SimPy离散事件仿真：工厂生产线建模与资源管理优化-Python教程-PHP中文网

SimPy离散事件仿真：工厂生产线建模与资源管理优化

本文深入探讨了如何使用python的simpy库对工厂生产线进行离散事件仿真。通过一个具体的工厂模型案例，我们详细解析了simpy中资源（如操作员、机器人、工装夹具）的定义与管理，以及如何编排复杂的生产流程。重点阐述了资源请求与释放的正确实践，特别是`with`语句与手动请求/释放的区别与适用场景，旨在帮助读者构建高效、准确的仿真模型，并有效排查潜在的死锁问题。

SimPy基础：离散事件仿真核心概念

SimPy是一个强大的Python库，用于进行离散事件仿真（Discrete Event Simulation, DES）。在SimPy中，系统状态只在离散的时间点上发生变化，这些时间点被称为“事件”。构建仿真模型主要涉及以下核心概念：

仿真环境 (Environment)：这是SimPy仿真的核心，负责管理时间和事件。所有SimPy进程都在环境中运行。
进程 (Process)：代表仿真中的一个活动或实体，例如一个零件的生产过程、一个操作员的工作循环。进程是Python生成器函数，通过yield语句与仿真环境交互，例如等待一段时间 (env.timeout()) 或等待资源 (resource.request())。
资源 (Resource)：代表数量有限、可被进程请求和释放的实体，例如机器、操作员、缓冲区或工装夹具。SimPy提供了多种资源类型，如Resource、Container、Store和PriorityResource。PriorityResource允许进程在请求资源时指定优先级，优先级值越小，优先级越高。

工厂生产线模型构建

本教程将通过一个模拟工厂生产线的案例来演示SimPy的应用。模型的目标是模拟零件在多个工位（机器人、操作员、夹具）之间流转的整个生产过程。

全局常量与设备定义

首先，定义一些全局常量，如仿真时长、操作员数量以及各种工艺操作所需的时间。

import simpy
import itertools

class g: # 全局常量
    t_sim = 600 # 仿真时长，这里设置为600秒，原为一天
    operator_qty = 2 # 操作员数量
    sWeld_t = 2.75 # 点焊时间 (秒/次)
    Adh_t = 1/60 # 涂胶时间 (秒/毫米)
    ArcStud_t = 5.5 # 拉弧螺柱焊时间 (秒/次)
    ProjStud_t = 10 # 凸焊螺柱时间 (秒/次)

登录后复制

cell_model类初始化：资源声明

cell_model类代表整个工厂单元，负责初始化仿真环境和所有生产资源。

class cell_model:
    def __init__(self):
        self.env = simpy.Environment() # 创建SimPy仿真环境
        self.part_counter = 0 # 零件计数器

        # 声明资源：操作员、机器人和工装夹具
        # PriorityResource 允许指定请求优先级，这里使用零件ID作为优先级，确保FIFO
        self.OP = simpy.PriorityResource(self.env, capacity=g.operator_qty)
        self.R1 = simpy.PriorityResource(self.env, capacity=1)
        self.R2 = simpy.PriorityResource(self.env, capacity=1)
        self.R3 = simpy.PriorityResource(self.env, capacity=1)
        self.R4 = simpy.PriorityResource(self.env, capacity=1)
        self.Fix01 = simpy.PriorityResource(self.env, capacity=1) # 夹具1
        self.Fix02 = simpy.PriorityResource(self.env, capacity=1) # 夹具2
        self.Fix101 = simpy.PriorityResource(self.env, capacity=1) # 夹具101

        # 启动零件生成器进程
        self.env.process(self.part_generator())

登录后复制

part_generator：零件生成器

part_generator是一个SimPy进程，负责周期性地生成新的零件，并为每个零件启动一个make_part进程。

    def part_generator(self):
        for p_Id in itertools.count(): # 无限生成零件ID
            yield self.env.timeout(1) # 每隔1秒生成一个新零件
            self.env.process(self.make_part(p_Id)) # 为新零件启动生产流程

登录后复制

核心生产流程：make_part方法详解

make_part方法是整个模型的核心，它定义了一个零件从进入生产线到完成生产的完整流程。每个零件（由p_Id标识）都会作为一个独立的SimPy进程，按照预定的步骤请求和释放各种资源。

流程分析：零件的生命周期

一个零件的生产流程包括：

操作员搬运与准备：操作员将零件从料箱取出，进行初步处理，并将其放置到夹具Fix01。
机器人R2点焊：机器人R2在Fix01上对零件进行点焊。
机器人R1搬运与焊接：机器人R1将零件从Fix01取出，进行一系列焊接操作，并将其放置到夹具Fix101。
机器人R4螺柱焊：机器人R4在Fix101上进行螺柱焊。
机器人R3搬运与涂胶：机器人R3将零件从Fix101取出，进行螺柱焊和涂胶，并将其放置到夹具Fix02。
操作员二次处理：操作员对Fix02中的零件进行二次处理。
机器人R2最终焊接：机器人R2在Fix02上完成最终的焊接。
操作员移除零件：操作员将完成的零件从Fix02移除，完成生产。

