6. Анализ и оценка результатов моделирования

По результатам имитационного моделирования получены следующие результаты:

• Коэффициенты использования станков: 92, 90, 87,42,10,100,98% процентов соответственно для станков с первого по седьмой.

• Количество забракованных деталей: 9

• Максимальные размеры очередей станков: 2,2,2,2,2,501,490 соответственно для станков с первого по седьмой.

• Среднее время пребывания в очереди станков: 22.5, 21.13,16.69,9.16.5.53,6124.48,6133.05 соответственно для станков с первого по седьмой.

• Прибыль цеха: 991x200+242x45-208x(3x4+3x2+1.5x2)=204722

Смоделированная модель работает неэффективно. Загрузка станков первичной обработки неоднородная – станки второго типа загружены недостаточно и простаивают, в тоже время станки третьего типа перегружены, время ожидания в накопителе и очереди на вторичную обработку велико.

7.Оптимизация функционирования системы

Оптимизируем существующую систему. В качестве параметра для оптимизации выберем _– среднее время нахождения детали в система. Уровни факторов будут изменяться согласно данным, приведенным в таблице 1.

В табл. 2 приведена матрица планирования для проведения полного факторного эксперимента. Полный факторий эксперимент дает возможность определить коэффициенты регрессии, соответствующие не только линейным эффектам, но и всем эффектам взаимодействий. При проведении эксперимента используют либо исходные значения факторов, либо стандартизованные значения (для удобства). Для перехода к стандартизованным значениям применяют преобразование:

Таблица 1 Уровни факторов модели

Факторы (обозначение)	Содержательная интерпретация факторов	Уровни факторов			Интервал варьирования, единицы измерения
		-1	0	+1
	Среднее время выполнения заданий станком первого типа	29	31	33	2
	Среднее время выполнения заданий станком второго типа	19	21	23	2
	Среднее время выполнения заданий станком третьего типа	22	24	26	2

Таблица 2 Матрица планирования эксперимента

Номер эксперимента	X1	X2	X3	X1X2	X1X3	X2X3	X1X2X3	Y
1	29	19	22	551	638	418	12122	643.6
2	29	19	26	551	754	494	14326	1613.45
3	29	23	22	667	638	506	14674	638.12
4	29	23	26	667	754	598	17342	1599.67
5	33	19	22	627	726	418	13794	616
6	33	19	26	627	858	494	16302	1572.63
7	33	23	22	759	726	506	16698	614.53
8	33	23	26	759	858	598	19734	1571

Построим диаграммы рассеяния зависимости параметра оптимизации от значения фактора

Рис.3 Диаграмма рассеяния для линейной модели (Y(X1))

Рис.4 Диаграмма рассеяния для линейной модели (Y(X2))

Рис.5 Диаграмма рассеяния для линейной модели (Y(X3))

Рис.6 Диаграмма рассеяния для линейной модели (Y(X3))

Рис.7 Диаграмма рассеяния для линейной модели (Y(X1X3))

Рис.8 Диаграмма рассеяния для линейной модели (Y(X2X3))

Рис.9 Диаграмма рассеяния для линейной модели (Y(X1X2X3))

Проведём расчет матрицы выборочных коэффициентов корреляции Спирмена для определения значимых факторов.

Рис.10 Матрица выборочных коэффициентов корреляции Спирмена

Исходя из данных рисунка 10 предполагаем, что значимыми факторами являются факторы X1 и X3. Проводим проверку с помощью параметрической идентификации модели функции реакции.

Рис.11 Результат регрессионного анализа параметра Y(X1, X3)

Предположение подтверждается, влияния выбранных факторов на параметр Y приближается к величине в 100%.

Рис.12 Анализ остатков

Рис.13 Оценка коэффициентов функции реакции

Исходя из данных рисунка 13, строим уравнение корреляции:

Y=-4424.31-7.52x1+240.28x3→MIN

29≤X1≤33

22≤X3≤26

Y(MIN)= 643.77