离散事件仿真完全指南：FlexSim、Arena 与 AnyLogic 怎么选怎么用

引言：为什么 Excel 算不准产能

一个真实的场景。

某汽车零部件厂要上一条新线，装配 + 检测 + 包装共 14 个工位，其中 3 个工位是自动化设备，其余人工。工艺工程师用 Excel 做了个产能测算：瓶颈工位节拍 42 秒，每天有效工作时间 7.5 小时，产能 = 27000 / 42 ≈ 643 件/天。报告递上去，项目投资 2800 万获批。

投产三个月，实际产能 480 件/天，只有测算值的 75%。

问题出在哪？Excel 的算式里，所有工位是"无摩擦串联"：上工位做完，工件瞬间到达下工位，设备永不故障，人员永不停歇，物料永远齐套，换型时间为零。现实是：

• 3 台自动化设备的故障率分别是 4%、6%、3%，平均修复时间 25~70 分钟
• 检测工位有 8% 的返修率，返修件要重新走一遍前 6 个工位
• 换型每天 3 次，每次 18 分钟
• 工位之间的传递靠人工搬运，平均 45 秒，且叉车只有 2 台，忙的时候要排队
• 物料配送是每 2 小时一车，缺料时工位要等

这些因素叠加，产生的是排队、堵塞、饥饿的连锁反应，而这些都是非线性的——不是简单把 4%+6%+3% 减掉就完事。一个工位的故障会导致上游堵塞、下游饥饿，损失远大于该工位自身的停机时间；WIP 堆积又反过来增加搬运压力和寻找时间。

这就是仿真存在的理由：当系统存在随机性 + 相互依赖 + 排队时，解析计算（Excel 公式、排队论公式）要么算不出来，要么假设太强而失真。仿真通过"按时间推进，逐个事件模拟"的方式，把系统的真实行为在电脑里跑一遍。

本文会讲清楚三件事：仿真的底层逻辑是什么、主流软件怎么选、一个仿真项目到底怎么做。

一、离散事件仿真的底层逻辑

1.1 什么是"离散事件"

仿真分三大类：

工业工程 95% 的场景用的是离散事件仿真（DES）。产线、仓储、配送、门诊、机场安检、呼叫中心，本质上都是"实体到达 → 排队 → 接受服务 → 离开"的网络。

1.2 三个核心机制

理解 DES，只需要搞懂三个东西：

① 实体（Entity / Flow Item）

在系统中流动的对象。在产线是工件/托盘，在仓储是货箱/托盘，在港口是集装箱，在医院是病人，在呼叫中心是来电。

实体可以带属性（Attribute/Label）：工件型号、优先级、客户、交期、颜色。仿真逻辑可以根据属性做分流（如红色件走 A 线，蓝色件走 B 线）。

② 事件（Event）与事件表（Event Calendar）

系统状态的改变只发生在事件时刻。典型事件：

③ 事件调度与时钟推进

DES 不用"每 0.01 秒检查一次"的方式推进（那是固定步长法，效率低且精度差），而是用下一事件时间推进法（Next-Event Time Advance）：

维护一个"事件表"（按时间排序的待处理事件列表）
循环：
  取出事件表中时间最早的事件
  把仿真时钟直接跳到该事件的时间
  执行该事件的状态变更
  该事件可能触发新的未来事件（如"服务结束"事件在"服务开始"时排定）
  把新事件插入事件表
直到 仿真结束时间 或 事件表为空

这就是为什么仿真跑 1 年的产线只需要几秒钟——它不模拟中间的"无事发生"的时间，而是直接跳到下一个有事情发生的时刻。一年产线可能有 500 万个事件，但只需处理 500 万次，而不是 3150 万秒 × 若干次检查。

1.3 随机性与随机数

真实系统充满随机：到达间隔、加工时间、故障间隔、修复时间。仿真用概率分布来刻画。

仿真的核心是伪随机数生成器（PRNG）。Minitab 等其他软件也一样，现代仿真软件用 Mersenne Twister（MT19937）等算法，周期长达 2^19937-1，足够用。

关键概念：随机数流（Stream / Seed）

• 同一个 seed → 同一串随机数 → 同一份仿真结果（可复现）
• 不同 seed → 不同的随机数序列 → 不同的仿真结果（一次仿真的结果本质上是一次随机抽样）

