L8-3 Fasi Di Un Progetto Di Simulazione PDF

Fasi di uno studio di
simulazione
Corso di Progettazione degli Impianti

Prof. Sergio Cavalieri, Ing. Chiara Cimini
1
Le fasi principali
Formulazione del Documentazione
problema e scelta e report risultati
degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
dettaglio del modello
conduzione degli
esperimenti
Raccolta ed Stesura del

elaborazione dati modello logico Validazione
del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore
Prof. Sergio Cavalieri - Riproduzione riservata 2
Il team di progetto
Il cliente Il progettista
L’analista
degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore

Formulazione del problema
▪Richiede la definizione precisa del problema
▪E’ fondamentale l’individuazione degli obiettivi e dei vincoli
▪Necessità di redigere un piano di progetto che preveda:
• gli scenari di simulazione che si intende analizzare
• i tempi del progetto
• le persone del team e il loro ruolo
• gli incontri intermedi di condivisione o review del progetto
• i deliverable di ogni fase
• e, ovviamente…, i costi e le procedure di fatturazione

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore
Scelta del grado di accuratezza del modello
• Variabili - distinzione tra:

• variabili esogene (es: tempi lavorazione)
• variabili decisionali (es: numero macchine)
• variabili endogene (es: tasso saturazione)
• Vincoli
• Misure di performance
• derivano dalle variabili endogene
• scelta della funzione obiettivo (rischio di trade-off tra più
misure di performance)

Scelta del grado di accuratezza del modello
SISTEMA
Livello di
Scopo Confini
dettaglio
Misure di Alternative di
performance progetto
Modello
Implementazione
Il trade-off costi-dettaglio
Dettaglio
Tempi - Costi

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore
Raccolta dati: problemi
L’esperienza insegna che:
• L’attività di raccolta dati è spesso molto laboriosa e complessa e
richiede un notevole dispendio temporale
• L’esito di questa attività condiziona notevolmente la qualità del
modello di simulazione generato (effetto GIGO)
• Spesso, la mancanza di dati o di dettaglio dei dati comporta una
ridefinzione del grado di accuratezza del modello concettuale e del
dominio di indagine dello studio di simulazione

Tecniche di raccolta e analisi dei dati
• Obiettivo: utilizzare una distribuzione statistica parametrica in luogo di
un set di dati sperimentali
• Un esempio:
• Set di dati relativo ai tempi di servizio
• 23 valori registrati
Istogramma dei tempi di servizio
5
4
3
2
1
0
0 20 40 60 80 100 120 140 160 180 200 220

La scelta della migliore distribuzione
23
x ij
Xˆ i =
j =1
Valore medio = 72,22
23
Dev. Standard 23 ( xij − xˆi ) 2
i = j =1 22
= 37,49
Coeff. Variazione
i
CV = = 0,52
Coeff. Asimmetria xˆi
23
1
 ij i
( x
j =1
− ˆ
x ) 3
i = = 0,88
23  3

La scelta della migliore distribuzione
Come interpretare questi valori?

• Un CV prossimo a 1 ci suggerisce una buona probabilità di utilizzare una
esponenziale negativa
• Valori di d prossimi a 0 indicano una distribuzione simmetrica e quindi la
possibilità di utilizzare una normale
• Ecc…...

Le alternative possibili….
Distribuzione binomiale Distribuzione poissoniana
Distribuzione normale Distribuzione esponenziale

Nel nostro esempio….
5
4
3
Istogramma dei tempi di servizio
??
2
1
0
0 20 40 60 80 100 120 140 160 180 200 220

Alcune note basate sull’esperienza...
• Edward J. Villiams - Ford Motor Company

• Beware of the normal distribution: normality is rarely normalcy”
• The triangular is often useful as a first approximation to the gamma,
Weibull, or lognormal
• Uniform or triangular often suffice for travel time of AGV or forklift
truck
• Downtime - take care distinguish between MTTF and MTBF
• Erlang often useful for MTBF
• Gamma, Weibull or lognormal often useful for MTTR
• If no closed-form distribution choice appeals, consider using the empirical

data directly to generate random variates within the simulation

Raccolta dati: sintesi
• Dati in input spesso affetti da stocasticità

• Determinazione della distribuzione di probabilità
• Esistono due metodi fondamentali:
• Usare l’effettivo campione per rappresentare la distribuzione di
probabilità
• Individuare una distribuzione di probabilità appropriata
• Necessità di:
• avere un campione il più possibile casuale, con osservazioni
indipendenti
• è bene non raccogliere tutte le osservazioni in una stessa sessione