值得注意的是，机器人R2在流程的开始和结束阶段都会被调用。

资源请求与释放机制

在SimPy中，进程通过request()方法请求资源，并通过release()方法释放资源。当资源被请求时，如果其容量已满，请求进程会进入等待队列，直到资源可用。

SimPy资源管理的关键：with语句与手动请求/释放

在SimPy中，处理资源有两种主要方式：使用with语句或手动调用request()和release()。理解这两种方式的区别至关重要，尤其是在资源持有时间跨越多个不连续操作或需要等待其他资源时。

with语句的自动释放特性及其局限性

with resource.request() as req: 语句是Python上下文管理器的一种应用。当进程进入with块时，它会请求资源；当进程离开with块（无论是正常完成还是发生异常），资源都会被自动释放。

这种方式简洁方便，适用于资源在单个连续操作中被请求、使用并释放的场景。例如，如果一个机器人执行一个焊接任务，任务完成后立即释放机器人，那么with语句是理想选择。

然而，当一个资源需要在多个不连续的操作步骤中被持有，或者在持有该资源的同时，进程还需要请求其他资源并等待时，with语句的自动释放特性就会成为问题。如果资源在with块结束时被过早释放，而实际上进程仍需要它，就会导致模型行为不正确。

手动请求 (request()) 与显式释放 (release()) 的必要性

为了解决with语句的局限性，SimPy允许手动管理资源的请求和释放。

MarsCode

字节跳动旗下的免费AI编程工具

279

查看详情

请求资源：
```
resource_request = self.Resource.request(priority=p_Id)
yield resource_request # 等待直到资源可用
```
登录后复制
这里，resource_request是一个事件对象，yield语句使进程暂停，直到资源被成功获取。
释放资源：
```
yield self.Resource.release(resource_request)
```
登录后复制
当进程不再需要资源时，它必须显式地调用release()方法来释放之前请求的资源。这允许进程在持有资源的同时执行其他操作、等待其他资源，并在合适的时机释放。

案例分析：修正资源释放逻辑

在原始代码中，许多资源（如OP, Fix01, R1, Fix101, R3, Fix02）使用了with语句，但在with块内部又进行了其他资源的请求或长时间的等待。这导致这些资源在with块结束时被过早释放，与实际的生产流程不符。

例如，操作员(OP)在将零件放到Fix01后就应该被释放，而不是等到Fix01的整个操作完成。同样，Fix01在零件被机器人R1移走后才应该被释放。

修正后的代码将这些关键资源的请求和释放改为手动管理，确保资源只在真正不再需要时才被释放。对于那些使用场景确实是连续且独立的资源（如R2和R4的某些步骤），with语句仍然是合适的。

以下是make_part方法中修正后的关键部分：

    def make_part(self,p_Id):#描述单个零件在单元中经历的系列过程
        ### OP请求 ###
        OP = self.OP.request(priority=p_Id) # 手动请求操作员
        print(f"part {p_Id} OP request at {self.env.now}")
        yield OP # 等待操作员可用
        print(f"part {p_Id} OP seized at {self.env.now}")
        print("Part ", p_Id, " is next available at ", self.env.now, sep="")
        yield self.env.timeout(29)# 操作员搬运零件到工作台

        ### 请求Fix01 ###
        Fix01 = self.Fix01.request(priority=p_Id) # 手动请求夹具Fix01
        print(f"part {p_Id} Fix01 request at {self.env.now}")
        yield Fix01 # 等待夹具Fix01可用
        print(f"part {p_Id} Fix01 seized at {self.env.now}")
        yield self.env.timeout(27) # 操作员加载零件，退出，开始

        ### 释放OP ###
        yield self.OP.release(OP) # 操作员完成任务，释放
        print(f"part {p_Id} OP released at {self.env.now}")
        print("Operator 01 released part ", p_Id, " at ", self.env.now, sep="")
        yield self.env.timeout(0)

        ### 请求和释放R2 (使用with语句，因为R2在此阶段使用是连续的) ###
        with self.R2.request(priority=p_Id) as R2_req: # R2请求
            print(f"part {p_Id} R2 request at {self.env.now}")
            yield R2_req # 等待R2可用
            print(f"part {p_Id} R2 seized at {self.env.now}")
            print("R2 moves to Fixture 01 to work on part ", p_Id, " at ", self.env.now, sep="")
            yield self.env.timeout(g.sWeld_t*11) # R2进行11次点焊
        print(f"part {p_Id} R2 released at {self.env.now}") # R2在此处自动释放

        ### 请求R1 ###
        R1 = self.R1.request(priority=p_Id) # 手动请求R1
        print(f"part {p_Id} R1 request at {self.env.now}")
        yield R1 # 等待R1可用
        print(f"part {p_Id} R1 seized at {self.env.now}")
        yield self.env.timeout(8) # R1将零件移出Fix01
        print("Part ", p_Id, " is leaving Fixture 01 at ", self.env.now, sep="")

