Effektive Fabrikplanung mit einem digitalen Zwilling von Simio

Einführung

In der heutigen Welt konkurrieren Unternehmen nicht nur über Preis und Qualität, sondern auch über ihre Fähigkeit, Produkte zuverlässig und rechtzeitig zu liefern. Ein guter Produktionsplan beeinflusst daher den Durchsatz, den Umsatz und die Kundenzufriedenheit eines Unternehmens. Obwohl die Unternehmen Millionen in Informationstechnologie für Enterprise Resource Planning (ERP) und Manufacturing Execution Systems (MES) investiert haben, kamen diese Investitionen bei der detaillierten Produktionsplanung zu kurz, so dass die meisten Unternehmen auf manuelle Methoden mit Excel und Plantafeln zurückgreifen. Gleichzeitig wird die Aufgabe durch die Branchentrends hin zu geringeren Beständen, kürzeren Vorlaufzeiten, einer verstärkten Produktanpassung, einer Zunahme der SKUs und einer flexiblen Fertigung immer komplizierter. Die Erstellung eines realisierbaren Plans erfordert die gleichzeitige Berücksichtigung von Material, Arbeit, Ausrüstung und Nachfrage. Diese Hürde ist einfach zu hoch für jede manuelle Planungsmethode. Die Herausforderung, einen verlässlichen Plan zu erstellen, erfordert eine digitale Transformation, die eine automatisierte und zuverlässige Planung unterstützen kann.

Im Mittelpunkt der Idee einer effektiven Fabrikplanung steht das Konzept eines umsetzbaren Plans. Ein umsetzbarer Zeitplan ist ein Zeitplan, der die detaillierten Beschränkungen und Betriebsregeln im System vollständig berücksichtigt und daher in der Fabrik vom Produktionspersonal ausgeführt werden kann. Ein Problem bei vielen Terminplanungslösungen ist, dass sie eine oder mehrere detaillierte Einschränkungen ignorieren und daher nicht wie angegeben in der Fabrikhalle ausgeführt werden können. Bei einem nicht umsetzbaren Zeitplan müssen die Bediener eingreifen und den geplanten Zeitplan außer Kraft setzen, um die tatsächlichen Einschränkungen des Systems zu berücksichtigen. An diesem Punkt wird der Zeitplan nicht mehr eingehalten, und es werden lokale Entscheidungen getroffen, die sich auf die System-KPIs auswirken, ohne dass dies für die Bediener sichtbar ist.

Ein zweiter zentraler Gedanke einer effektiven Planung ist die angemessene Berücksichtigung von Schwankungen und ungeplanten Ereignissen in der Fabrik und der entsprechenden negativen Auswirkungen auf den Durchsatz und die termingerechte Lieferung. Die meisten Planungsansätze lassen dieses kritische Element des Systems völlig außer Acht und erstellen daher optimistische Pläne, die in der Praxis nicht eingehalten werden können. Was anfangs wie ein realisierbarer Zeitplan aussieht, verschlechtert sich im Laufe der Zeit, wenn Maschinen ausfallen, Arbeiter krank werden, Material verspätet eintrifft, Nacharbeit erforderlich ist usw. Die optimistischen Versprechen, die gemacht wurden, können nicht gehalten werden.

Eine dritte Überlegung ist die Auswirkung eines nicht realisierbaren Zeitplans auf den Plan der Lieferkette. Die Fabrikplanung ist nur der letzte Schritt im Produktionsplanungsprozess, der mit der Planung der Lieferkette auf der Grundlage der tatsächlichen und/oder prognostizierten Nachfrage beginnt. Der Supply-Chain-Planungsprozess generiert Produktionsaufträge und legt in der Regel den Materialbedarf für jede Planungsperiode im gesamten Produktionsnetzwerk fest. Die Produktionsaufträge, die während dieses Prozesses für jede Fabrik im Netzwerk generiert werden, basieren auf einem Grobmodell der Produktionskapazität. Der Supply-Chain-Planungsprozess hat nur einen sehr begrenzten Einblick in die tatsächlichen Beschränkungen der Fabrik, und die daraus resultierenden Produktionsanforderungen überschätzen häufig die Kapazität der Fabrik. In der Folge müssen die Planer in der Fabrik einen detaillierten Plan entwickeln, um diese Produktionsanforderungen unter Berücksichtigung der tatsächlichen Einschränkungen durch die Ausrüstung, die Arbeitskräfte usw. zu erfüllen. Die Anpassungen, die in der Fabrik vorgenommen werden, um den Plan umsetzbar zu machen, sind für die Planer der Lieferkette nicht transparent. Dies führt zu einer Unterbrechung der Verbindung in einer zentralen Unternehmensplanungsfunktion, in der enorme Ausgaben anfallen.

