Имитационное моделирование логистической системы транспортировки жидкого чугуна металлургического предприятия

Рассматривается задача создания имитационной модели логистической системы транспортировки жидкого чугуна на металлургическом предприятии. Во время исследования технологических данных процесса транспортировки жидкого чугуна было установлено, что количество локомотивов и миксеров, зависящее от длительности операций и, особенно, межоперационных простоев технологического процесса транспортирования чугуна, не всегда обеспечивает нормальный ритм основного производства. Это приводит к значительным производственным потерям. Следовательно, работа производственно-транспортного комплекса недостаточно эффективна. Разработана имитационная модель логистической системы транспортировки жидкого чугуна на металлургическом предприятии. Исследование и по- строение модели выполнено с использованием инструментального средства AnyLogic. В качестве исходных данных использованы реальные данные с производства, а именно расписание плавок доменных печей за трехнедельный период. Для доказательства адекватности модели полученные результаты сравнили с фактическим тактом движения миксеров, а также с теоретической потребностью конвертерного цеха. Данные о весе жидкого чугуна, доставленного в конвертерный цех, полученные в ходе моделирования, соотносятся с теоретическими. Эффективность работы имитационной модели достигается путем автоматического сбора в режиме реального времени всех статистических значений параметров объектов моделирования. Система за короткий промежуток времени (менее одной секунды) анализирует собранные данные и на их основе осуществляет принятие решений. В режиме работы имитационной модели «по умолчанию» управление движением миксеров осуществляется автоматически, без участия диспетчера, что повышает эффективность, а также скорость принятия решений. В имитационной модели предусмотрена симуляция сбоев в работе конвертерного цеха. Согласно результатам моделирования, можно сделать вывод о том, что система доставляет меньше жидкого чугуна в конвертерный цех, но сохраняет ритмичность. После возобновления работы всех конвертеров такт транспортировки выходит на необходимый уровень.

1. Емельянова Н.Ю. Информационная технология процесса контроля перевозки жидкого чугуна // Системы обработки информации. 2010. № 9. С. 32 – 36.

2. Jun-qing Li, Quan-ke Pan, Pei-yong Duan. Improved artificial bee colony algorithm for solving hybrid flexible flowshopwith dynamic operation skipping // IEEE Transactions on Cybernetics. 2016. Vol. 46. No. 6. P. 1311 – 1324.

3. Su L., Qi Y., Jin L.-L., Zhang G.-L. Integrated batch planning optimization based on fuzzy genetic and constraint satisfaction for steel production // International Journal of Simulation Modelling. 2016. Vol. 15. No. 1. P. 133 – 143.

4. Xiaoyan Yang, Bingmou Cui, Jie Chen. Intelligentized dispatching control of railway transport of molten iron in metallurgical enterprise // Proc. of 2013 Int. Conf. on Information Science and Computer Applications. Jianguo Hu ed. 2013. P. 287 – 293.

5. Гусев Ю.В. Математическая модель процесса транспортирования чугуна в конвертерный цех. – СПб: Питер, 2007. С. 287 – 293.

6. Bin Ge, Kai Wang, Yue Han. A design for simulation model and algorithm of rail transport of molten iron in steel enterprise // Сomputer Modelling & New Technologies. 2014. Vol. 18. No. 11. P. 1056 – 1061.

7. Feliks J., Majewska K. Agent-based modeling of steel production processes under uncertainty // METAL 2015: Proc. of Int. Conf. on Metallurgy and Materials, June 3 – 5, 2015, Brno, Czech Republic. P. 1739 – 1744.

8. Liu F. Analysis on organization and capability of hot iron transportation at Baosteel // Baosteel Technology. 2001. No. 5. P. 1 – 6.

9. Hua Yan, Jun Xuan, Nai-yuanTian. Research of time distribution in hot metal supply process // Iron and Steel. 2005. Vol. 40. No. 3. P. 21 – 24.

10. Sun J., Xue D. A dynamic reactive scheduling mechanism for responding to changes of production orders and manufacturing resources // Computers in Industry. 2001. Vol. 46. No. 2. P. 189 – 207.

11. Lixin Tang, Gongshu Wang, Jiyin Liu. A branch-and-price algorithm to solve the molten iron allocation problem in iron and steel industry // Computers & Operations. 2005. Vol. 2007. No. 34. P. 3001 – 3015.

12. Tang L., Wang X. Simultaneously scheduling multiple turns for steel color-coating production // European Journal of Operational Research. 2009. Vol. 198. No. 3. P. 715 – 725.

13. Tang L., Rong A., Yang Z. A review of planning and scheduling systems and methods for integrated steel production // European Journal of Operational Research. 2001. Vol. 133. No. 1. P. 1 – 20.

14. Tang L., Luh P.B., Liu J., Fang L. Steel-making process scheduling using Lagrangian relaxation // International Journal of Production. 2002. Vol. 40. No. 1. P. 55 – 70.

15. Engin O., Ceran G., Yilmaz M.K. An efficient genetic algorithm for hybrid flow shop scheduling with multiprocessor task problems // Applied Soft Computing. 2011. Vol. 11. No. 3. P. 3056 – 3065.

16. Ruiz R., Rodríguez J.A.V. The hybrid flow shop scheduling problem // European Journal of Operational Research. 2010. Vol. 205. No. 1. P. 1 – 18.

17. Wang Wenrui. Iron melt control and management system in Baosteel [Part one] // Metallurgical Industry Automation. 2001. No. 4. P. 22 – 24.

18. Liu Y.Y. The mix integer programming model for torpedo car scheduling in iron and steel industry // International Conference on Computer Information Systems and Industrial Applications. 2015. P. 731 – 734.

19. Куприяшкин А.Г. Основы моделирования систем: Учеб. пособие. – Норильск: НИИ, 2015. – 134 с.

20. Боев В.Д. Компьютерное моделирование: Пособие для практических занятий, курсового и дипломного проектирования в AnyLogic 7. – СПб.: ВАС, 2014. – 432 с.