悠悠楠杉
网站页面
使用SimPy进行工厂生产线离散事件模拟
11/11
python
def processpart(self, partid):
# 原材料处理
with self.rawmaterialstation.request() as request:
yield request
processingtime = random.uniform(2, 4) # 随机处理时间（分钟）
yield self.env.timeout(processingtime)
print(f"{self.env.now:.2f}分钟: 工件 {part_id} 完成原材料处理")
# 机械加工
with self.machining_station.request() as request:
yield request
machining_time = random.uniform(5, 8)
yield self.env.timeout(machining_time)
print(f"{self.env.now:.2f}分钟: 工件 {part_id} 完成机械加工")
# 质量检测
with self.quality_station.request() as request:
yield request
inspection_time = random.uniform(1, 3)
yield self.env.timeout(inspection_time)
print(f"{self.env.now:.2f}分钟: 工件 {part_id} 通过质检")
上述代码中，yield self.env.timeout(t) 表示该进程暂停t个时间单位，模拟操作耗时；而资源请求则确保同一时间只有一个工件能使用某台设备。
为了模拟连续不断的工件流入，我们还需定义一个“生成器”函数，定期创建新工件并启动其处理流程：
python
def part_arrival(env, production_line):
part_id = 0
while True:
part_id += 1
env.process(production_line.process_part(part_id))
inter_arrival_time = random.expovariate(0.5) # 平均每2分钟来一个工件
yield env.timeout(inter_arrival_time)
最后，搭建主程序逻辑。我们设定模拟运行时间为60分钟，观察系统行为：
python
env = simpy.Environment()
line = ProductionLine(env)
env.process(part_arrival(env, line))
env.run(until=60)
运行后，控制台将输出每个工件在各阶段的完成时间。通过分析这些日志，我们可以发现：机械加工阶段耗时最长，且资源请求排队频繁，极有可能成为系统瓶颈。进一步地，可扩展模型加入设备故障机制——例如每运行10分钟有10%概率停机维修10分钟——以评估可靠性对产能的影响。
SimPy的强大之处在于其事件驱动架构，能够精确刻画时间流逝与并发行为。结合Python的数据处理生态，仿真结果可轻松导出至Pandas进行统计分析，或用Matplotlib绘制成图，直观展示等待队列长度、资源利用率随时间的变化趋势。
总之，利用SimPy进行工厂生产线模拟，不仅成本低、迭代快，还能深入揭示系统动态特性。对于工程师而言，这是一种将理论分析与实践验证紧密结合的有效手段。
