The objective of this study is to model and maximize performance of an integrated Automated Guided Vehicle System (AGVS), which is embedded in a pull type multi-product, multi-stage and multi-line flexible manufacturing system (FMS). This study examines the impact of guide-path flexibility on system performance through the development of three different guide-path configurations which range from dedicated to flexible relationships between automated guided vehicles (AGVs) and machine/assembly station resources. The system is modelled using coloured Petri net method (CPN) and the simulation results lead to identify the resource redundancy which can be rectified to achieve lower overall cost of the system through the development of flexible guide-path configurations. The study is extended to seek global near-optimal conditions for each guide-path configuration using response surface method, which yields improvements in system throughput and cycle time along with a decrease in the numbers of AGVs.
1. Introduction
In modern manufacturing environments, automated guided vehicle systems have become an integral part of overall manufacturing systems. An AGVS contains one or more automated guided vehicles which are driverless vehicles used for horizontal movement of materials. AGVs are commonly used in facilities such as manufacturing plants, distribution centres, warehouses and transhipments. The AGVS studied in this paper is a discrete event dynamical system (DEDS), i.e. a dynamic system with state changes driven by occurrences of individual events. This DEDS is event driven, asynchronous and non-deterministic in nature. Also, the considered AGVS is integrated with FMS and is interacting with flexible manufacturing/assembly system. Petri net are powerful techniques to model such systems in that they can handle complex system modelling concepts and constraints. Moreover, coloured Petri net (CPN) provides compact models of large systems with a higher level of abstraction (Desrochers & Al-Jaar, 1995). Hence, this study uses CPN method for modelling the system and the data generated by the CPN model are used to develop the response surface models to explore near-optimal conditions of the system.
هدف از این مطالعه، مدل سازی و به حداکثر رساندن یک سیستم وسیله نقلیه هدایت شده خودکار ادغام شده (AGVS) است که در یک سیستم تولید انعطاف پذیر چند محصول، چند مرحله ای و چند خطی نوع کششی (FMS) جاسازی می شود. این مطالعه, تاثیر انعطاف پذیری مسیر-هدایت بر عملکرد سیستم را از طریق توسعه سه پیکربندی مسیر-هدایت مختلف بررسی می کند که اعم از مورد اختصاص داده شده به روابط انعطاف پذیر بین وسایل نقلیه هدایت شده خودکار (AGV) و منابع ایستگاه ماشین / مونتاژ می باشد. این سیستم با استفاده از روش شبکه رنگی پتری (CPN) مدلسازی می شود و نتایج شبیه سازی منجر به شناسایی ازدیاد منبع می شود که از طریق توسعه پیکربندی های مسیر-هدایت انعطاف پذیر برای دستیابی به هزینه پایین تر سیستم قابل اصلاح می باشد. این مطالعه با جستجوی شرایط کلی نزدیک به بهینه برای هر پیکربندی مسیر-هدایت با استفاده از روش سطح پاسخ گسترش می یابد که بهبودهایی را در کارایی سیستم و زمان چرخه همراه با کاهش تعداد AGVs حاصل می نماید.
1. مقدمه
در محیط های تولید مدرن، سیستم های وسایل نقلیه هدایت شده خودکار به بخشی جدایی ناپذیر از سیستم های تولید کلی تبدیل شده اند. یک AGVS حاوی یک یا چند وسیله نقلیه هدایت شده خودکار می باشد که وسایل نقلیه بدون راننده ای هستند که برای حرکت افقی مواد استفاده می شوند. AGVها معمولاً در تاسیساتی مانند کارخانه های تولید، مراکز توزیع، انبارها و انتقال به کشتی یا وسیله حمل و نقل دیگر استفاده می شوند. AGVهای مورد مطالعه در این مقاله, یک سیستم دینامیکی (پویا) رویداد گسسته (DEDS) است، یعنی یک سیستم پویا با تغییرات وضعیتی ناشی از وقوع رویدادهای منفرد. این DEDS دارای ماهیت رویداد-محور، آسنکرون و غیرقطعی است. همچنین AGVS در نظر گرفته شده با FMS ادغام می شود و با سیستم تولید / مونتاژ انعطاف پذیر تعامل دارد. شبکه پتری، تکنیک های قدرتمند برای مدل سازی چنین سیستم هایی هستند, زیرا می توانند مفاهیم و محدودیت های مدلسازی پیچیده سیستم را مدیریت کنند. علاوه بر این، شبکه رنگی پتری (CPN), مدل های فشرده سیستم های بزرگ را با سطح بالایی از بهبود ارائه می دهند (Desrochers & Al-Jaar، 1995). از این رو، این مطالعه از روش CPN برای مدلسازی سیستم استفاده می کند و داده های تولید شده توسط مدل CPN برای توسعه مدل های سطح پاسخ به منظور بررسی شرایط نزدیک به بهینه در سیستم استفاده می شود.
