袜业生产线精益优化与离散事件仿真项目 (Socks Production Simulation)

本项目以 Python 的离散事件仿真库 SimPy 演示五工序生产线的参数化情景比较。没有提供可核验的现场测时或生产记录，模型输出不是企业实绩，也不是经过校准的数字孪生。

📊 核心架构与仿真逻辑

graph TD
    A[配置输入 config.json] --> B{核心引擎}
    B -->|装配线平衡求解| C(ALBP MILP Solver<br/>静态优化)
    B -->|离散事件仿真| D(SimPy DES Engine<br/>动态随机验证)
    C --> D
    D --> E[单次仿真 main_simulation.py]
    D --> F[蒙特卡洛扩展 phd_level_simulation.py]
    C --> G[一体化评估 integrated_pipeline.py]
    D --> G
    E --> H((效能对比图表与数据结论))
    F --> H
    G --> H

Loading

目录结构

• main_simulation.py: 核心仿真代码，包含了流水线类 HosieryLine 以及改善前后的环境配置。
• phd_level_simulation.py: 多次随机情景仿真，输出逐次数据 phd_simulation_replications.csv 与摘要图 phd_analysis_dashboard.png。
• albp_milp_solver.py: 装配线平衡问题（ALBP）的混合整数线性规划（MILP）求解器。
• integrated_pipeline.py: 一体化示例——MILP 静态求解 → DES 随机情景仿真 → 简化成本评价，读取 config.json。当前模型未实现工位并行工序时长叠加、固定随机种子或逐次结果导出，经济指标依赖示例假设，不应当作经验证的投资收益结论。
• config.json: 工序、目标工位周期时间、先后约束、仿真规模与财务参数。
• requirements.txt: 运行仿真所需的 Python 依赖库。
• simulation_comparison.png / phd_analysis_dashboard.png: 运行仿真后自动生成的效能对比图表。

仿真逻辑说明

本项目模拟了一个标准 8 小时（28,800秒）工作班次内的生产情况。

1. 优化前（Before Optimization）

• 模式：孤岛式作业，各工序间缺乏协同。
• 瓶颈工序时间：缝头情景参数为 6 秒/双；这是模型输入，不代表现场测时或需求节拍。
• 系统表现：8 小时仿真班次的完成产量受 6 秒缝头瓶颈限制；按五个仿真工序计算的理论线平衡率（LBR）为 47.3%。该公式不包含织造上游及物流等待等系统边界外活动。

2. 优化后（After Optimization）

• 模式：参数化优化情景，设置各工序较短的服务时间；当前代码未模拟 U 型布局、自动化设备或多能工机制。
• 周期时间重组：瓶颈工序配置为 1.25 秒/双，各道工序服务时间为（缝头 1.18s，整理 1.11s，定型 1.14s，打签 1.03s，包装 1.25s）。此为模型输入，不应与需求侧节拍（Takt Time）混称。
• 系统表现：8 小时仿真班次的完成产量由到达过程、工序服务和班次末在制品共同决定；按五个仿真工序计算的理论 LBR 为 91.4%。具体班次产量以脚本当次固定种子输出为准，不称为日产能或实测产能。

如何运行

1. 安装依赖包（含运行 MILP 所需的 pulp）：

   pip install -r requirements.txt

2. 运行仿真脚本：

   python main_simulation.py

3. 查看控制台输出结果以及生成的对比图表 simulation_comparison.png。结果代表一个固定随机种子的单次 8 小时情景仿真，受模型假设影响，不应直接外推为工厂实绩或统计显著结论。
4. 运行扩展蒙特卡洛试验并保存每次重复的原始数据：

   python phd_level_simulation.py

   输出 phd_simulation_replications.csv 与 phd_analysis_dashboard.png；报告需以 CSV 中 30 次重复结果重算描述统计与 Welch t 检验。脚本的服务时间和到达间隔使用下限裁切的正态抽样，CV 是裁切前输入参数，并非裁切后的实际 CV；两个情景顺序运行同一伪随机流，并非配对随机数设计。

扩展模块

• 一体化闭环评估（MILP + DES + 成本）：

  python integrated_pipeline.py

• 仅求解装配线平衡规划模型：

  python albp_milp_solver.py

可复现性说明（integrated_pipeline.py）

• 全部输入由项目根目录的 config.json 驱动：任务工时、目标节拍、simulation.stochastic_cv 波动系数与财务单价等；MILP 阶段本身是确定性的。
• 阶段 2 离散事件仿真的服务时间来自下限裁切的正态抽样（np.random.normal），默认不固定种子，产能、平均在制品等指标逐次运行存在波动。
• 需要可复现结果时请固定种子：

  python integrated_pipeline.py --seed 42

  同一种子重复运行将得到完全一致的输出（已在本地验证：两次 --seed 42 运行的班次产能与平均在制品完全相同）。
• 仓库中已保存的结果图表与数据对应各自当次运行的输出；重跑时请以当次输出为准。