In diesem Papier werden wir die Lösung für diese Herausforderungen, den Process Digital Twin, und den Weg dorthin diskutieren. Die Simio Digital Twin Lösung basiert auf der patentierten Simio Risk-based Planning and Scheduling (RPS) Software. Wir beginnen mit einer Beschreibung und einem Vergleich der drei gängigen Ansätze zur Fabrikplanung. Anschließend werden wir die Vorteile eines Digitalen Zwillings für die Fabrikplanung, der auf Simio RPS aufbaut, im Detail diskutieren.

Ansätze für die Fabrikplanung

Beginnen wir mit der Diskussion der drei gängigsten Ansätze zur Lösung des Planungsproblems, die heute verwendet werden: 1) manuelle Methoden mit Hilfe von Plantafeln oder Tabellenkalkulationen, 2) Ressourcenmodelle und 3) Prozess Digital Twin.

Manuelle Methoden

Die heute am häufigsten verwendete Methode für die Fabrikplanung ist die manuelle Methode, die in der Regel durch Tabellenkalkulationen oder Planungstafeln ergänzt wird. Der Einsatz der manuellen Planung ist in der Regel nicht die erste Wahl des Unternehmens, sondern das Ergebnis des Scheiterns von automatisierten Systemen.

Die manuelle Erstellung eines Zeitplans für eine komplexe Fabrik ist eine sehr anspruchsvolle Aufgabe, die ein detailliertes Verständnis aller Anlagen, Arbeitskräfte und betrieblichen Einschränkungen erfordert. Zu den fünf frustrierendsten Nachteilen gehören:

• Für einen Planer ist es schwierig, alle kritischen Randbedingungen zu berücksichtigen. Während sich der Planer in der Regel auf die primären Randbedingungen konzentrieren kann, sind ihm die sekundären Randbedingungen oft nicht bekannt – oder er muss sie ignorieren -, und diese Auslassungen führen zu einem nicht umsetzbaren Plan.
• Die manuelle Planung nimmt in der Regel Stunden in Anspruch, und sobald eine Änderung eintritt, ist der Zeitplan nicht mehr umsetzbar.
• Die Qualität des Zeitplans hängt vollständig von den Kenntnissen und Fähigkeiten des Planers ab. Wenn der Planer in den Ruhestand geht, Urlaub macht oder krank ist, kann der Ersatzplaner weniger qualifiziert sein und die KPIs können sich verschlechtern.
• Für den Planer ist es praktisch unmöglich, die verschlechternde Wirkung von Abweichungen auf den Zeitplan zu berücksichtigen und daher zuverlässige Fertigstellungszeiten für Aufträge zu liefern.
• Wenn sich kritische Aufträge verspäten, greifen die manuellen Planer darauf zurück, andere Aufträge zu verschieben, um diese „heißen“ Aufträge unterzubringen, was den Fluss unterbricht und weitere „heiße“ Aufträge erzeugt. Das System wird ruckartig, und es kommt zu einem Feuergefecht.

Ressourcenmodell

Unternehmen, die eine automatisierte Methode für die Fabrikplanung einsetzen, verwenden in der Regel einen Ansatz, der auf einem Ressourcenmodell der Fabrik basiert. Ein Ressourcenmodell besteht aus einer Liste kritischer Ressourcen mit Zeitfenstern, die den Aufgaben zugewiesen sind, die von der Ressource auf der Grundlage der geschätzten Aufgabenzeiten bearbeitet werden müssen. Die Ressourcenliste enthält Maschinen, Vorrichtungen, Arbeiter usw., die für die Produktion erforderlich sind. Im Folgenden ist ein Gantt-Diagramm dargestellt, das ein einfaches Ressourcenmodell mit vier Ressourcen (A, B, C, D) und zwei Aufträgen (blau, rot) zeigt. Der blaue Auftrag hat die Vorgangsreihenfolge A, D und B, und der rote Auftrag hat die Vorgangsreihenfolge A und B.