这引出一个极其重要的认识：单次仿真运行的结果不是"答案"，而是一个样本。就像掷一次骰子得到 6，不代表骰子的期望值是 6。

正确做法：用不同的 seed 重复运行多次（replications），对结果求均值并计算置信区间。这是新手最容易忽略、也最致命的一点。详见第五章。

常用分布及选型：

选型原则：

1. 有数据 → 拟合分布（用软件的输入分析器，见第四章）
2. 数据不足但有经验 → 三角分布（问三个问题：最快多少、最慢多少、最常见多少）
3. 完全没信息 → 均匀或指数，并在报告中明确标注"假设"

最常见的错误：所有时间都用正态或都用固定值。用固定值（如"加工时间 = 30 秒"）的系统，其排队行为与真实系统差异巨大——真实系统的波动是排队的主要来源，把波动设为 0 会严重低估 WIP 和等待时间。这是仿真结果"看起来很美"的头号原因。

排队论的基本结论（Kingman 公式，G/G/1 队列近似）： $$W_q \approx \left(\frac{c_a^2 + c_s^2}{2}\right) \cdot \frac{\rho}{1-\rho} \cdot t_s$$ 其中 $c_a$ 是到达间隔的变异系数，$c_s$ 是服务时间的变异系数，$\rho$ 是利用率。 可见：变异系数越大，等待时间越长；利用率越接近 1，等待时间呈双曲线爆炸。 把服务时间设为固定值（$c_s=0$）会让等待时间砍半——这就是低估的来源。

1.4 两类仿真：终止型 vs 稳态型

这是仿真实验设计的分水岭，选错会导致结论完全错误。

warm-up 的作用：稳态仿真从"空且空闲"开始，前期的产出、利用率都偏低（因为系统在"填充"），WIP 在爬升。这段数据不能代表长期稳态，必须丢弃。

确定 warm-up 长度的方法：

1. 目视法：画产出率或 WIP 随时间的变化曲线（时间序列），找曲线趋于平稳的拐点。Arena 有专门的 Welch 图形法工具。
2. Welch 法：多次重复运行，对同一时间点跨重复求平均，然后做移动平均平滑，看何时趋于水平。
3. 经验法：warm-up 长度取预计稳态运行时间的 10%~30%，或至少覆盖"系统空转一遍"的时间（如工件走完全流程的 10 倍）。

实务建议：如果可能，优先把问题建模成终止型（如"模拟一个完整班次，从空线开始到班末清线"），这样不需要处理 warm-up，结果也更容易解释。只有当研究长期指标（如全年平均产能利用率）时才用稳态型。

二、主流软件深度对比

2.1 软件全景

2.2 四大主流详细对比

FlexSim

定位：目前制造业与物流业增长最快的仿真软件，3D 可视化是最大卖点。

优点：

• 原生 3D 环境，模型本身就是三维场景，出图/出视频极具冲击力，给管理层汇报效果最好
• 拖拽式建模，对象库丰富（发生器、处理器、传送带、叉车、AGV、立体库、操作员、合成器、分解器等）
• 逻辑灵活：支持内置的"Flow"（流程）逻辑（Pick/Place、Process Flow 图形化逻辑），复杂逻辑也可用 FlexScript（类 C++）或 Python 写
• 内置 OptQuest 优化器（部分版本）、Experimenter（实验管理）
• 有免费的个人学习版（FlexSim Personal Use License），功能完整，仅限制模型规模和对外发布
• 中文资料相对丰富，国内有活跃的代理商和培训

缺点：

• 大型模型（上千对象）时性能会下降
• 3D 渲染对硬件有要求
• 深度定制需要学 FlexScript
• 官方文档以英文为主

适合：做产线布局比选、仓储物流、AGV 调度这类"空间很重要"的问题；需要给非技术管理层演示的场景。

Arena

定位：学术界的老牌标准，Rockwell（罗克韦尔自动化，工业自动化巨头）出品。

优点：

• 流程图建模范式（Flowchart Module）：Create → Process → Decide → Dispose，逻辑清晰，学习曲线平缓，被认为是"最容易上手"的仿真软件
• 学术教材、论文、课程的默认工具，学习资源最丰富
• 内置 Input Analyzer（输入数据分析）和 Output Analyzer（输出分析），教学属性强
• 内置 Process Analyzer (PAN) 做情景比较，OptQuest 做优化
• 与 Rockwell 的自动化产品线（FactoryTalk）有集成思路
• 支持 VBA 自动化

