基于Witness的电池包装配线仿真研究

路畅

摘  要  文章以S汽车公司电池包装配线为研究对象，在项目规划阶段运用Witness仿真软件对该装配线进行仿真建模，评估装配线生产能力能否达到规划要求，并采用灵敏度分析的方法，解决了在线AGC数量最优的问题。同时，也进一步证明Witness仿真软件在电池包装配线规划过程中起到的关键作用。

关键词  电池包装配线；仿真建模与分析；灵敏度分析；

1

0引言

近年来，新能源汽车取得了显著的市场增长。中国作为全球最大的新能源车市场，其新能源车的销量和渗透率更是呈现强劲的增长态势。然而，新能源车对燃油车存量市场的不断挤压，迫使传统车企转型加入新能源车的市场争夺中，从而造就了当前极度内卷的行业环境。

锂电池作为新能源车的核心零部件，不同于传统燃油车的动力总成，其产品迭代速度快，制造工艺灵活，与发动机近40个月的项目周期形成鲜明对比。如何快速且客观地评价锂电池生产线的规划准确性和精益性，仿真软件显得尤为重要。

1 生产系统仿真概述

生产系统是由设备、物料、操作人员等元素组成的离散事件系统。生产系统仿真是通过建立虚拟模型，模拟和分析生产系统运行的过程和性能的一种方法。它利用计算机和仿真软件来模拟生产环境中的各种因素和变量，以评估和优化生产系统的效率、产能、质量等关键指标。在针对复杂生产系统的规划过程中, 计算机仿真技术在提高系统运行效率、缩短开发周期、降低投资成本等方面发挥着巨大作用[1-5]。

生产系统仿真流程一般分为以下几个步骤，分别是问题定义、制定目标、描述系统并对所有假设列表、罗列所有可能替代方案、收集数据和信息、建立计算机模型、校验和确认模型、运行模型、分析输出[6]。具体仿真流程如图1所示。

Witness仿真软件由英国Lanner公司推出，是功能强大且灵活性高的仿真平台，适用于离散系统或连续流体系统等多种形式的系统仿真建模及数据分析。Witness在各行业和领域中被广泛应用，包括制造业、物流和供应链管理、医疗保健和服务业等。它帮助用户理解和优化生产系统，提高效率、降低成本，并支持决策制定和规划[7]。

本文将运用Witness仿真软件，对S汽车公司的电池包装配线进行仿真与评价。

图1系统仿真流程图

2电池包装配线工艺规划及设备配置

2.1电池包装配线工艺流程及生产纲领

电池包是新能源汽车的重要组成部分，通常由电池单体、电池管理系统（BMS）以及辅助设施组成。电池单体是电池包的核心部分，负责储存和释放电能。BMS是电池包的大脑，负责监测和管理电池的状态，包括温度、电压、电流等参数，并保证电池的安全和性能。辅助设施包括冷却系统、加热系统、安全保护装置等，用于维护电池包的温度、防止过充、过放等问题。

随着电池包技术的不断发展，当前存在多种电池包的装配技术路线，如CTM（Cell to Module）、CTP（Cell to Pack）、CTC（Cell to Chassis）等。本文以CTM电池包的装配线为研究对象，其装配工艺过程如图2所示。

图2电池包装配工艺过程

该电池包装配线生产纲领为15万/年，生产天数为300天/年，整线规划开动率目标为85%。生产模式为每天两班运转，每班正常出勤11小时，排除就餐与休息时间0.5小时，得出每班有效工作时间为10.5小时。

根据以上信息，计算生产线JPH（Jobs per hour，每小时生产工件数量）和ATT（Actual Takt Time，考虑系统开动率后的规划目标节拍），JPH和ATT将作为衡量生产线能否达到规划产能的指标，并对后续仿真结果进行评价。

经计算，本系统JPH为：

经计算，本系统ATT为：

2.2电池包装配线设备配置及工艺布局

基于以上生产纲领和工艺流程，运用时间研究方法，预估电池包装配线手动及自动工位节拍，如图3所示（图中蓝柱为设备节拍，红线为目标节拍ATT。ATT会根据并联设备的数量进行倍数放大，例如P050泄露测试工位的并联设备数量为3台，则该设备的ATT=128.52*3=385.56）。

图3电池包装配线设备节拍配置表

根据电池包装配线的设备配置，绘制整线布局图，如图4所示。

图4电池包装配线布局图

3生产系统建模

3.1模型的简化与假设

生产系统建模是通过对生产现场的观测，使用计算机和数学方法对该系统进行描述，从而获得实际系统的简化近似模型。考虑到实际生产系统较为复杂，为了提高模型运行效率，通常需要对次要因素进行等效或过滤[8-9]。因此，本文对电池包装配线生产系统的仿真模型作如下假设：