Die Ressourcen in einem Ressourcenmodell sind durch einen Zustand definiert, der besetzt, unbesetzt oder arbeitsfrei sein kann. Wenn eine Ressource mit einer Aufgabe beschäftigt ist oder keine Schicht hat, müssen andere Aufgaben darauf warten, der Ressource zugewiesen zu werden (z. B. wartet Rot auf Blau auf Ressource A). Die Planungswerkzeuge, die auf einem Ressourcenmodell basieren, haben alle die gleiche Darstellung der Fabrikkapazität und unterscheiden sich nur darin, wie Aufgaben den Ressourcen zugewiesen werden.

Das Problem, das alle diese Werkzeuge gemeinsam haben, ist ein allzu einfaches Modell für Beschränkungen. Obwohl dieses Modell in einigen einfachen Anwendungen funktionieren mag, gibt es in Fabriken viele Einschränkungen, die nicht durch einen einfachen Besetzt-, Leerlauf- oder Freischaltzustand für eine Ressource dargestellt werden können. Betrachten Sie die folgenden Beispiele:

• Ein System verfügt über zwei Kräne (A und B) auf einer Bahn, die zum Transport von Flugzeugteilen zu den Arbeitsplätzen verwendet werden. Obwohl Kran A derzeit nicht im Einsatz ist, wird er von Kran B blockiert und kann daher nicht mit der Aufgabe betraut werden.
• Ein Arbeitsplatz an der Produktionslinie 1 ist gerade frei und bereit, eine neue Aufgabe zu übernehmen. Dieser Arbeitsplatz ist jedoch nur begrenzt verfügbar, wenn an der benachbarten Linie 2 ein komplexer Vorgang läuft.
• Für den Abschluss der Montage wird ein Monteur benötigt. Es gibt derzeit freie Monteure, aber derselbe Monteur, der der vorherigen Aufgabe zugewiesen war, muss auch für diese Aufgabe eingesetzt werden, und dieser Monteur ist derzeit beschäftigt.
• Für diese Aufgabe wird ein Einrichter benötigt. Der Bediener ist untätig, befindet sich aber im benachbarten Gebäude und muss zu diesem Ort fahren, bevor die Einrichtung beginnen kann.
• Bei den Aufgaben geht es um den Durchfluss von Flüssigkeiten durch Rohre, Ventile und Lager-/Mischtanks, wobei der Durchfluss durch komplexe Regeln begrenzt wird.
• Ein Auftrag erfordert eine Behandlung in einem Ofen, der Ofen ist in Betrieb, hat aber nicht die erforderliche Temperatur.

Dies sind nur einige Beispiele für typische Beschränkungen, für die ein einfaches Modell mit besetzten, unbesetzten und schichtfreien Ressourcen unzureichend ist. Jede Fabrik hat ihre eigene Reihe solcher Einschränkungen, die die Kapazität der Anlage begrenzen.

Die Planungswerkzeuge, die ein einfaches Ressourcenmodell verwenden, weisen den Ressourcen Aufgaben zu, indem sie einen von drei grundlegenden Ansätzen verwenden: Heuristiken, Optimierung und Simulation.

Eine gängige Heuristik ist die Auftragsreihenfolge, die mit dem Auftrag mit der höchsten Priorität beginnt und alle Aufgaben für diesen Auftrag zuweist und diesen Prozess für jeden Auftrag wiederholt, bis alle Aufträge eingeplant sind (im vorigen Beispiel wird zuerst der blaue und dann der rote Auftrag eingeplant). Dieser einfache Ansatz für die Auftragsreihenfolge kann entweder in Vorwärtsrichtung, beginnend mit dem Freigabedatum, oder in Rückwärtsrichtung, beginnend mit dem Fälligkeitsdatum, durchgeführt werden. Beachten Sie, dass eine rückwärts gerichtete Sequenzierung (die zwar für die Gesamtplanung nützlich ist) bei der Feinplanung in der Regel problematisch ist, da der resultierende Zeitplan anfällig ist und jede Unterbrechung des Arbeitsflusses zu einer Verspätung des Auftrags führt. Diese einfache Heuristik für die Reihenfolge der Aufträge kann keine komplexen Betriebsregeln berücksichtigen, wie z. B. die Minimierung von Umrüstungen oder die Durchführung von Produktionskampagnen auf der Grundlage von Attributen wie Größe oder Farbe. Es wurden jedoch im Laufe der Zeit viele verschiedene Heuristiken entwickelt, um speziellen Anwendungsanforderungen gerecht zu werden. Beispiele für Scheduling-Tools, die Heuristiken verwenden, sind Preactor von Siemens und PP/DS von SAP.