缺点：

• 3D 是薄弱环节（Arena 的 3D 是后加的，效果远不如 FlexSim/Simio）
• 价格不低，且 Rockwell 收购后授权策略有变化
• 新版本迭代相对慢
• 国内代理商支持弱于 FlexSim

适合：教学、科研、流程型系统（服务系统、供应链、业务流程）；不太需要漂亮 3D 的场合。

AnyLogic

定位：多方法仿真平台，唯一在同一环境里无缝混合 DES + 系统动力学 + 智能体的商业软件。

优点：

• 多方法混合：可以在一个模型里，宏观用 SD 模拟市场需求，中观用 DES 模拟工厂，微观用 ABM 模拟卡车司机行为
• 基于 Java/AnyLogic 语言，可编程性最强，能实现其他软件做不到的复杂逻辑
• 有云仿真（AnyLogic Cloud），可把模型发布成网页应用，让没有软件的人直接在浏览器里跑情景分析 —— 这是交付模式的巨大优势
• 内置行人库（Pedestrian Library）、交通库（Road Traffic Library）、流体库（Fluid Library）、物料搬运库
• 有免费的个人学习版（PLE）
• GIS 地图集成好，适合物流网络、城市配送

缺点：

• 学习曲线最陡（需要一定的编程思维）
• 纯 DES 建模的操作流畅度不如 FlexSim/Arena
• 中文资料和培训相对少
• 3D 效果中等

适合：供应链网络、交通/行人、需要发布给多用户的情景分析、研究方法论复杂的场景。

Plant Simulation（原 eM-Plant / SIMPLE++）

定位：西门子 PLM 家族成员，欧系汽车与离散制造的标配。

优点：

• 与西门子工业软件生态（Tecnomatix、NX、Teamcenter）深度集成
• SimTalk 语言强大，面向对象，适合构建可复用的建模库
• 汽车行业（尤其德系）事实标准，供应链上下游都用，模型可交换
• 遗传算法优化、能耗仿真模块
• 三维可视化（通过 eM-Plant 3D / Plant Simulation 3D）

缺点：

• 价格高
• 中文生态弱
• 界面相对陈旧
• 在国内非汽车行业的普及度不如 FlexSim

适合：汽车、与西门子生态绑定的企业。

2.3 选型决策

你的问题涉及物理空间布局吗？（厂房、通道、AGV路径、货架）
├─ 是 → FlexSim / Simio（3D 最强）
└─ 否 → 继续

需要混合多种建模范式吗？（DES + 系统动力学 + 智能体）
├─ 是 → AnyLogic
└─ 否 → 继续

是学术研究 / 教学 / 服务流程吗？
├─ 是 → Arena（教材多、易上手）
└─ 否 → 继续

所在企业是汽车行业或用西门子生态？
├─ 是 → Plant Simulation
└─ 否 → FlexSim（通用性最好，3D 强）

预算为零 / 想练手？
└─ FlexSim 个人版 / AnyLogic PLE / Python SimPy

给学生的建议：

• 先学一个，学透。工具之间的概念 90% 通用（实体、队列、资源、分布、warm-up、重复运行），换工具只是换操作。
• 想快速上手 + 有教材 → Arena
• 想做出漂亮的作品 + 就业面广 → FlexSim（国内制造企业招聘 IE 仿真岗，提 FlexSim 的最多）
• 想深入方法论 + 走供应链/咨询方向 → AnyLogic
• 想零成本 + 顺带练编程 → Python SimPy

学习资源提示：FlexSim 和 AnyLogic 官网都提供免费个人版和大量示例模型，官网的 Tutorial 是最好的入门材料。B 站、知乎上也有不少中文教程（质量参差，注意甄别版本）。

三、仿真项目六步法

仿真不是"打开软件画模型"，它是一个有严格流程的项目。跳过任何一步都可能导致结论错误。

步骤 1：定义问题与目标（最关键，却最常被跳过）

必须书面回答：

颗粒度原则：只建模对决策有影响的部分。如果研究的是产能，就没必要模拟工人的每一步行走（可以简化为固定时间 + 一个"疲劳系数"）。过度建模会：拖慢建模速度、增加出错概率、让模型难以验证。

关键提醒：开始建模前，先手工估算一个粗略答案（用 Excel 或排队论）。这个"先验估计"有两个作用：一是给仿真结果一个合理性锚点（仿真跑出 3 倍于估算的值，一定是模型错了）；二是如果粗略估算已经能支撑决策，就不用做仿真了。