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore
Stesura del modello logico
AUTOD. MAGAZZ. VERNICIATURA
PRIME LAVORAZIONI
COMP. INGOMBRANTI
AREA
INTERFACCIA PREP.
GRUPPO
MAGAZZINO MANTEL.
COMB.
LINEE
GRUPPO GRUPPO GRUPPO

TELAIO TELAIO TELAIO

CRUSC. CRUSC. CRUSC.

POMPA POMPA POMPA

C.S.A. C.S.A. C.S.A.

VALV. VALV. VALV.
LINEA LINEA
LINEA
2 1
3
MANT. MANT. MANT.

FINALE FINALE FINAL
E
CARRELLO ELEVATORE
AGV
RULLIERA

Prima il modello e dopo i dati
• E’ consigliabile procedere alla concettualizzazione del modello statico

prima della fase di raccolta dati
• In questo modo è possibile comprendere quali dati sono necessari, e quale

livello di dettaglio è richiesto
• Ciò permette di ridurre il rischio di eventuali ricicli nello svolgimento delle

attività di un progetto di simulazione

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore

Costruzione del modello fisico
AUTOD. MAGAZZ. VERNICIATURA

PRIME LAVORAZIONI
COMP. INGOMBRANTI
AREA
INTERFACCIA PREP.
GRUPPO
MAGAZZINO MANTEL.
COMB.
LINEE

TELAIO TELAIO TELAIO

CRUSC. CRUSC. CRUSC.

POMPA POMPA POMPA

C.S.A. C.S.A. C.S.A.

VALV. VALV. VALV.
LINEA LINEA
LINEA
2 1
3
MANT. MANT. MANT.

FINALE FINALE FINAL
E
CARRELLO ELEVATORE
AGV
RULLIERA
Esempio di programmazione modulare

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore

Fase di verifica del modello
La verifica si riferisce alla correttezza, consistenza e completezza del
modello e all’implementazione del modello in relazione alle specifiche del
progetto (definite nel modello concettuale)
Principali tecniche utilizzate

• Tracing della simulazione
• Confronto con modelli analitici
• Utilizzo dell’animazione grafica

Fase di verifica del modello

Fase di validazione
La validazione riguarda la
correttezza, consistenza e
completezza del modello
rispetto al sistema reale
Attenzione!! Il modello non

deve necessariamente
essere una esatta replica
della realtà!!

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore

Progettazione e conduzione degli esperimenti
• Qual è la lunghezza dei run?
• Quanti run di simulazione vanno eseguiti?
• Quali configurazioni di modelli dovrebbero essere simulate?
• Come analizzare gli output?
• Qual è il modo più efficiente per eseguire i run?

Problema del transitorio iniziale
•Simulazioni terminating -
Caratterizzate da un evento E che determina la lunghezza di ciascuna
replica e rappresenta un istante temporale oltre il quale il sistema si svuota
o comunque non si ottengono più informazioni utili.
Il transitorio è parte integrante delle repliche e quindi non va eliminato.
Es: call-center, supermercato, impianto

Problema del transitorio iniziale
•Simulazioni non terminating –

Non esiste un evento che determini la lunghezza del run e dunque è
necessario utilizzare tecniche per la determinazione della lunghezza
ed eliminare il transitorio.
Come?
- In modo empirico
- Con run molto lunghi
- Con metodologie grafiche o statistiche

Progettazione e conduzione degli esperimenti
• Esistono in genere numerose Numero

configurazioni alternative che Operatori
possono essere ragionevolmente
simulate.
• Le diverse configurazioni possibili
del sistema derivano da diversi
valori che possono essere dati
alle variabili decisionali del Numero
Ordini
modello.
Livelli di Priorità
Ordini

