ＡＧＶ在车间设备两边的双向通道中行走，构建的ＡＧＶ物流仿真模型如图3所示。

图3AGV物流配送仿真模型

2.3 AGV物流配送仿真运行机制

假设当前有多个订单，车间没有空闲，在连续生产。当订单下达到产线后，产线以线边仓有空料框移出使用位置为信号，呼叫小车配送物料。为模拟该情景，采用原材料库按照节拍定时产生各种物料，当某物料达到满箱时呼叫ＡＧＶ小车进行配送。这种仓库按照节拍驱动物料配送时，当ＡＧＶ数量足够多时，能够排除因仓库物料短缺影响产线生产的因素。在ＳＩＭＩＯ的Ｐｒｅｃｅｓｓｅｓ中，对ＡＧＶ调度规则进行编程，判断每个物料仓库产生哪种物料，当该物料达到满箱时，仓库的ＴｒａｎｓｆｅｒＮｏｄｅ呼叫ＡＧＶ进行配送，否则等待。以防碰撞保护板（Ｂｏａｒｄｓ）为例，当生产防碰撞保护板的仓库达到96个物料（满箱）时，呼叫ＡＧＶ，否则等待。ＡＧＶ的响应规则如图4所示。

图4AGV的响应规则

三、仿真结果分析

3.1 参数设置

车间由26个工位、1个原材料库、1个上下箱体库、1个成品库和ＡＧＶ停车场组成。其中，自动化工位有19个、人工工位7个，自动化工位需要ＡＧＶ运输物料的工位有11个，已在图2中标出。ＡＧＶ在生产线两侧的双向通道通行，文中只讨论需要ＡＧＶ运输物料的工位，对模型进行简化。

对ＡＧＶ的数量、运载能力进行调配，配置合适的配送资源，使物料能够准时送到产线，不影响产线生产，使设备平均利用率、ＡＧＶ平均利用率达到最高，ＡＧＶ行走总路线长度最少。采用上述ＳＩＭＩＯ仿真模型，将案例相关数据运用到仿真模型中，对ＡＧＶ数量设置了7水平，分别为２、３、４、５、６、７、８，运输能力设置了7水平，分别为２００、２５０、３００、３５０、４００、４５０、５００个，设置运行时间为48ｈ。采用全因子实验方式，共进行49组实验。

3.2 AGV配送方案的方差分析

利用Ｍｉｎｉｔａｂ软件对配送方案数据进行处理，把配送方案数据表导入到数据窗格中，对数据进行方差分析，结果如表1所示。若Ｐ值小于0.05，则认为具有统计性显著影响。设备平均利用率、ＡＧＶ平均利用率和ＡＧＶ行走路线总长度的主效应分别如图5、图6和图7所示。

表1方差分析结果

图5设备平均利用率主效应

图6AGV平均利用率主效应

图7AGV行走路线总长度主效应

由表1可知：（1）ＡＧＶ的运输能力Ｐ值均大于0.05，说明ＡＧＶ的运输能力与设备平均利用率、ＡＧＶ平均利用率和ＡＧＶ行走路线总长度没有显著统计性差异；（2）ＡＧＶ数量Ｐ值均等于０，说明ＡＧＶ数量与设备平均利用率、ＡＧＶ平均利用率和ＡＧＶ行走路线总长度有显著差异。

由图5、图6和图7可知，ＡＧＶ运输能力在主效应图中是一条围绕中线波动很小的折线。由图5可知，随着ＡＧＶ数量增加，设备平均利用率先快速上升，当ＡＧＶ数量达到4之后趋于平稳。由图6可知，随ＡＧＶ数量增加，ＡＧＶ平均利用率先缓慢下降，当ＡＧＶ数量达到6之后呈直线下降趋势。由图7可知，随ＡＧＶ数量增加，ＡＧＶ行走路线总长度先快速上升，当ＡＧＶ数量达到6之后趋于平稳。因此，ＡＧＶ的运输能力对3种因变量没有显著性影响，同时可以看到当ＡＧＶ数量为2、3时，设备平均利用率不超过60％；当ＡＧＶ数量为8时，ＡＧＶ平均利用率不足70%。

3.3 AGV配送方案优化配置的敏感性分析

因运载能力无显著统计性影响，ＡＧＶ数量与设备平均利用率、ＡＧＶ行走路线总长度是正相关，与ＡＧＶ平均利用率是负相关。因此，如何权衡ＡＧＶ数量是解决问题的重点。采用响应优化方法，通过Ｍｉｎｉｔａｂ修改3个因变量的目的、权重和约束等，输入数据以49组实验结果为依据，ＡＧＶ运输能力为200个。设置设备平均利用率目标为最高的设备平均利用率，权重为9.6；ＡＧＶ平均利用率目标为最高的平均利用率，权重为0.2；行走路线总长度目标为最短的路线，权重为0.2。ＡＧＶ物流配送优化方案如表2所示，当ＡＧＶ数量为6时，ＡＧＶ行走路线总长度、ＡＧＶ平均利用率和设备平均利用率达到均衡，此方案为智能车间的物料配送的较优方案。

表2AGV物流配送优化方案

3.4 与原方案的性能对比

新能源电池包智能装配车间，原方案需订购3辆运载能力为300个／辆的ＡＧＶ。优化后的方案订购6辆运载能力为200个／辆的ＡＧＶ。对比优化前后的方案，结果如表3所示。

表3车间性能比较

由表3可得：从ＡＧＶ成本来看，可以选购运载能力比较低的ＡＧＶ，同时ＡＧＶ的数量增加了一倍；从结果来看，设备平均利用率跟成品下线数量得到了显著提高，分别提高了30％、28％，同时ＡＧＶ平均利用率和ＡＧＶ行走路线总长度出现了负面影响，其中ＡＧＶ平均利用率降低了95％、ＡＧＶ行走路线总长度增加了166％。但是，由于设备平均利用率的权重远远大于ＡＧＶ平均利用率和ＡＧＶ行走路线总长度的权重，而且单个电池包的净利润在1万元左右，产能提升带来的利润远远大于ＡＧＶ成本的投入。

因此，优化后的方案权衡了智能装配车间的成本投入和利润，使企业的收益最大化。企业可根据自身情况赋予设备平均利用率、ＡＧＶ平均利用率和ＡＧＶ行走路线总长度不同的权重，来权衡企业的资源投入，对于提高企业的生产效率、降低成本、增加利润有一定参考。

四、结论

本文以某新能源企业的智能装配车间为研究对象，利用ＳＩＭＩＯ仿真软件构建仿真模型，对物料配送小车的运载能力和物料配送小车数量进行分析。介绍了模型构建的主要过程和运行机制，设置了2因子7水平，进行了49组实验，得到了不同组合下的实验数据。借助Ｍｉｎｉｔａｂ软件对所得数据进行处理，通过方差分析得出因子与实验指标的相关关系来控制无关因子，最后通过响应优化得到了一个较优方案。研究成果为智能车间ＡＧＶ的配置提供了有效的方法，权衡了智能装配车间的ＡＧＶ成本投入和成品利润，保证车间的生产效率，提高利润。文中仅考虑了设备与ＡＧＶ连续运行状态的模型构建，未来可考虑设备与ＡＧＶ故障率等因素，以进一步贴近生产实际。