步骤 2：收集与分析数据

需要的数据类型：

数据收集的现实困难：

• 没有数据 → 用专家估计（三角分布），并在报告中标注
• 数据不全 → 关键环节实测补充，非关键环节用合理假设
• 数据质量差 → 现场观察法（Gemba Walk）验证
• 数据是历史平均 → 平均值不能用于仿真！需要分布。必须找到原始明细数据

实务提醒：仿真项目中，数据收集往往占 40%~60% 的工作量，建模本身可能只占 20%。低估数据工作量是项目延期的首要原因。

步骤 3：建立概念模型（Conceptual Model）

在打开软件之前，先画出来：

1. 流程图：实体从进入到离开的完整路径，包括分流、合流、返工循环
2. 资源图：哪些工位需要哪些资源（设备、人员、工具、AGV）
3. 逻辑规则表：每个决策点的规则（优先级、批处理、换型触发条件）
4. 假设清单：明确写出所有简化和假设

工具：Visio、draw.io、PowerPoint 都可以。这张图是后面与客户/项目组沟通的基础，也是验证（Verification）的基准。

步骤 4：建立计算机模型

按软件特性建模。通用原则：

参数化的价值：如果设备数量写死在 3 个 Processor 对象里，那么"买 2 台还是 3 台"的情景对比就要改模型结构；如果用一个全局变量 NumOfMachine 控制，跑实验时只需改数字。FlexSim 的 Experimenter 和 Arena 的 Process Analyzer 都依赖参数化。

步骤 5：验证与确认（V&V）——最容易被跳过的一步

验证（Verification）：模型建对了吗？（Did I build the model right?） 确认（Validation）：建的模型对吗？（Did I build the right model?）

这两句话是仿真领域的经典区分，必须理解：

验证（查 bug）的方法：

确认（对不对）的方法：

最实用的确认方法：对比历史数据。如果模型用真实的订单、故障、换型数据跑出的月产能，与历史实际月产能差异在 5% 以内，模型就基本可信。差异超过 10%，一定有环节理解错了——这时候不要调参数"凑数"，要回去查逻辑。

警告：不要为了让模型"匹配"现实而随意调整参数。这叫 "fudging"（凑数），是仿真领域的大忌。正确做法是找出导致偏差的结构性原因（漏了返工路径？搬运规则理解错了？班次安排不对？）。

步骤 6：实验设计与结果分析

见第五章。

四、输入数据分析：从数据到分布

4.1 为什么不能直接用平均值

这是仿真新手的第一大坑。

假设某工位加工时间的历史平均值是 30 秒。如果用"固定 30 秒"建模，系统的排队行为会与真实情况完全不同——因为排队主要由波动引起，不是由均值引起。

排队论告诉我们：当利用率 ρ = 0.85 时，一个 M/M/1 队列的平均排队长度是 $\rho^2/(1-\rho) = 4.8$；而如果是 M/D/1（服务时间确定），排队长度只有一半左右。

所以必须保留波动。

4.2 输入分析器（Input Analyzer）

Arena 的 Input Analyzer 是最成熟的工具（Arena 独有优势之一）：

路径：Tools > Input Analyzer > New

• 导入一列数据
• Fit > Fit All 自动拟合所有分布
• 输出每个分布的 平方误差（Square Error），越小越好
• 同时给出卡方检验和 K-S 检验的 P 值

FlexSim 的做法：

• 用统计工具（右侧 Toolbox 的 Statistic/Distribution 工具）拟合
• 或者用第三方工具（Minitab 的 个体分布标识、R 的 fitdistrplus 包、Python 的 scipy.stats）

AnyLogic：内置分布拟合功能，在数据对象上右键可拟合。

4.3 拟合流程

1. 画直方图：看形状（对称？右偏？双峰？）
2. 检查异常值：是否存在录入错误、不同条件下的混合数据
3. 检查分层：如果数据来自多个班次/机台，应该分别拟合，而不是混在一起
4. 拟合候选分布
5. 做拟合优度检验：卡方、K-S、A-D
6. 选 P 值大且形状合理的

双峰数据：如果直方图出现两个峰，不要强行用一个分布拟合。这几乎总是说明数据混合了两种不同条件（两台设备、两个班次、两种产品）。正确做法是分层，分别拟合，然后在模型里按条件选用不同分布。

4.4 没有数据时的处理

变异系数（CV = σ/μ）的经验参考：

实务经验：当拿不准时，用偏保守（波动更大）的分布。波动大 → 排队多 → 产能低。低估产能会导致投产后达不到目标（严重问题），高估产能只是让方案显得保守（可接受）。