Der zweite Ansatz für die Zuweisung von Aufgaben zu Ressourcen im Ressourcenmodell ist die Optimierung, bei der das Problem der Aufgabenzuweisung als eine Reihe von Sequenzierungsbeschränkungen formuliert wird, die erfüllt werden müssen, während ein Ziel wie die Minimierung der Verspätung oder der Kosten erreicht wird. Die mathematische Formulierung wird dann mit einem Constraint Programming (CP) Solver „gelöst“. Der CP-Solver verwendet heuristische Regeln für die Suche nach möglichen Aufgabenzuweisungen, die die Sequenzeinschränkungen erfüllen und das Ziel verbessern. Es ist zu beachten, dass es keinen Algorithmus gibt, der die mathematische Formulierung der Aufgabenzuweisung für das Ressourcenmodell in angemessener Zeit optimieren kann (dieses Problem ist technisch als NP-schwer eingestuft), und daher verlassen sich die verfügbaren CP-Solver auf Heuristiken, um eine „praktische“, aber nicht optimale Lösung zu finden. In der Praxis ist der Optimierungsansatz nur begrenzt anwendbar, da oft lange Laufzeiten (Stunden) erforderlich sind, um eine gute Lösung zu finden. Obwohl PP/DS den CP-Solver von ILOG für die Zuweisung von Aufgaben zu Ressourcen beinhaltet, verlassen sich die meisten Installationen von PP/DS auf die verfügbaren Heuristiken für die Aufgabenzuweisung.

Der dritte Ansatz für die Zuweisung von Aufgaben im einfachen Ressourcenmodell ist ein Simulationsansatz. In diesem Fall simulieren wir den Fluss der Aufträge durch das Ressourcenmodell der Fabrik und ordnen die Aufgaben den verfügbaren Ressourcen zu, indem wir Dispositionsregeln wie die kleinste Umstellung oder die früheste Fertigstellung verwenden. Dieser Ansatz hat mehrere Vorteile gegenüber dem Optimierungsansatz. Erstens wird er viel schneller ausgeführt, da er einen Zeitplan in Minuten statt in Stunden erstellt. Ein weiterer wichtiger Vorteil ist, dass er eine benutzerdefinierte Entscheidungslogik für die Zuweisung von Aufgaben zu Ressourcen unterstützen kann. Ein Beispiel für ein Tool, das diesen Ansatz verwendet, ist Preactor 400 von Siemens.

Unabhängig davon, welcher Ansatz für die Zuweisung von Aufgaben zu Ressourcen verwendet wird, geht der resultierende Zeitplan von allen zufälligen Ereignissen und Schwankungen im System aus. Daher sind die resultierenden Zeitpläne optimistisch und führen zu überhöhten Versprechungen bezüglich der Lieferzeiten für die Kunden. Diese Werkzeuge bieten keinen Mechanismus zur Bewertung des mit dem Zeitplan verbundenen Risikos.

Digitaler Zwilling

Der dritte und neueste Ansatz für die Fabrikplanung ist ein digitaler Zwilling der Fabrik. Ein Digitaler Zwilling ist eine digitale Nachbildung der Prozesse, Anlagen, Menschen und Geräte, aus denen die Fabrik besteht, und kann sowohl für die Systemplanung als auch für den Betrieb verwendet werden. Die Ressourcen im System haben nicht nur einen Betriebs-, Leerlauf- und Freischichtzustand, sondern sind auch Objekte mit Verhaltensweisen, die sich im System bewegen und mit den anderen Objekten im Modell interagieren können, um das Verhalten und die detaillierten Beschränkungen der realen Fabrik nachzubilden. Der Digitale Zwilling bietet eine neue Ebene der Planungssicherheit, die mit den bestehenden ressourcenbasierten Modellierungswerkzeugen nicht möglich ist.