        ### 释放Fix01 ###
        yield self.Fix01.release(Fix01) # Fix01被清空，释放
        print(f"part {p_Id} Fix01 released at {self.env.now}")
        # ... (后续流程类似，手动管理OP, Fix101, R3, Fix02的请求和释放)

登录后复制

通过这种方式，我们可以精确控制资源的生命周期，使其与实际的物理流程更加吻合。

模拟运行与调试

run方法：启动仿真

cell_model的run方法负责启动SimPy仿真环境，并指定仿真运行的时间长度。

    def run(self,t_sim=g.t_sim): # 运行方法启动实体生成器并告诉Simpy开始运行环境
        self.env.run(until=t_sim)

登录后复制

死锁：复杂仿真中的常见挑战

即使修正了资源释放逻辑，复杂的仿真模型仍然可能遇到“死锁”问题。死锁发生在两个或多个进程相互等待对方释放资源，从而导致所有相关进程都无法继续执行的情况。

例如，如果进程A持有资源X并等待资源Y，同时进程B持有资源Y并等待资源X，那么就会发生死锁。

在修正后的代码中，通过添加详细的print语句来记录每个零件在何时请求、获取和释放了哪个资源，这对于识别死锁非常有帮助。通过分析这些日志，可以追踪进程的执行路径，找出哪些资源被长时间持有，以及哪些进程在等待无法获得的资源。当仿真提前结束或某些进程不再有输出时，通常是死锁的迹象。

代码示例：优化后的工厂模型

import simpy
import itertools

class g:#global constants
    t_sim = 600 #24*60*60 #maximum simulation set to a day and 1 second

    operator_qty = 2 #how many operators? (assume as interchangeable across any operator type process, helps us ask "what is the difference between two running it and one?")

    sWeld_t = 2.75 #seconds per spot weld
    Adh_t = 1/60 #seconds/mm to apply sealant or adhesive
    ArcStud_t = 5.5 #seconds/drawn arc stud weld
    ProjStud_t = 10 #seconds/projection stud weld


class cell_model: #represents entire factory cell in which all processes, resources and the modelling environment itself are held
    def __init__(self):#initial conditions of cell
        self.env = simpy.Environment() #create simpy environment
        self._dict=dict()
        self.part_counter = 0 #initialize @ part number zero
        self.OP = simpy.PriorityResource(self.env,capacity=g.operator_qty)#implement resources, limited number of operators to do operator process, we assume operators can switch
        #Declare all robots as resources, process cannot proceed unless proper resource is available
        self.R1 = simpy.PriorityResource(self.env,capacity=1) #declare each robot as a resource (like a bin), each robot can only hold 1 part entity at a time, each robot can be in or out of a process (availability changes by request and release commands within a process)
        self.R2 = simpy.PriorityResource(self.env,capacity=1)
        self.R3 = simpy.PriorityResource(self.env,capacity=1)
        self.R4 = simpy.PriorityResource(self.env,capacity=1)
        #Declare all Fixture points as resources, a fixture can be interacted with as long as the robot is outside the relevant fixture process
        self.Fix01 = simpy.PriorityResource(self.env,capacity=1)#a bin of capacity 01, holds one part at a time, becomes available once released by a process, becomes unavailable when requested by a process
        self.Fix02 = simpy.PriorityResource(self.env,capacity=1)
        self.Fix101 = simpy.PriorityResource(self.env,capacity=1)

        self.env.process(self.part_generator())


    def make_part(self,p_Id):#describe the set of processes one single part would experience going through the cell, we will then try to cram the parts throught this process as fast as possible
        ### OP request ###
        OP = self.OP.request(priority=p_Id) 
        print(f"part {p_Id} OP request at {self.env.now}")
        yield OP #request an operator and wait until one is available
        print(f"part {p_Id} OP seized at {self.env.now}")
        print("Part ", p_Id, " is next available at ", self.env.now, sep="")#report part in time
        yield self.env.timeout(29)#operator walks part to tape bench, tapes part, takes part to fixture 01

        ### reqeust Fix01 ###
        Fix01 = self.Fix01.request(priority=p_Id)
        print(f"part {p_Id} Fix01 request at {self.env.now}")
        yield Fix01 #while using the operator resource, request the Fixture, wait until it is avialable to proceed further
        print(f"part {p_Id} Fix01 seized at {self.env.now}")
        yield self.env.timeout(27) #operator loads parts, exits, hits start.

        ### op release ###
        yield self.OP.release(OP) #done with operator, release him back to resource pool
        print(f"part {p_Id} OP released at {self.env.now}")
        print("Operator 01 released part ", p_Id, " at ", self.env.now, sep="")
        yield self.env.timeout(0) #take a beat b4 next request

        ### request and release R2 ###
        ### R2 is released in the with block so we can keep this one
        with self.R2.request(priority=p_Id) as R2_req:   
            print(f"part {p_Id} R2 request at {self.env.now}") 
            yield R2_req #I need R2 now, request to proceed
            print(f"part {p_Id} R2 seized at {self.env.now}")

登录后复制

以上就是SimPy离散事件仿真：工厂生产线建模与资源管理优化的详细内容，更多请关注php中文网其它相关文章！