面向汽車生產的倉庫布局優化

明菲菲，石 磊

（長安大學，陜西 西安 710064）

1 引言

優化倉庫布局可以降低倉庫的物料搬運成本及運營成本，合理規劃好倉儲、加工等物流部門和輔助部門的相對位置，并較好地發揮經濟效益和社會效益，有深遠的意義[1]。

顏廷鑫[2]從Fishbone 布局出發,建立了基于Fishbone布局的倉庫貨位分配模型,采用結合了遺傳算法和蟻群算法的混合算法對模型進行求解,并以維修備件庫為例進行了算例分析。趙珊[3]以SLP 方法為基礎，結合EIQ-PCB分析和系統搬運理論，對某服裝倉庫進行布局優化。黃芊芊[4]等人運用SLP方法對倉庫布局進行優化，并利用加權因素比較法對其進行方案評價，從而獲得合理的倉庫布局。劉仁前[5]等人利用Flexsim 仿真軟件，驗證了某汽車零部件企業的包裝車間流水線改進方案的可行性，證明改進后的包裝流水線能提高包裝作業效率并提高解決問題件的效率。

2 倉庫布局方案確定

作為某汽車公司的承包商，倉庫中所存儲的物品為汽車零件。對于汽車零件來說，不僅種類繁雜，零件的大小不一，而且對于每個零件的需求頻率也不同，最重要的是其對于零件的存儲與搬運方式必須滿足準時制的要求，這樣才能保證車輛裝配線的正常運作[6]。

在倉庫原始布局中，由于倉儲區1 以儲存中、大件零件為主，但其中需要翻包的大件零件距離大件翻包區的距離相對較遠，這不僅會使運輸工具的運送總路程增加，還會使物流效率也因距離的增加而變低。另外，需要總成作業的大型零件，要從大件翻包區流出，再流入小總成區，這會使得物料在倉庫中的運動軌跡存在折返，從而使得物流效率相應變低。使用ABC分類法[7]，將倉庫的整體出貨訂單、出貨量、出貨次數進行簡化，找出一般的規律，再使用EIQ 分析[8]，進行相應的 EQ 分析（Entry Quantity，即訂單量分析）、EN 分析（Entry Number，即訂單品種數分析）及IK 分析（Item Kind，即品種受訂次數分析）。通過分析可知，要使倉庫的物流效率得到提高，不僅要設置零散揀貨區，還要注意不同貨物的儲存位置，即將批次較大、出入庫頻次較高的貨物放置在靠近出口的位置。

使用SLP 方法[9]得到綜合相互關系密切程度，并以此為依據進行倉庫布局設計，通過結合上文中EIQ分析的結果。按照上述要求，得到了如圖1、圖2所示的兩種倉庫布局方案。

圖1 方案1倉庫布局

圖2 方案2倉庫布局

相對于方案2，方案1 將小總成作業區與大件翻包區的位置更加靠近，同時使得物料的流動成直線型，沒有折返，雖然會將小件翻包區與倉庫區2 的距離增加，但由于小件零件的訂貨次數較少、零件體積較小，可以通過少量的運送次數就可以完成，所以在此處增加的物流成本可以通過大型零件的流動過程中節省的成本而抵消。

3 原有布局方案與現有布局方案在Flexsim中的仿真與對比

3.1 可行布局方案的仿真

為了展示倉庫整體的實際大小，本文用四個網絡節點將倉庫的四周圈出，代表倉庫面積，方案1 與方案2的具體布局如圖3與圖4所示。

假定產品到達次數為12 次，且每種產品的到達數量依據實際數據設置。假定退貨的比例為20%，當貨物送入倉庫后，按照其大小種類不同儲存進不同的貨架。對于大件翻包區、小件翻包區及小總成區的貨物輸入的設置，假設倉儲區2的貨物全部運入小件翻包區，倉儲區1的貨物選取5個運入大件翻包區，倉儲區1的貨物選取3個運入小總成成品區。

3.2 原有方案仿真

原有方案的仿真過程如下：

原始布局如圖5所示。為方便原始布局方案與方案1的對比，所以將原始布局方案的參數都設置成與方案1 相同的參數。整體布局如圖6所示。

3.3 仿真結果對比與擇優

3.3.1 方案1與方案2仿真結果對比。從處理器（大件翻包區、小件翻包區）與合成器（小總成加工區）的利用率及物流效率兩個方面進行方案效果對比。

（1）處理器與合成器利用率。將模型的運行時間定為一天24h，即86 400s。重置并運行模型，直到模型在86 400s 時停止，在儀表盤即可看到各機器的利用率。

圖3 方案1整體布局

圖4 方案2整體布局

方案1 與方案2 的仿真結果如圖7與圖8所示。由圖7可知，大件翻包區與小件翻包區的利用率都在10%左右，利用率分配比較平均，小總成作業區的利用率大概在45%左右，說明零件的流動處于穩定狀態。由圖8可知，大件翻包區與小件翻包區的利用率都在7%左右，其中小件翻包區中兩個處理器利用率的分配不平均，小總成作業區的利用率比較高，大概在90%左右，處于瓶頸狀態，容易造成零件流動的阻塞。