Simio Digitaler Zwilling

Der Simio Digital Twin ist ein objektbasiertes, datengesteuertes, animiertes 3D-Modell der Fabrik, das mit Echtzeitdaten aus dem ERP, MES und verwandten Datenquellen verbunden ist. Wir fassen nun die wichtigsten Vorteile des Simio Digital Twin als Fabrikplanungslösung zusammen.

Doppelnutzung: Systemaufbau und -betrieb

Obwohl der Schwerpunkt hier auf der Verbesserung des Durchsatzes und der termingerechten Lieferung durch eine bessere Planung unter Verwendung des bestehenden Fabrikdesigns liegt, kann der digitale Zwilling von Simio im Gegensatz zu herkömmlichen Planungswerkzeugen auch zur Optimierung des Fabrikdesigns verwendet werden. Dasselbe Simio-Modell, das für die Fabrikplanung verwendet wird, kann auch dazu verwendet werden, unsere Änderungen an der Anlage zu testen, wie z. B. das Hinzufügen neuer Anlagen, die Änderung des Personalbestands, die Konsolidierung von Produktionsschritten, das Hinzufügen von Pufferbeständen, usw.

Umsetzbare Zeitpläne

Eine grundlegende Anforderung an jede Planungslösung ist, dass sie umsetzbare Pläne liefert, die in der realen Fabrik implementiert werden können. Wenn ein nicht umsetzbarer Produktionsplan an die Fabrikhalle geschickt wird, haben die Produktionsmitarbeiter keine andere Wahl, als den Plan zu ignorieren und ihre eigenen Entscheidungen auf der Grundlage lokaler Informationen zu treffen.

Damit ein Zeitplan umsetzbar ist, muss er alle detaillierten Randbedingungen des Systems erfassen. Da die Grundlage des Simio Digital Twin ein objektbasiertes Modellierungswerkzeug ist, kann das Fabrikmodell all diese Randbedingungen so detailliert wie nötig erfassen. Dazu gehören komplexe Randbedingungen wie Materialhandhabungsgeräte, komplexe Anlagen, Arbeiter mit unterschiedlichen Fähigkeiten und komplexe Anforderungen an die Reihenfolge,

In vielen Systemen gibt es Betriebsregeln, die sich im Laufe der Zeit zur Steuerung der Produktionsprozesse entwickelt haben. Diese Betriebsregeln sind ebenso wichtig wie die wichtigsten Systembeschränkungen; jeder Zeitplan, der diese Betriebsregeln ignoriert, ist nicht umsetzbar. Der Simio-Modellierungsrahmen verfügt über eine flexible regelbasierte Entscheidungslogik zur Umsetzung dieser Betriebsregeln. Das Ergebnis ist ein umsetzbarer Zeitplan, der sowohl die physischen Einschränkungen des Systems als auch die Standardbetriebsregeln berücksichtigt.

Schnelle Ausführung

In den meisten Unternehmen ist die Nutzungsdauer eines Zeitplans kurz, weil ungeplante Ereignisse und Abweichungen auftreten, die den aktuellen Zeitplan ungültig machen. In diesem Fall muss ein neuer Plan erstellt und so schnell wie möglich verteilt werden, damit die Produktion reibungslos weiterläuft. Ein manueller oder optimierungsbasierter Ansatz zur Planregenerierung, der mehrere Stunden in Anspruch nimmt, ist nicht praktikabel. In diesem Fall übernehmen die Werksmitarbeiter die Arbeit und treffen ihre eigenen lokalen Planungsentscheidungen, die möglicherweise nicht mit den systemweiten KPIs übereinstimmen. Wenn zufällige Ereignisse eintreten, kann der Simio Digital Twin schnell reagieren und einen neuen, umsetzbaren Zeitplan generieren und verteilen. Die Neugenerierung von Zeitplänen kann entweder manuell durch den Planer oder automatisch durch Ereignisse im System ausgelöst werden.

3D-Animationsmodell und Zeitplan

In anderen Planungssystemen ist die einzige grafische Ansicht des Modells und des Zeitplans das Ressourcen-Gantt-Diagramm. Im Gegensatz dazu bietet der digitale Zwilling von Simio eine leistungsstarke Kommunikation und Visualisierung sowohl der Modellstruktur als auch des resultierenden Zeitplans. Im Idealfall sollte jeder im Unternehmen – von der Werkstatt bis zur obersten Etage – in der Lage sein, das Modell so gut zu sehen und zu verstehen, dass seine Struktur validiert werden kann. Eine gute Lösung verbessert nicht nur die Fähigkeit, einen umsetzbaren Zeitplan zu erstellen, sondern auch, ihn zu visualisieren und auf allen Ebenen des Unternehmens zu erläutern.