Un esempio
Si prenda un modello in cui si sia deciso di sperimentare:
• 5 fattori (es. numero di risorse produttive, livello di specializzazione degli operai,

numero di operai, politiche di gestione degli ordini, politiche di gestione degli stock),
• ognuno dei quali con 4 livelli (es. 4 diversi opzioni di dimensionamento delle risorse
produttive)
Per condurre tutti i possibili esperimenti di questo piano fattoriale è necessario
realizzare 45 = 1.024 scenari di sperimentazione.
• Trattandosi per esempio di una simulazione terminating, per cui si sono previsti
almeno 5 run di simulazione di lunghezza determinata per ogni scenario di
simulazione, si renderebbero necessari un totale di 5.120 run di simulazione.
• Se un run di simulazione richiedesse anche solo 5 minuti di esecuzione a calcolatore,
servirebbero 25.600 minuti di calcolo, pari a quasi 18 giorni di progetto, simulando
24 ore al giorno!

Tecniche DOE
• Esistono diverse tecniche, che prendono il nome di tecniche per design of
experiments, che supportano il progettista nella individuazione di un set di
valori delle variabili in ingresso in corrispondenza dei quali si ha la
massimizzazione della funzione di risposta del sistema.
• Tra queste la più utilizzata è la progettazione fattoriale a due livelli, la

quale permette di operare una prima selezione tra i fattori in base al loro
grado di influenza sulle prestazioni del sistema.

Piano fattoriale 2k

Un esempio – Caso Pannelli
• Una media azienda italiana ha intrapreso un progetto di simulazione per verificare alcune
alternative gestionali.
• L’azienda progetta e realizza prodotti in materiale composito, per il settore avionico. Uno
dei prodotti di punta è costituito dai cosiddetti pannelli sandwich, strutture a nido d’ape
rivestite di materiale composito, utilizzate per i pavimenti degli aeroplani.
• Dopo un’attenta fase di modellazione, le alternative gestionali si sono ridotte alla
combinazione di 3 diversi fattori: mix produttivo, grado di urgenza degli ordini di
produzione, numero di operatori presenti tra due reparti alternativi (Finitura – Fin – e
Laminazione – Lam). In particolare, il fattore di mix produttivo si riferisce alla possibilità di
variare il mix di produzione aumentando la percentuale sulla produzione totale di pannelli
sandwich.
• Per ogni fattore si è inizialmente deciso di sperimentare interamente 3 livelli, comprendenti
la situazione AS IS.
• La simulazione, di natura non-terminating, deve prevedere almeno 4 run di una data
lunghezza temporale, per un tempo di calcolo di quasi 30 minuti a run.
• Adoperando tali indicazioni, occorrerebbe sperimentare 27 (= 33) scenari, per un totale di
108 (=27 x 4) run di simulazione, corrispondente a circa 54 ore di calcolo in continuo.
• L’ipotesi di ricorrere ad un progetto 2k (= 8 scenari = 32 run) è però troppo limitante: infatti, uno
dei tre fattori, il mix produttivo, deve essere testato secondo tutti e 3 i livelli fissati (35%, 46% e
55 % di distribuzione dei pannelli sandwich), giacché il suo impatto è stimato di notevole
rilevanza ed è il vero motivo per cui si è deciso di condurre un progetto di simulazione.
• Fortunatamente, il modello di simulazione riproduce una situazione realmente esistente,
identificabile come punto P0 di sperimentazione.
• Dato questo punto P0, è possibile definire un piano (o spazio) degli esperimenti in grado di
fornire indicazioni significative all’analista riducendo i livelli di 2 fattori: dai 3 livelli inizialmente
previsti per il grado di urgenza e numero degli operatori, si decide di accontentarsi di soli 2
livelli, definiti come punti di sperimentazione equidistanti dal punto P0 esistente.
• Il fattore Manodopera deve essere testato verificando solo due condizioni: inserire – rispetto
alla situazione attuale – un operatore in più in Finitura (Fin) oppure inserire un operatore in più
in Laminazione (Lam);
• il fattore Urgenza prevede una situazione di calo di urgenza (-5%) e una di aumento (+ 15%),
rispetto a una situazione media reale del 10% di ordini di produzione urgenti sul totale degli
OdP previsti.