4.5 相关性的处理

如果输入变量之间存在相关性（如订单量大时，换型次数也多），独立抽样会失真。处理方法：

• 简单方法：用联合分布或条件分布（如"订单量 > 100 时，换型间隔用分布 A；否则用分布 B"）
• 高级方法：Copula 方法（AnyLogic 支持，FlexSim 需自写）
• 实务：多数情况下忽略相关性可接受，但要在假设里注明

五、输出分析：置信区间与重复运行（最关键的技术点）

5.1 单次运行毫无意义

这是仿真领域最重要的认知：一次仿真运行 = 一次随机抽样。它的结果不是系统的期望值。

举例：一个产线模型，seed=1 跑出日产 623 件，seed=2 跑出 578 件，seed=3 跑出 651 件…… 每个数字都是"真实的一次可能"，但都不是"平均产能"。

正确做法：重复运行（Replication）

设定重复次数 n（如 10、20、50）
for i in 1..n:
    用不同的 seed 跑一次完整仿真
    记录 KPI
对 n 个 KPI 值求均值、标准差、置信区间

5.2 置信区间

n 次重复运行得到 KPI 值 $Y_1, Y_2, ..., Y_n$，则：

$$\bar{Y} = \frac{1}{n}\sum Y_i, \quad s = \sqrt{\frac{\sum(Y_i - \bar{Y})^2}{n-1}}$$

95% 置信区间：

$$\bar{Y} \pm t_{0.025, n-1} \cdot \frac{s}{\sqrt{n}}$$

解读："我们有 95% 的把握，真实期望值落在这个区间内"。

置信区间的宽度决定了结论的可靠性。举例：

• 方案 A：日产 600 ± 5 件（区间 [595, 605]）
• 方案 B：日产 610 ± 8 件（区间 [602, 618]）

区间有重叠，说明两个方案的差异可能只是随机噪声，不能断言 B 比 A 好。

• 方案 A：600 ± 5 → [595, 605]
• 方案 B：660 ± 8 → [652, 668]

区间完全不重叠，B 确实更好。

5.3 需要多少次重复？

置信区间半宽（Half-Width） $h = t \cdot s/\sqrt{n}$。

想让半宽缩小一半，需要 4 倍的重复次数（因为 $h \propto 1/\sqrt{n}$）。

实用流程（序贯法）：

1. 先跑 n₀ = 10 次
2. 计算当前半宽 h
3. 若 h ≤ 可接受精度（如均值的 2%），停止
4. 否则按 $n = n_0 \cdot (h / h_{target})^2$ 估算需要的重复次数，补跑

典型数量级：

注意：重复次数不是越多越好，要在精度和计算时间之间平衡。一个跑 10 分钟的模型，跑 100 次就是 16 小时。

5.4 稳态仿真的额外处理

稳态仿真除了重复运行，还涉及两个参数的组合，有三种策略：

绝对禁止：稳态仿真只跑一次，然后报一个数字。这在方法上是无效的——因为无法估计方差，就无法给出置信区间，也就无法做任何比较。

5.5 两种情景的比较

比较两个方案时，正确的统计方法是：

① 独立法（两样本 t）：两个方案各跑 n 次，做双样本 t 检验

② 配对法（配对 t）—— 推荐：

使用公共随机数（Common Random Numbers, CRN）：方案 A 和方案 B 的第 i 次重复，使用相同的随机数种子序列。这样两个方案"经历相同的随机事件"（同样的到达序列、同样的故障序列），差异就主要来自方案本身，而非随机波动。

效果：CRN 能显著降低比较的方差，用更少的重复次数达到同样的判别力。

实现：

• Arena：在 Run > Setup > Replication Parameters 中勾选 "Initialize Between Replications" 并管理 seeds
• FlexSim：在 Experimenter 中使用相同的 seed 序列
• 关键：确保对同一"用途"使用独立的随机数流（如流 1 用于到达，流 2 用于加工，流 3 用于故障），这样两个方案在流 1 上用的是同一串随机数

配对 t 检验：计算每对重复的差值 $D_i = Y_{Ai} - Y_{Bi}$，对 D 做单样本 t 检验。

5.6 多情景比较与优化

优化器的使用注意：

• 优化器只能搜索你设定的参数范围内的组合，不会发现问题本身错了
• 每次评估的重复次数不能太少（否则优化器在追噪声）
• 优化结果要做验证运行：用更多重复次数确认最优解确实好
• 优化器给出的是"模型内的最优"，输入数据不准的话，最优解也是错的（garbage in, garbage out）

