Моделирование и анализ цифрового двойника логистической инфраструктуры
Салакина Елизавета Александровна
Бакалавр 3 курса,
Сибирский государственный университет путей сообщения,
г. Новосибирск, Россия
E-mail: salakina@inbox.ru
Научный руководитель – Пятаев Максим Викторович
д.э.н., доцент, зав. кафедрой Системного анализа и управления проектами
Сибирский государственный университет путей сообщения,
г. Новосибирск, Россия
E-mail: procedure@inbox.ru
Simulation and analysis of the logistics infrastructure’s digital twin
Salakina Elizaveta Aleksandrovna
2nd grade bachelor-student,
Siberian State University, Novosibirsk, Russia
Scientific Supervisor – Pyataev Maksim Victorovich
Candidate of Sciences (Economics), Associate Professor, head of Systems analysis and project management department,
Siberian State University, Novosibirsk, Russia
В работе представлено построение и анализ логистической инфраструктуры с помощью методов имитационного моделирования цифровых моделей-двойников. Цифровой двойник цепи поставок поможет сократить издержки и повысить эффективность сети, а также оказать поддержку в принятии оперативных и тактических решений. Другими словами, модели-двойники могут найти широкое применение на всех этапах производственной цепочки в логистике и позволяют подбирать наиболее адекватные сценарии проведения технологических процессов во избежание сбоев и форс-мажоров.
Ключевые слова: логистика, цифровой двойник, имитационное моделирование, цепь поставок, склад
The paper presents the design and analysis of logistics infrastructure by means of simulation modeling of digital twin models. A supply chain digital twin allows for cost reduction and improved network efficiency, as well as support for operational and tactical decisions. In other words, digital twin models can be widely applied throughout the production chain in logistics and enable to select the most appropriate process scenarios to avoid process disruptions and force majeure.
Key words: logistics, digital twin, simulation modeling, supply chain, warehouse
Ввиду усиления требований к безопасности, с каждым днем возрастают объемы данных, и компании разных отраслей и разного размера прибегают к использованию технологии цифровых двойников (англ. Digital Twin), главной задачей которой является точное прогнозирование, предотвращение проблем до их возникновения и эффективное планирование на будущее. Концепция цифровых двойников как виртуального представления физического объекта используется уже более 30 лет, а за последние годы в связи с тотальной цифровизацией промышленных предприятий наметился качественный скачок в развитии и применении этой технологии.
Цифровой двойник – это точная компьютерная модель реальной системы. После внедрения в бизнес-процессы компании, модели-двойники используются как для краткосрочного планирования, так и в долгосрочной перспективе.
Логистическая цепочка представляет собой сложную систему. Это совокупность физических объектов, например, складов или распределительных центров, транспортных потоков и политик обслуживания, которые ими управляют. Поэтому внедрение и использование методов имитационного моделирования с возможностью создания цифровых двойников любого производственного объекта представляется целесообразным решением.
Такие технологии применяются для общего анализа логистических сетей, а также отражения отдельных элементов цепи поставок (фабрик, складов).
В данной работе используется инструмент для планирования логистики и создания цифровых двойников цепей поставок - anyLogistix (далее ALX). Цифровой двойник, созданный в ALX, позволит лучше контролировать цепь поставок, тестировать сценарии работы, проводить эксперименты и анализировать изменения [1, c. 6].
В состав модели-двойника входят следующие основные объекты:
- фабрика (завод) – 1 ед.;
- поставщики сырья, материалов или комплектующих – не менее 3 ед.;
- клиенты – не менее 10 шт. в самых крупных городах;
- произвольный спрос на производимую продукцию;
- количество наименований продуктов – 3 ед..
Условиями для построения и анализа модели послужили:
- фабрика производит и продаёт товары по партиям;
- минимальный размер партии - 50000 ед.;
- партию можно увеличивать с шагом в 5000 шт.;
- частота заказа - 1 раз в день;
- политика пополнения запасов - «Order on Demand» на складе готовой продукции.
В программе ALХ удалось создать модель компании по производству бижутерии. Компания находится на территории России и производит браслеты, сережки и подвески на собственном заводе, куда от поставщиков привозят сырье для производства: бисер, металлическую проволоку и кожаные ремешки. У компании по всей стране существует 15 клиентов в самых крупных городах: Новосибирск, Москва, Санкт-Петербург и Екатеринбург.
В программе ALX использовался GFA анализ, который применяется для поиска оптимального количества распределительных центров, а также для определения примерного расположения участков цепочки поставок можно определить оптимальное расположение складов [1, с. 18].
При помощи данного анализа были получены координаты наиболее подходящего расположения складов и определены поступающие от поставщиков потоки согласно реальным маршрутам (или расстояниям по прямой).
На рисунке 1 показана иерархическая система поставки материалов до завода, готовой продукции до складов, и со складов до клиентов. На рисунке 2 отображена иерархическая структура поставок сырья и готовой продукции.
Рисунок 1 – Расположение завода, поставщиков и пути, по которым доставляется сырье и готовая продукция.
Рисунок 2 – Иерархическая структура поставок сырья и готовой продукции.
Для оценки вместимости склада готовой продукции, а также всех остальных распределительных центров, следует перейти в раздел SIM-анализа, где был указан конечный продукт и его составляющие, стоимость конечного продукта для продажи и стоимость покупки составляющих; сформирован конечный продукт в разделе «ВОМ» (с англ. Bill of Materials – спецификация), задан его состав и количество потребного сырья и материалов; настроены схемы поставок сырья от поставщиков до завода, и готовой продукции от завода до складов, и затем до клиентов.Затем, для определения пиковой емкости складов и склада готовой продукции был запущен эксперимент и выведены элементы статистики на главную панель. На рисунке 3 показан график и численное значение, отражающий пиковую емкость или вместимость складов.
Рисунок 3 – Определение пиковой емкости складов.
Далее был определен размер парка транспортных средств для доставки
выбранного товара. В данном случае, используется грузовик вместимостью 80 м3, со скоростью 50 км/час. После проведения эксперимента, было выявлено среднее количество транспортных средств, в которых нуждаются склады и максимальное количество использования грузовиков. Данные о парке транспортных средств представлены на рисунке 4.
Рисунок 4 - Среднее и максимальное количество транспортных средств.
Таким образом, в данной работе, с помощью программы AnyLogistix была построена модель-двойник компании, занимающейся производством бижутерии. С помощью ГФА анализа было определено местоположение складов, а также грузооборот между складами и объемы отгружаемой продукции в год. С помощью имитационного моделирования (SIM) удалось оценить вместимость склада готовой продукции, а также всех остальных распределительных центров, использую параметр «Peak capacity». А также, удалось определить размер парка транспортных средств для доставки выбранного товара.
Данные, полученные инструментами имитационного моделирования логистической цепи поставок можно использовать для расчета площади склада. Более того, изменяя исходные данные можно в режиме реального времени наблюдать за работой цепи поставок.
Библиографический список:
1. Иванов Д. Supply chain simulation and optimization with anyLogistix: Teaching notes. - Berlin School of Economics and Law, 2017. – 147 с.
Материал размещен кафедрой «Логистика и маркетинг в АПК» Красноярского государственного аграрного университета
Источник: Материалы XV Международной научно-практической конференции «Логистика – Евразийский мост» ЛЕМ - 2020