ARENA Tutorial -2 Otto-von-Guericke-Universität Magdeburg Thomas Schulze ARENA Tutorial 1. Historisches 2. Basis-Elemente 3. Ergebnisanalyse 4. Modellierung von Transportvorgängen 5. Integration mit anderen Systemen 6. Customizing 7. Kontinuierliche und kombinierte Modelle Otto-von-Guericke-Universität Magdeburg Thomas Schulze 2
Fallstudie In einer Montageabteilung werden Ventilatoren montiert. Alle Teile der zu montierenden Ventilatoren werden in Kisten angeliefert, wobei die Zwischenankunftszeit einer Dreiecksverteilung entspricht (2,5,10). Alle Zeitangaben sind in Minuten. Es sind 4 Werker zur Montage vorgesehen. Die ankommenden Kisten werden gepuffert und der nächste freie Werker entnimmt eine Kiste Otto-von-Guericke-Universität Magdeburg Thomas Schulze 3 Fallstudie Die Montagezeiten sind werkerabhängig und unterliegen auch einer Dreiecksverteilung Werker 1 : (15, 18, 20) Werker 2 : (16, 19, 22) Werker 3 : (16, 20, 24) Werker 4 : (17, 20, 23) Nach der Montage werden die Ventilatoren geprüft. Mit einer Wahrscheinlichkeit von 7 % ist ein Ventilator defekt. Ein defekter Ventilator wird zu dem Werker zurück gesendet, der diesen auch montiert hat. Defekte Ventilatoren werden bevorzugt montiert. Die Reparaturzeiten sind um 30 % höher als die normalen Montagezeiten Otto-von-Guericke-Universität Magdeburg Thomas Schulze 4
Fallstudie Die Simulation soll 20 000 Minuten betragen Es soll die Auslastung der Werker und die Verweilzeit der Ventilatoren im System berechnet werden Modell (Model1.doe) Otto-von-Guericke-Universität Magdeburg Thomas Schulze 5 Abbildung der Werker Jeder Werker wird durch eine Ressource abgebildet Werker werden in einem Set zusammengefasst (Warum?) Otto-von-Guericke-Universität Magdeburg Thomas Schulze 6
SEIZE Nummer des Werkers Wird im Attribut gemerkt Otto-von-Guericke-Universität Magdeburg Thomas Schulze 7 DELAY Die Montagezeiten werden mittels Expressions abgebildet Reihenfolge entspricht der Nummerierung der Werker Bezugnahme im DELAY-Modul Otto-von-Guericke-Universität Magdeburg Thomas Schulze 8
Release Otto-von-Guericke-Universität Magdeburg Thomas Schulze 9 Kontrolle Otto-von-Guericke-Universität Magdeburg Thomas Schulze 10
Reparatur defekter Geräte Defekte Geräte an den betreffenden Werker mit höherer Priorität Priorität High Otto-von-Guericke-Universität Magdeburg Thomas Schulze 11 Delay für defekte Geräte 30% höhere Montagezeit Otto-von-Guericke-Universität Magdeburg Thomas Schulze 12
Release für defekte Geräte Otto-von-Guericke-Universität Magdeburg Thomas Schulze 13 Steuerung der Simulation Zeiteinheiten Otto-von-Guericke-Universität Magdeburg Thomas Schulze 14
Auslastung der Werker Otto-von-Guericke-Universität Magdeburg Thomas Schulze 15 Warteschlangen Otto-von-Guericke-Universität Magdeburg Thomas Schulze 16
Warteschlangen Otto-von-Guericke-Universität Magdeburg Thomas Schulze 17 Verweilzeit der Ventilatoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze 18
Ergebnisanalyse Terminating: Spezielle Bedingungen beim Start und beim Ende der Simulation Länge des Simulationslaufes ist definiert (über die Zeit oder durch eine Bedingung) Typisches Beispiel : Simulation einer Bank Steady-state: Langer Lauf (eigentlich unendlich) Initialisierungsbedingungen müssen ausgeschlossen werden. Eigentlich nicht klar, wie lange simuliert werden soll Typisches Beispiel: Unfallklinik, Produktionsprozess Otto-von-Guericke-Universität Magdeburg Thomas Schulze 19 Unabhängige Läufe Es werden 20 Simulationsläufe ausgeführt (Model2.doe) Otto-von-Guericke-Universität Magdeburg Thomas Schulze 20
Auslastung der Werker Otto-von-Guericke-Universität Magdeburg Thomas Schulze 21 Verweilzeit der Ventilatoren Otto-von-Guericke-Universität Magdeburg Thomas Schulze 22
Erweiterung der Fallstudie Zur Montage der Ventilatoren soll ein weiterer Werker eingestellt werden. Dieser zusätzliche Werker kann zu jedem der vier möglichen Plätze gestellt werden. Er übernimmt die Parameter des bestehenden Werkers Es ergeben sich zu der Ausgangssituation vier weiter Möglichkeiten. Welche ist die beste hinsichtlich Verweilzeit und WIP? Antwort: Otto-von-Guericke-Universität Magdeburg Thomas Schulze 23 Evaluierung mehrerer Alternativen Es müssen für jede Variante mehrer Läufe durchgeführt werden und die Werte müssen miteinander verglichen werden. Beispiel: 5 Varianten * 10 Läufen Durchführung und Verwaltung von 50 Simulationsläufen Unterstützung in ARENA durch den Process Analyzer (PAN) Otto-von-Guericke-Universität Magdeburg Thomas Schulze 24