圖5 倉庫原始布局圖

圖6 整體布局

（2）物流效率。在倉庫的運行過程中，設置模型運行時間為24h，即86 400s。結果中吸收器的輸入數目，即表示在運行過程中有多少貨物被運送出了倉庫。吸收器輸入數目多的，就表明模型的物流效率較高，反之則物流效率較低。結果表明，方案1 吸收器輸入數目為1 124 個，方案2 吸收器輸入數目為575個。

仿真結果表明，從處理器利用率來看，方案一的利用率比較平均，而且與方案二得到的利用率相比，效率更高；從合成器利用率來看，方案一的合成率僅為方案二的50%；從物流效率的結果來看，方案一吸收器的輸入數目幾乎是方案二的兩倍。綜上所述，方案一不管從處理器利用率還是從整體物流效率的結果，都比方案二的結果更好，雖然在分解器利用率上不如方案二高，但是從吸收器的結果上來看，影響不大，甚至還獲得了更多的吸收數目，說明在零件流入小總成作業區過程中物流效率的降低，對整體的物流效率并沒有產生過多的負面影響。綜上所述，選擇方案一為最優方案。

圖7 方案1處理器與合成器利用率

圖8 方案2處理器與合成器利用率

3.3.2 方案1與原始方案仿真結果對比

（1）處理器與合成器利用率。模型運行時間同樣設置為24h，即86 400s，得到運行結果如圖9所示。從圖9中可以看出大件翻包區與小件翻包區的利用率都在8%左右，其中小件翻包區中的兩個處理器利用率分配不平均，小總成作業區的利用率大概在57%左右，說明零件流動處于快速而穩定的狀態。

（2）物流效率。同樣設置模型運行時間為24h，即86 400s，得到原始方案中吸收器的輸入數目為975個。

結合上文中方案1與原始方案的運行結果，從處理器的利用率來看，方案1中無論是小件翻包區還是大件翻包區的處理器利用率都優于原始方案，而且各個處理器的利用率均相差不大，但原有布局方案中的小件翻包區內的處理器利用率分配明顯不均，由于在Flexsim軟件中，沒有特殊要求時，若一個實體有兩個輸出端口，則按端口的繁忙程度進行輸出，所以原始布局的利用率高低不均，而方案1的利用率卻比較平均，可能是由于原始布局中貨物流入小件翻包區的頻率沒有方案1高造成的，而貨物的流動頻率與物流效率有著緊密的聯系，所以可知原始布局中零件在翻包過程中的物流效率沒有方案1高。

從合成器的利用率來說，原始布局的利用率明顯高于方案1 的利用率，這可能是由于原始布局中，儲存大件零件的倉儲區1 距離大件翻包區的距離較方案1 更近一些，又因為這兩種方案中，大件翻包區與小總成作業區之間的距離相差無幾，所以由于距離的增加，使得零件從倉儲區1到小總成作業區的效率相對更高。

從生成報告中，吸收器的輸入數目來說，原有方案的975 個不如方案1 中的1 124 的高，說明原有方案的整體物流效率不如方案1。

所以綜合考慮，方案1優于原有方案效果的布局方案。

圖9 處理器與合成器利用率

4 結論

本文針對某汽車倉庫進行布局優化研究。在實地走訪、調研的基礎上，首先對相關數據進行EIQ 分析，通過調研歸納出儲存零件的特點，得出倉庫布局的建議及原有布局的不足，并以此為依據，使用SLP方法對倉庫進行布局設計，得到多種布局方案后，通過在Flexsim軟件上的仿真，模擬實際運行情況，選取處理器利用率與物流效率兩個指標，對設計得到的方案進行擇優。最后，再將擇優得到的方案通過同樣的方式，與原有布局方案的仿真結果進行比對，以驗證其優化效果。在整體設計過程中，得出了以下結論：

（1）對于汽車零件儲存倉庫來說，一個良好的布局設計方案，不僅要考慮物流量及各個作業單元之間的綜合關系與面積因素，與所存儲零件本身相關的因素也不能忽略，比如：訂貨周期及訂貨量的特點、零件的大小及各品種的數量多少、零件特殊的要求（儲存環境、搬運方式）等，掌握這些因素可以全面的了解倉庫的情況，從而更有針對性的進行布局設計。

（2）EIQ 分析與SLP 方法是相輔相成的關系，對于面向汽車生產的倉庫而言，先使用EIQ分析找出倉庫的問題，再在使用SLP 方法進行布局的過程中，加入對這些問題的考慮，得到的方案就會更全面、更有針對性，然后再加入Flexsim軟件的仿真，可以通過模型的運行，使得仿真的結果更加直觀的展示。