六、典型应用场景与建模要点

6.1 产能规划与瓶颈识别

问题：新线设计，需要多少台设备？产能能到多少？瓶颈在哪？

建模要点：

• 必须包含：故障、换型、返工、物料供应
• 输出指标：日/月产能、各工位利用率、各工位的"堵塞时间"和"饥饿时间"、
• 瓶颈的正确识别：不是"利用率最高"的工位，而是"对系统产出影响最大"的工位
  • 看 Blocked%（堵塞）和 Starved%（饥饿）：瓶颈工位的上游会堵塞，下游会饥饿
  • 看 排队长度：瓶颈前通常排最长队
  • 用约束理论（TOC）的视角：瓶颈的 1 小时 = 全系统的 1 小时

常见输出图：

• 各工位利用率柱状图（识别"看似瓶颈"）
• 各工位平均排队长度（真瓶颈）
• 产出随时间的累积曲线（看是否稳定）

关键洞察：瓶颈会移动。增加某工位能力后，瓶颈会转移到下一个工位。所以产能改善是迭代的：改一次，跑一次，找新瓶颈。仿真刚好适合这种迭代。

6.2 布局比选（Layout Comparison）

问题：U 型线 vs 直线型 vs 单元式，哪个更好？

建模要点：

• 3D 模型（FlexSim/Simio 优势明显）
• 搬运距离必须真实建模（不是拍脑袋的"搬运时间"，而是"距离/速度 + 路径拥堵"）
• 考虑搬运资源竞争（叉车/AGV 数量有限）
• 输出指标：产出、单件搬运距离、搬运工利用率、WIP、空间利用率、人员行走距离

注意：如果两个布局的设备、人员、逻辑完全一样，只有布局不同，那么搬运差异就是唯一的差异源。这时候要特别注意搬运建模的准确性——如果搬运建模过于简化（固定时间），两个布局的仿真结果会几乎一样，结论无效。

6.3 WIP 与在制品控制

问题：WIP 上限设为多少？看板数量设几张？CONWIP 还是 Kanban？

建模要点：

• 建立"投料控制"逻辑：当 WIP 达到上限时，停止投料
• 对比不同 WIP 上限下的产出和周期时间
• 画出 "WIP vs 产出"曲线 和 "WIP vs 周期时间"曲线

理论基础：Little 定律

$$L = \lambda \cdot W$$

即：系统中平均实体数 L = 到达率 λ × 平均停留时间 W。

推论：在产出（λ）不变的情况下，降低周期时间 W 必须降低 WIP L。这就是精益生产中"降低水位，露出礁石"的定量依据。

仿真的价值：可以画出完整的"特征曲线"（Operating Curve），找到 WIP 的"甜点"——WIP 太低会饿死设备（产出下降），WIP 太高只是增加周期时间和成本（产出不增）。甜点通常在利用率 85%~92% 附近。

6.4 AGV / 叉车调度

问题：需要几台 AGV？什么调度规则？路径怎么规划？

建模要点：

• 路径建模：真实路径网络（不是直线距离），包括交叉路口、单行道、充电站
• 交通管理：AGV 之间的避让、死锁预防（这是 AGV 仿真的核心难点）
• 调度规则：最近车优先、先进先出、任务优先级、基于电量的调度
• 电池管理：电量下降到阈值去充电，充电时长，充电站数量
• 输出：任务完成率、平均等待时间、AGV 利用率、空驶率、死锁次数

常见坑：

• 忽略 AGV 的加减速（会导致时间与距离不成正比）
• 忽略交通拥堵（现实 AGV 会在路口等待，仿真里"穿模"的话会严重低估时间）
• 忽略充电（AGV 实际可用率可能只有 85%）

6.5 仓储与配送中心

问题：立库规模、拣选策略、布局、人员配置

建模要点：

• 货架布局、巷道数量、堆垛机数量
• 订单到达规律（电商的波次特性：一天内有两个高峰）
• 拣选策略：按单拣选 / 批量拣选 / 分区拣选 / 波次拣选
• 行走时间建模（拣选的 50% 时间花在行走上，必须准确建模路径）
• 输出：日处理订单量、订单履行周期、拣选员行走距离、设备利用率、空间利用率

