（7）合成器运行数据
Input：
3721；Output：
90
Idle：
116，0.4%；Processing：
1800，6.3%；Collecting：
26884，93.3%
（8）发生器2运行数据
Output：
900；Blocked：
1778，4.2%；Generating：
27022，93.8%
（9）生成器运行数据
Input：
90，即出货量90。
五、结论
由上面的运行数据可以看出，将分解器和合成器的速度提高后，产出量增加了由40提高到了90，提高了一倍多，基本上解决了该配送中心当前的问题。
从而实现了提高该配送中心分拣能力和仓储能力的目标，使该配送中心的利润得出提高。
但是，优化后的模型仍然存在一个瓶颈，那就是货架1的产出量较小，导致了分解器1的产出量较小，暂存区2的输入量和输出量都受到影响，因此到达合成器的该类型的产品量较小，在合成的时候由于缺乏该产品从而使得合成后的产量较小，而其余两种类型的产品在合成器的量又有剩余。
因此，后续还可以就该模型的这一问题继续进行研究，从而达到使模型更进一步优化。
升级会员 