• Data questa decisione, si è in grado di ridurre il
numero di scenari da 27 a 12 (= 2 x 2 x 3),
definendo i livelli in maniera adeguata
nell’intorno di un punto le cui condizioni sono
note a priori (la situazione attuale).
• Il numero di sperimentazioni scende a 48 e il
tempo di calcolo si dimezza.
• A queste si aggiunge la simulazione del punto
P0, situazione attuale, che però è
presumibilmente già stata svolta in fase di
validazione.

degli obiettivi
Analisi dei
risultati
Scelta del grado di
accuratezza e di
Progettazione e
conduzione degli
esperimenti

del modello logico
Costruzione del
Verifica del
modello fisico su
modello fisico
calcolatore

Analisi dei risultati
• L’importanza di tale fase è dovuta al fatto che, per modellizzare i sistemi
reali nel processo di simulazione, si utilizzano modelli di tipo stocastico,
in cui gli input e i vari parametri sono costituiti da variabili casuali.
• Di conseguenza, anche le variabili di output del modello, che
rappresentano le misure di performance, sono di tipo stocastico.
Saturazione Operatori (%)
Stampa Taglio Abbinamento Jolly Totale
Run 1 54,590 52,890 79,730 82,270 67,414
Run 2 53,500 57,630 81,820 86,600 70,355
Run 3 53,160 53,830 84,000 85,480 69,230
Run 4 52,660 57,180 82,100 85,310 69,718
Run 5 53,190 55,700 82,770 82,290 68,594
Media 53,420 55,446 82,084 84,390 69,062
Varianza 0,518 4,246 2,438 3,956 1,266
t di Student 2,132 2,132 2,132 2,132 2,132
h 0,686 1,965
Prof. Sergio Cavalieri - Riproduzione1,489
riservata 1,896 1,073 41
Determinazione dell’intervallo di
confidenza
• Data la media campionaria , la varianza del campione 2:
 ( x )
n
x
n 2
i i−
= i =1
n
 =2 i =1
n −1
• Assumiamo la probabilità P(h)=90%, definendo h come lo scostamento

che la variabile misurata può assumere rispetto al suo valore medio.
• Il range che si ottiene definisce l’intervallo di confidenza.

Intervallo di confidenza
La formula che viene utilizzata per il calcolo di h è la seguente:
ˆ
h=t 
1− ,( n −1) n
2
dove:
• t1-a/2 è il quantile della distribuzione t di Student con (n-1) gradi di
libertà e livello di confidenza pari a 100(1-a)%.
• s è la deviazione standard del campione
• n esprime il numero elementi del campione

Intervallo di confidenza
L’intervallo di confidenza sarà compreso tra [−h - +h]
x-h x x+h t

Esempio risultati caso Pannelli
Simulazione AS-IS
Simulazione
con Piano
Fattoriale

Esempio risultati caso Pannelli – Effetti fattori
Effetto principale che i tre fattori utilizzati
nella sperimentazione del caso pannelli
(Operatori, Mix e Urgenze) hanno avuto
sulla variabile di prestazione Produzione
giornaliera
Il fattore Mix influenza maggiormente la

variabile di prestazione in esame: al
crescere della percentuale dei pannelli
(prodotti più complessi che mediamente
richiedono tempi di lavorazione
maggiori) si nota una decisa flessione
del numero di pezzi che l’azienda è in
grado di produrre giornalmente.