6.6 服务系统（门诊、银行、安检、呼叫中心）

问题：开几个窗口？怎么排班？预约间隔多少？

建模要点：

• 到达率的时变特性（上午高峰、中午低谷）—— 用非平稳泊松过程
• 服务时间分布
• 排队规则（FIFO、优先级、预约优先）
• 弃权（Balking/Reneging）：顾客看到队伍长就不排了，或排到一半走了
• 输出：平均等待时间、等待时间分位数（如 90% 的顾客等待 < X 分钟）、资源利用率、弃权率

关键指标差异：服务系统的核心 KPI 常是 分位数（"90% 的病人 30 分钟内看到医生"），而不是平均值。仿真能输出分位数，解析公式通常不能。

6.7 排产与调度规则验证

问题：用哪种派工规则（FIFO、SPT、EDD、CR）？

建模要点：

• 建立可选的派工规则库
• 用 CRN 保证公平比较
• 输出：平均流程时间、延期率、平均延期天数、WIP

经典结论（仿真可复现）：

• SPT（最短加工时间优先）：平均流程时间最短，但长作业可能被饿死
• EDD（最早交期优先）：最大延期最小
• CR（临界比）：综合表现通常最好
• FIFO：最公平，平均表现中等

6.8 数字孪生（Digital Twin）

这是近年最热的概念，但大部分自称数字孪生的项目其实只是 3D 可视化。

落地路径：先做 L1（设计仿真），再做 L2（实时状态镜像 + 异常预警），最后才可能做 L3（闭环控制）。

技术栈：仿真软件（FlexSim/AnyLogic）+ 数据平台（MQTT/Kafka/OPC UA）+ 可视化（Power BI / Web 3D 如 Three.js）。FlexSim 近年来主推的正是这个方向。

七、FlexSim 实操要点（以 FlexSim 为例）

若你用 Arena 或 AnyLogic，概念完全通用，只是操作不同。

7.1 核心对象库

7.2 三种建模范式

① 拖拽连线法（3D 模型直接连）：

对象之间用 A 连接（实体流动路径）和 S 连接（资源调用）连起来。适合简单模型，但复杂逻辑会连成"意大利面"。

② Process Flow（流程逻辑）：

FlexSim 的 Process Flow 是一个图形化的流程建模工具（类似 Arena 的流程图），用 Token（令牌）驱动逻辑。

优点：

• 逻辑可视化，易维护
• 可以实现复杂的决策、循环、并行
• 与 3D 模型解耦，逻辑改动不影响 3D 布局

建议：简单模型用连线法，复杂逻辑用 Process Flow。现代 FlexSim 的最佳实践是两者结合——3D 只放"骨架"（对象 + 物理连接），所有业务逻辑（排产、优先级、异常处理）放在 Process Flow 里。

③ FlexScript / Python 脚本：

用于自定义行为。FlexScript 语法类似 C++，FlexSim 新版本也支持 Python。

常用场景：

• 自定义触发逻辑
• 与外部文件/数据库交互
• 复杂的数据处理

7.3 故障与换型建模

故障（MTBF/MTTR）： 在 Processor 的 Triggers > On Breakdown 或使用 MTBF/MTTR 工具（Toolbox 里添加 MTBFMTTR 对象，指定作用对象、首次故障时间分布、间隔分布、修复时间分布、修复所需人员）。

换型（Setup / Changeover）： 在 Processor 的 Processor > Setup Time 中设定，配合"按实体类型触发换型"的逻辑（当连续处理的实体类型变化时触发换型）。

换型矩阵（不同产品之间换型时间不同）：

这种矩阵在 FlexSim 里需要用全局表 + 脚本实现。换型顺序优化（找最优生产序列）本身就是一个调度问题。

7.4 关键统计指标

FlexSim 自动统计（Dashboard 里可查看）：

利用率的深入解读：

$$\text{总时间} = \text{Processing} + \text{Setup} + \text{Blocked} + \text{Starved} + \text{WaitForOperator} + \text{Failed} + \text{Idle}$$

一个"利用率 90%"的工位，如果其中 Blocked 占 20%、Starved 占 15%，那么它真正有价值的工作只有 55%。这正是改善的方向。

7.5 Experimenter（实验管理器）

FlexSim 的 Experimenter 是最有用的模块之一：

1. Statistics > Experimenter
2. 定义情景（Scenario）：改变的参数（如设备数量、AGV 数量、WIP 上限）
3. 定义性能指标（Performance Measure）：如日产出、平均周期时间
4. 设定重复次数（Replications per Scenario）
5. 运行 → 自动跑完所有情景 × 所有重复
6. 输出：对比表、箱线图、置信区间