1）根据工艺流程，定义模型中的每一个工位为一个机器（Machine）；时间参数按自动工位运行时间或手动工位操作时间设置（参考以往生产系统工时数据，设备工时符合三角分布）。

2）假设仿真过程中各装配工位物料供给充足，电池包成品能够及时被运出，即物料和成品不会造成模型出现待料和堵塞，不影响仿真过程。

3）每台设备的故障时间和故障频次以MTTR（Mean Time to Repair，平均停机时间）和MCBF（Mean Cycle Between Failure，平均停机频次）两个指标进行描述。通过对以往设备故障率数据的研究，负指数分布能够最好反应MTTR和MCBF的分布类型（设备故障维修时间不包含生产线运行过程中由于工位间节拍不平衡导致的待料堵料时间）。

3.2模型的参数描述

根据上述电池包装配工艺流程以及生产线布局图，进行模型参数设置。该电池包装配线仿真模型主要实体元素表如表1所示。

表1仿真模型主要实体元素表
元素名称	类型	数量	说明
PACK	Part	n	待装配电池包
P010	Machine	1	底托上线设备
P020	Machine	1	手动工位
P030	Machine	1	手动工位
P040	Machine	1	手动工位
P050	Machine	3	泄露测试设备
P060	Machine	2	涂胶设备
P070	Machine	1	模组上线设备
P080	Machine	1	手动工位
P090	Machine	1	手动工位
P100	Machine	1	手动工位
P110	Machine	1	手动工位
P120	Machine	1	手动工位
P130	Machine	3	电测试设备
P140	Machine	2	涂胶设备
P150	Machine	1	手动工位
P160	Machine	4	泄露测试设备
P170	Machine	1	手动工位
P180	Machine	1	手动工位
P190	Machine	1	质量检测设备
P200	Machine	1	电池包下线设备
T1-T87	Track	87	辊道
Pallet	Vehicle	n	AGC
Throughput	Variable	1	总产出统计

基于表1数据，在仿真界面中配置各个实体元素，包括Name、Text、Icon、Value等属性，同时根据工艺步骤，将各实体元素进行逻辑关联。该电池包装配线各实体元素的仿真建模可视界面如图5所示。

图5电池包装配线仿真模型运行图

4  仿真运行结论及在线AGC数量灵敏度分析

4.1仿真模型运行和数据报告

本次仿真的目的是验证该电池包装配线的JPH能否达到规划要求。在建模完成后，运行仿真模型，输出装配线JPH数据报告。生产线铺线时间是指在生产线无任何在制品的前提下，第一件工件从上线到下线所需的时间，此过程中该生产线处于无产出的状态。为了消除铺线时间对仿真结果的影响，需要在模型中额外设置100小时的预热时间。预热时间结束后，设置模型运行1000小时，重复运行10次，输出10组装配线JPH数据，如表2所示。

表2 仿真输出表
实验次数	运行时间	输出结果	对应JPH
1	1000	24389	24.39
2	1000	24964	24.96
3	1000	24688	24.69
4	1000	24353	24.35
5	1000	24068	24.07
6	1000	24862	24.86
7	1000	24520	24.52
8	1000	24315	24.32
9	1000	24132	24.13
10	1000	24730	24.73

基于仿真输出表中的10组JPH数据所构成的样本，可得出以下数据，样本容量为10，样本均值为24.502，样本标准差为0.302，抽样平均误差为0.095，自由度为9，t分布双侧分位数为2.26。基于以上数据，得出置信度为0.95的置信区间为[24.29,24.72]，并绘制JPH的概率密度曲线，如图6所示。根据计算结果，置信区间下限24.29优于目标JPH=23.81，由此验证该电池包装配线的产能可以达到规划目标。

图6电池包装配线仿真结果概率密度函数图

4.2AGC数量灵敏度分析

传统动力总成（发动机和变速箱）装配线通常以托盘作为工件载体，承担生产线各工位之间的转运工作，工位间多以辊道连接。电池包装配线由于产品重量大、生产线布置灵活等特点，行业内通常以AGC（Automated Guided Cart，自动导引车）和Top tooling（电池包随行夹具）作为工件载体。AGC为磁导航形式，代替辊道连接各工位。Top tooling自带无动力滚轮，AGC通过牵引方式带动Top tooling运行。Top tooling相比于托盘，设计更为复杂，考虑到电池包中通道零件距离操作人员距离较远，无法满足人机工程要求，需要设计旋转轴使Top tooling能够翻转，从而缩短操作人员与电池包中通道的距离。由此可以看出，相比于辊道和托盘，电池装配线内的AGC和Top tooling造价更高。