Esempio risultati caso Pannelli – Effetti interazione
Impatto fornito dal fattore Urgenze al variare del Mix:

dall’osservazione dei quadranti 6 e 8 si nota come
l’aumentare delle Urgenze influenzi in maniera negativa la
produzione modulata sul livello Mix più alto (55%), mentre
porti a variazioni inconsistenti se combinato con i rimanenti
livelli di Mix (35% e 46%).
Impatto fornito dal fattore Operatori al variare del Mix:

dai quadranti 2 e 4 emerge come l’impiego di un operatore
aggiuntivo in reparto Fin venga premiato per un livello di
Mix basso (35%), mentre al contrario, risulta conveniente
l’impiego di un operatore nel reparto Lam per il livello 55%

Per finire….
Alcuni risultati di una survey condotta in Germania

Business processes
2% Product development
4%
Resource planning
30%
Campi di applicazione
della simulazione ad
eventi discreti
System planning Calculation

50% 1%
Production planning
13%

Le principali criticità.....
Result Result
interpretation Requirements interpretation Requirements
10% 15% 10% 18%
Experiment Experiment
16% 17%
Data
Data
acquisition
acquisition
14%
22%
Modelling Data validation

27% Data validation Modelling 11%
10% 30%
Casi di successo Casi di insuccesso

I principali fattori di successo.....
Plan presentation
7%
Professional and
competent execution
35%
Quality of input data
11%
Suitable software
13%
Project management Requirements

17% 17%

L8-3 Fasi Di Un Progetto Di Simulazione PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

L8-3 Fasi Di Un Progetto Di Simulazione PDF

Caricato da

Copyright:

Formati disponibili

Fasi di uno studio di

Corso di Progettazione degli Impianti

Raccolta ed Stesura del

Raccolta ed Stesura del

Prof. Sergio Cavalieri - Riproduzione riservata 4

Prof. Sergio Cavalieri - Riproduzione riservata 5

Raccolta ed Stesura del

• Variabili - distinzione tra:

Prof. Sergio Cavalieri - Riproduzione riservata 7

Prof. Sergio Cavalieri - Riproduzione riservata 9

Raccolta ed Stesura del

Prof. Sergio Cavalieri - Riproduzione riservata 11

Prof. Sergio Cavalieri - Riproduzione riservata 12

Prof. Sergio Cavalieri - Riproduzione riservata 13

Come interpretare questi valori?

Prof. Sergio Cavalieri - Riproduzione riservata 14

Distribuzione binomiale Distribuzione poissoniana

Distribuzione normale Distribuzione esponenziale

Prof. Sergio Cavalieri - Riproduzione riservata 16

• Edward J. Villiams - Ford Motor Company

• The triangular is often useful as a first approximation to the gamma,

• Erlang often useful for MTBF

• Gamma, Weibull or lognormal often useful for MTTR

• If no closed-form distribution choice appeals, consider using the empirical

Prof. Sergio Cavalieri - Riproduzione riservata 17

• Dati in input spesso affetti da stocasticità

Prof. Sergio Cavalieri - Riproduzione riservata 18

Raccolta ed Stesura del

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

MANT. MANT. MANT.

Prof. Sergio Cavalieri - Riproduzione riservata 20

• E’ consigliabile procedere alla concettualizzazione del modello statico

• In questo modo è possibile comprendere quali dati sono necessari, e quale

• Ciò permette di ridurre il rischio di eventuali ricicli nello svolgimento delle

Prof. Sergio Cavalieri - Riproduzione riservata 21

Raccolta ed Stesura del

Prof. Sergio Cavalieri - Riproduzione riservata 22

AUTOD. MAGAZZ. VERNICIATURA

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

GRUPPO GRUPPO GRUPPO

MANT. MANT. MANT.

Prof. Sergio Cavalieri - Riproduzione riservata 24

Raccolta ed Stesura del

Prof. Sergio Cavalieri - Riproduzione riservata 25

Principali tecniche utilizzate

Prof. Sergio Cavalieri - Riproduzione riservata 26

Prof. Sergio Cavalieri - Riproduzione riservata 27

Attenzione!! Il modello non

Prof. Sergio Cavalieri - Riproduzione riservata 28

Raccolta ed Stesura del

Prof. Sergio Cavalieri - Riproduzione riservata 29

Prof. Sergio Cavalieri - Riproduzione riservata 30

Prof. Sergio Cavalieri - Riproduzione riservata 31

•Simulazioni non terminating –

Prof. Sergio Cavalieri - Riproduzione riservata 32

• Esistono in genere numerose Numero