技巧：

• 勾选 "Use Fixed Seed for Repeated Scenarios" 启用 CRN（配对比较）
• 情景不要太多（10~20 个为宜），否则运行时间爆炸
• 先用优化器缩小范围，再用 Experimenter 精细比较

7.6 常见错误信息

八、新手最常犯的十个错误

九、学习路径与资源

9.1 学习顺序

关键建议：第 4 阶段（输出分析）是专业与业余的分水岭。很多人能建出漂亮的 3D 模型，但报一个单次运行的数字就去汇报——这在专业评审中会被直接质疑。

9.2 推荐教材

• Jerry Banks 等《Discrete-Event System Simulation》：DES 领域公认标准教材，系统讲解随机数、输入分析、输出分析、V&V。中译本《离散事件系统仿真》。
• Law & Kelton《Simulation Modeling and Analysis》：更偏统计方法，输出分析部分最权威。
• Averill Law《Simulation Modeling and Analysis》精简版：适合入门。
• W. David Kelton 等《Simulation with Arena》：如果学 Arena，这本是最好的配套教材。

9.3 开源替代

SimPy 示例（最简单的 M/M/1 队列）：

import simpy
import random

def customer(env, name, counter):
    arrive = env.now
    with counter.request() as req:
        yield req
        wait = env.now - arrive
        yield env.timeout(random.expovariate(1/5))  # 服务时间均值 5
        print(f'{name} 等待 {wait:.1f} 分钟')

def setup(env, counter):
    i = 0
    while True:
        yield env.timeout(random.expovariate(1/8))  # 到达间隔均值 8
        i += 1
        env.process(customer(env, f'顾客{i}', counter))

env = simpy.Environment()
counter = simpy.Resource(env, capacity=1)
env.process(setup(env, counter))
env.run(until=480)  # 跑 480 分钟

用 Python 学 DES 的好处是：强迫你理解底层逻辑（事件是显式写出来的），而不是只会点菜单。对于想深入理解原理的人，先用 SimPy 写几个小模型，再学商业软件会快很多。

结语：仿真是一种思维方式

学会一个仿真软件的操作，大约需要两周。但学会用仿真的思维看系统，需要几年。

仿真思维的核心是三个认识：

第一，波动是有代价的。 一个平均利用率 85% 的系统和一个 95% 的系统，表现的差异不是 10%，可能是 3 倍。降低波动（标准化作业、预防性维护、质量改善）往往比提升平均速度更有效。

第二，系统是有耦合的。 局部最优不等于全局最优。给瓶颈工位加一台设备，产出可能提升 30%；给非瓶颈工位加一台，产出可能提升 0%，只是多了一堆 WIP。

第三，直觉是不可靠的。 人类的直觉在处理排队、随机、反馈回路时系统性失效。仿真不是因为你算不出来才用，而是因为你的直觉会骗你。

最后，关于仿真项目的一个忠告：永远不要把仿真结果当作"答案"，要把它当作"更好的问题"。当一个仿真结果出乎意料时（比如加了设备产能反而下降），不要急着改模型让它"符合预期"——先问为什么。那些意外的结果，往往藏着对系统最深刻的洞察。

相关阅读

• 仿真方法论完全指南：用数字孪生前的第一步把产线跑明白：仿真不是画动画，而是用统计实验回答'如果这样改，会怎样'。本文讲清离散事件仿真原理、建模七步…
• 工业工程必备软件地图：从 Excel 到 FlexSim，每个阶段该学什么：按学习阶段给出 IE 的软件全景图：Excel、统计分析、仿真建模、CAD、企业系统，并给出…
• MES 系统完全指南：从原理、选型到落地实施：MES 是工厂数字化投入最大、失败率也最高的系统之一。本文讲透：MES 到底解决什么问题（E…
• 用 Python 做 IE 数据分析：从工时数据到线平衡计算：四个可直接运行的 IE 场景代码：标准工时自动计算、产线平衡分析、离散事件仿真、运筹优化排产…
• 工业工程师的 Excel 实战手册：从工时分析、过程能力到线平衡的 30 个技法：面向 IE 场景的 Excel 实操手册：连续测时数据差分还原、IQR 与 3σ 异常值剔除…