合理的AGC和Top tooling数量规划，不仅能够降低项目前期一次性投资，又能减少后期维护成本，更能最大程度释放电池包装配线产能，避免由于AGC和Top tooling数量短缺导致的产能受限。但是，传统方法很难有效地分析出装配线产能与AGC和Top tooling数量之间的关系，大多数时候仅能通过经验判断。

为了解决以上问题，本文将运用Witness仿真实验器中的模拟退火算法，对AGC和Top tooling数量进行灵敏度分析，寻找装配线产能与AGC和Top tooling数量之间的变化规律，从而得出最优的规划方案。

基于电池包装配线仿真模型，在Witness实验器模式下，将AGC数量作为变量（默认AGC与Top tooling一一绑定，作为整体考虑），设置AGC数量的变化区间为20到60，每次实验的AGC数量以步长为2递增，实验输出目标为最终产出。同上，模型预热100小时后运行1000小时，得到仿真结果如表3所示。

表3AGC数量灵敏度仿真结果表
实验次数	AGC数量	输出结果	JPH
1	20	11737	11.74
2	22	13601	13.60
3	24	15713	15.71
4	26	16733	16.73
5	28	17861	17.86
6	30	18364	18.36
7	32	19504	19.50
8	34	20865	20.87
9	36	21655	21.66
10	38	22579	22.58
11	40	23268	23.27
12	42	23669	23.67
13	44	24076	24.08
14	46	24532	24.53
15	48	24690	24.69
16	50	24776	24.78
17	52	24783	24.78
18	54	24897	24.90
19	56	24862	24.86
20	58	24910	24.91
21	60	24897	24.90

基于仿真输出结果，绘制AGC数量与电池包装配线产量趋势图，如图7所示。观察AGC数量与产量间的变化趋势可得出以下结论：当AGC数量位于20到46区间时，电池包装配线JPH处于快速提升阶段，此时AGC数量的变化对产能影响较大，随着AGC数量的增加，装配线产能被快速释放。当AGC数量位于48到60区间时，电池包装配线JPH到达峰值并趋于稳定，即使AGC数量继续增加，装配线JPH也不会有较大变化，此时AGC数量的变化对产能无影响。

基于以上AGC数量灵敏度分析的结论，结合当前电池包装配线的规划状态，建议项目前期采购46套AGC和Top tooling，以最小的前期投资确保电池包装配线最大产出（该数量不包含备件、参考件等非在线AGC和Top tooling需求）。

图7AGC数量与电池包装配线产量趋势图

5  结语

本文以新能源电池包装配线为研究对象，项目前期规划过程中，运用Witness仿真工具验证生产线产能规划方案的合理性。同时，对AGC数量进行灵敏度分析，在满足规划产能的前提下，科学地计算出最优的AGC和Top tooling采购数量，支持项目管理者做出合理决策，减少了项目的先期投资。

建立精益的制造系统，优良的设计方法与工具必不可少。Witness仿真软件的应用，可以帮助决策者在项目规划前期模拟制造系统的运行情况，从而找到优化改进的方向，并为决策提供支持。特别是面对设计复杂的制造系统，建模仿真不仅能否减少试错成本，还能提高规划的准确性和效率，从而提升制造型企业的核心竞争力。

参考文献

[1]唐一, 周炳海. 基于Witness仿真的生产线规划评价[J]. 组合机床与自动化加工技术, 组合机床与自动化加工技术,2009(7): 5-8

[2]胡宗武. 工业工程-原理方法与应用[M]. 上海:上海交通大学出版社,2003.

[3]宋建新, 徐菱, 宋远卓. 现代生产物流系统仿真研究[J]. 现代物流技术, 2007(3): 93-95

[4]王建青,邵延军. 基于WITNESS的制造系统优化[J]. 机械制造与研究, 2008,37(4): 36-37

[5]  肖田元, 张燕云, 陈加栋. 系统仿真导论[M]. 北京: 清华大学出版社, 2000.

[6]  张楚贤, 李世其, 蔡冽. 现代工程系统建模与仿真方法[J]. 系统工程, 2007, 25(2): 111-115

[7]  北京威特尼斯科技中心. WITNESS工业物流仿真平台基础教程[G]. 北京:Lanner北京代表处,北京威特尼斯科技中心, 2000.

[8]  王亚超, 马汉武. 生产物流系统建模与仿真-Witness系统及应用[M]. 北京: 科学出版社, 2006.

[9]周三玲. 基于Witness的生产线建模仿真与优化[J]. 物流工程与管理, 2018, 40(11): 121-122.

3