传统的机械加工车间为每台机器分配一名操作员。然而，我们的生产线是高度联网的，我们现在看到了为工人更动态地分配任务的可能性。为了测试不同的分配政策，我们建立了金属零件制造生产线的离散事件仿真模型。我们将衡量更先进的政策如何提高效率。
APN Global 是一家专门生产复杂和高精度金属零件的制造公司。他们服务于不同的工业领域，其中包括航空领域。生产过程涉及计算机数控（CNC）机床、自动测量站、手动测量站和协作机器人。不同的任务（如添加原材料、更换工具、清除切屑、质量控制等）都需要人工来完成。APN 收集了大量数据，生产活动和决策高度自动化。然而，工人的分配仍与传统的加工车间一样：只需为每台数控机床分配一名操作员（尽管一名操作员可以负责多台数控机床）。APN 的目标是用相同数量的工人操作更多的机床。因此，我们开发了一个离散事件仿真模型，以评估将 "微任务 "分配给工人而不是机器的政策。
我们首先使用 SIMIO 开发了一个离散事件仿真模型。大多数仿真模型的重点是产品流，而我们需要的是任务序列建模：有些任务由工人完成，有些任务由工人和机器共同完成，还有些任务仅由机器完成。图 1 给出了模型的概念表示。工厂有 21 台数控机床 (c)、31 名具有不同专长的工人 (d)、四台测量机器 (f)，包括两台坐标测量机 (CMM)、一台光学比较仪和一台手动光学比较仪。从 APN 生产计划表（a）中，我们可以推断出一份任务清单：零件加工（蓝色）、测量（红色）和其他（黄色）。零件由数控机床加工。与此同时，其他任务由工作台上的工人完成（b），但有些任务可能需要数控系统停止工作。离开工作中心（e）后，需要对一些零件进行测量，以进行质量控制。这是一个复杂的过程，涉及许多机器和工人。如果测量结果不符合规范，就会创建一个纠正措施任务（如更换工具），并将其放在等待队列的首位。
通过与在 APN 工作的专家进行访谈，对系统模型的不同方面进行了验证，以确认该模型能够代表实际情况。生产任务的预期持续时间分布是从制造执行系统（MES）的历史数据库中推断出来的。然而，测量和质量控制来自工艺工程师的 "有根据的猜测"。
图 1：仿真模型的概念图。
我们比较了不同政策对生产率（执行生产计划所需的总时间）和工人总行程的影响。基础方案称为 OneWorker。一名工人被分配到一台数控机床。一旦他的班次结束，另一名工人就会接替他的工作。在 ListWorkers 情景下，我们知道每个工人都接受过哪类机器和任务的培训。对于每项任务，我们都会为其动态分配最接近的空闲兼容工人。作为上限，我们还模拟了乌托邦式的 AllWorkers 情景，即每个工人都将针对所有机器和任务接受培训。以下是单个给定生产计划的 100 次重复（置信区间为 95%）的平均结果（数据提取非常耗时）。
图 2：（a）生产时间（小时）和（b）工人总行程（公里）。
平均而言，动态分配（ListWorkers）可将总生产时间缩短 40.4%（见图 2）。更令人惊讶的是（这也解释了前面的情况），置信区间也缩小了很多。事实上，在 ListWorkers 情景下，处理时间的随机性对我们的影响要小得多。AllWorkers 方案会带来额外的改进，但它需要大量的培训成本。至于步行距离（图 3），OneWorker 和 ListWorkers 的情况非常相似。AllWorkers 则对步行距离有很大影响。
为了模拟高精度金属零件加工车间的任务分配，我们开发了离散事件模拟。主要目的是测量当允许更多工人处理特定任务时，生产率的提高情况。下一步是针对更多的生产计划进行更多的实验（即获取更多的数据）。我们还将测试更先进的任务调度规则，并根据其他标准（如公平性）对其进行评估。之后，公司将需要开发一套系统，以便在现实生活中为工人分配任务。