Детальная информация

В данной работе представлена разработка многоуровневой имитационной модели производственной системы на основе модельно-ориентированного подхода. В качестве предметной области выбрана система, включающая три типа оборудования: установка Лапром 800, SHJ-20 и Техникс BP mini, для каждой из которых реализовано по три уровня моделирования — рецептурный, операционный и координационный. Задачи, которые решались в ходе научной деятельности: 1 Формирование архитектуры многоуровневой имитационной модели 2 Разработка моделей нижнего, среднего и верхнего уровней 3 Проведение серии имитационных экспериментов в среде AnyLogic 4 Разработка нейросетевой модели ранжирования рецептур Работа выполнена на основе производственного сценария компании ООО “Автоматика-сервис”, моделирующего процесс подбора и отработки рецептур. Была собрана обширная выборка рецептурных данных, рассчитаны значения ИПЭ, включающие показатели выхода, качества продукции и энергопотребления. Модель ранжирования построена на основе нейронной сети, обученной на нормализованных данных. Для достижения указанных результатов в работе было использовано программное обеспечение AnyLogic, облачные вычисления, базы данных технологических параметров, инструменты машинного обучения и среды анализа данных.

This paper presents the development of a multilevel simulation model of a production system based on a model-oriented approach. A system consisting of three types of equipment has been selected as the subject area: the Laprom 800, SHJ-20 and Technix BP mini units, for each of which three levels of modeling have been implemented — prescription, operational and coordination. Tasks that were solved during scientific activity: 1 Formation of the architecture of a multilevel simulation model 2 Development of models of lower, middle and upper levels 3 Conducting a series of simulation experiments in AnyLogic 4 Development of a neural network model for ranking prescription scenar-ios The work was performed based on the production scenario of Automatika-Service LLC, which simulates the process of selecting and testing solutions for the installation of Laprom 800, SHJ-20 and Technix BP mini. An extensive sample of prescription data was collected, and IP values were calculated, including indicators of yield, product quality, and energy consumption. The ranking model is based on a neural network trained on normalized data. To achieve these results, AnyLogic software, cloud computing, databases of technological parameters, machine learning tools and data analysis environments were used in the work.

• ВКР Титульный лист
• Задание на ВКР - Абышев
• 1
  • ВВЕДЕНИЕ
  • Глава 1 Основ имитационного моделирования
    • 1.1 Производство 4.0 и тренды
    • 1.2 Метрики эффективности и оценка сценариев
    • 1.3 Подходы к построению цифровых моделей в мире
    • 1.4 Методология многоуровневого моделирования и подходы
  • Глава 2 Разработка цифровой модели производственной системы
    • 2.1 Описание объекта моделирования
    • 2.2 Сбор и анализ исходных данных
    • 2.3 Архитектура многоуровневой модели
    • 2.4 Реализация и валидация цифровой модели
  • Глава 3 Облачные вычисления и эксперименты
    • 3.1 Моделирование случайных инцидентов в моделях
    • 3.2 Проведение экспериментов и результаты
  • Глава 4 Разработка модели ранжирования сценариев
    • 4.1 Постановка задачи и выбор алгоритма ранжирования
    • 4.2 Обучение и тестирование модели
    • 4.3 Выявление наилучших сценариев работы и рекомендации
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ А
  • ПРИЛОЖЕНИЕ Б
  • ПРИЛОЖЕНИЕ В