PAN Basis von PAN sind Arena-Programmfiles *.p Scenario: Kombination eines Programmfiles mit einem Set von input controls und Einem Set von output responses Project: Sammlung von Scenarios Otto-von-Guericke-Universität Magdeburg Thomas Schulze 25 Controls und Responses Controls Variablen aus dem Modell Kapazität von Ressourcen Responses Variablen Counter Dstats Outputs Tallies Otto-von-Guericke-Universität Magdeburg Thomas Schulze 26
Scenario-Aufbau Hinweis: mit rechter Maustaste in der Scenario-Zeile werden Control und Responses hinzugefügt Otto-von-Guericke-Universität Magdeburg Thomas Schulze 27 Ergebnisse Model1.pan Otto-von-Guericke-Universität Magdeburg Thomas Schulze 28
Grafik Otto-von-Guericke-Universität Magdeburg Thomas Schulze 29 Erweiterung der Fallstudie Die zusätzlichen 4 Werker sollen nach den folgenden Bedingungen verteilt werden: An jeder Station mindestens 1 Werker Die Summe der Werker soll 8 nicht übersteigen Es ist die Variante mit der kleinsten mittleren Verweilzeit auszuwählen Es ergeben sich eine Vielzahl von möglichen Kombinationen Otto-von-Guericke-Universität Magdeburg Thomas Schulze 30
Optimierung mit OptQuest In PAN wurden die zu simulierenden Szenarios explizit vorgegeben Oft trifft man auf Situationen, wo man die Szenarios nicht explizit vorgeben kann oder will Lösung: Automatische Generierung der Szenarien Umsetzung innerhalb von OptQuest Otto-von-Guericke-Universität Magdeburg Thomas Schulze 31 OptQuest OptQuest ist ein selbständiges Optimierungstool, dass ARENA zur Simulation der Szenarien nutzt OptQuest übernimmt ein automatisches Handling über ARENA Varibalen setzen Start der Simulation Auswertung der Simulationsergebnisse ARENA COM object Model bildet das Interface OptQuest übernimmt die Kontrolle über das ARENA- Modell Otto-von-Guericke-Universität Magdeburg Thomas Schulze 32
OptQuest - Sequenz Modell wird initialisiert ARENA liefert die controls, constraints und objective/requirements OptQuest startet die Simulation mit den gewählten Ausgangswerten Die Anzahl der notwendigen Replikationen pro Simulation wird von OptQuest selbständig (nach Vorgaben) festgelegt. Nach einer Simulation wird mittels Optimierungsalgorithmen ein neuer Satz von Parametern bestimmt Diese Sequenz wird wiederholt, bis ein Maximum an Rechenzeit (z.b. 10 Minuten) verbraucht oder das Optimum gefunden wurde Otto-von-Guericke-Universität Magdeburg Thomas Schulze 33 Auswahl der Controls Otto-von-Guericke-Universität Magdeburg Thomas Schulze 34
Bestimmung der Constraints Otto-von-Guericke-Universität Magdeburg Thomas Schulze 35 Ergebnisse Otto-von-Guericke-Universität Magdeburg Thomas Schulze 36
Ergebnisse Otto-von-Guericke-Universität Magdeburg Thomas Schulze 37 Ergebnisse Otto-von-Guericke-Universität Magdeburg Thomas Schulze 38
Fallstudie Steady-State State Part arrivals, four cells, part departures Cells 1, 2, and 4: single machine each Cell 3: two machines newer one 20% faster Need: way to model non-identical resource units Circular layout of cells Parts enter at left, exit at right Otto-von-Guericke-Universität Magdeburg Thomas Schulze 39 Warm-up und Länge des Simulationslaufes Die meisten Modelle starten mit Empty und Idle Empty: Keine Entitäten zum Zeitpunkt 0 Idle: Alle Ressourcen sind frei zum Zeitpunkt 0 In Terminating-Simulationen ist das auch realistisch In Steady-State-Simulationen kann dadurch das Ergebnis verfälscht werden (Bias) Lösung: Start der Simulation mit einem reellen Zustand Simuliere so lange, dass der Anfangszustand keinen Einfluss mehr auf das Ergebnis hat Starte mit Empty und Idle, lasse das Modell warmlaufen (warm-up) und setze dann die Statistiken zurück Otto-von-Guericke-Universität Magdeburg Thomas Schulze 40
Warm-up und Länge des Simulationslaufes Wenn Warm-up, dann wie lange dauert diese Phase Es gibt keine praktikable Theorie Empirisches Vorgehen:» Plotte den Verlauf der Ergebnisgröße über der Zeit» Versuche visuelle die Anlaufphase zu erkennen Bei mehreren Ergebnisgrößen:» Nimm das Maximum» Die Anlaufphase muss für das gesamte Model angegeben werden Otto-von-Guericke-Universität Magdeburg Thomas Schulze 41 Ergebnisgröße WIP Im Daten-Modul Statistic (Advanced Process) wird eine Statistik definiert Jeder Wert dieser Statistik wird in eine Datei geschrieben Es werden 10 Läufe durchgeführt (Modell6-3) Otto-von-Guericke-Universität Magdeburg Thomas Schulze 42
Warm-up für WIP Mit dem Tool Ouput-Analyzer kann der Verlauf visualisiert werden Warm-up ist nach 2000 Minuten beendet Otto-von-Guericke-Universität Magdeburg Thomas Schulze 43 Trunced replications Die Länge der Anlaufphase ist bekannt Die Länge des gesamten Simulationslaufes ist bekannt Simulationsläufe wie eine Terminating-Simulation Otto-von-Guericke-Universität Magdeburg Thomas Schulze 44