Das Gantt-Diagramm von Simio ist direkt mit der animierten 3D-Anlage verknüpft. Klicken Sie mit der rechten Maustaste auf eine Ressource entlang der Zeitskala in der Gantt-Ansicht, und Sie gelangen sofort zu einer animierten Ansicht dieses Teils der Anlage, die die Maschinen, Arbeiter und laufenden Arbeiten zu diesem Zeitpunkt im Zeitplan zeigt. Von diesem Punkt aus können Sie in der Zeit vorwärts simulieren und beobachten, wie sich der Zeitplan im realen System entfaltet. Die Vorteile des Digitalen Zwillings von Simio beginnen mit der genauen und schnellen Erstellung eines umsetzbaren Zeitplans. Die Vorteile kulminieren jedoch in der Fähigkeit des Digitalen Zwillings, seine Struktur, seine Modelllogik und die sich daraus ergebenden Zeitpläne an jeden zu kommunizieren, der davon Kenntnis haben muss.

Risikoanalyse

Einer der Hauptmängel von Planungswerkzeugen ist ihre Unfähigkeit, mit ungeplanten Ereignissen und Abweichungen umzugehen. Im Gegensatz dazu kann der Simio Digital Twin diese ungeplanten Ereignisse und Abweichungen genau modellieren, um nicht nur einen detaillierten Zeitplan zu erstellen, sondern auch das mit dem Zeitplan verbundene Risiko zu analysieren.

Bei der Erstellung eines Zeitplans werden die zufälligen Ereignisse/Variationen automatisch deaktiviert, um einen deterministischen Zeitplan zu erstellen. Wie andere deterministische Zeitpläne ist er optimistisch, was die rechtzeitige Fertigstellung angeht. Sobald dieser Zeitplan jedoch erstellt ist, wird dasselbe Modell mehrfach mit aktivierten Ereignissen/Variationen ausgeführt, um eine Zufallsstichprobe mehrerer Zeitpläne auf der Grundlage der Unsicherheit im System zu erstellen. Aus der Menge der zufällig generierten Zeitpläne werden dann Risikomaße abgeleitet, z. B. die Wahrscheinlichkeit, dass jeder Auftrag rechtzeitig ausgeliefert wird. Diese Risikokennzahlen werden direkt im Gantt-Gannt-Diagramm und in den entsprechenden Berichten angezeigt. So weiß der Planer im Voraus, welche Aufträge riskant sind, und kann Maßnahmen ergreifen, um sicherzustellen, dass wichtige Aufträge mit hoher Wahrscheinlichkeit rechtzeitig ausgeliefert werden.

Constraint-Analyse

Es ist nicht ungewöhnlich, dass der Planungsprozess für die Lieferkette, der auf einem groben Kapazitätsmodell der Fabrik basiert, mehr Arbeit an eine Produktionsanlage sendet, als angesichts der tatsächlichen Kapazität und der betrieblichen Einschränkungen der Anlage problemlos produziert werden kann. In diesem Fall weist der resultierende Feinplan einen oder mehrere verspätete Aufträge und/oder Aufträge mit hohem Verspätungsrisiko auf. Es stellt sich dann die Frage, welche Maßnahmen der Planer ergreifen kann, um sicherzustellen, dass alle wichtigen Aufträge termingerecht geliefert werden.

Während andere Planungsansätze einen Zeitplan erstellen, geht Simio Digital Twin noch einen Schritt weiter, indem es auch eine Analyse aller nicht wertschöpfenden Zeiten (NVA) liefert, die von jedem Auftrag im System verbraucht werden. Dazu gehört auch die Zeit, die für das Warten auf eine Maschine, einen Bediener, Material, ein Materialhandhabungsgerät oder eine andere Einschränkung, die die Produktion des Artikels behindert, benötigt wird. Wenn der Zeitplan also zeigt, dass sich ein Artikel verspäten wird, zeigt die Beschränkungsanalyse, welche Maßnahmen ergriffen werden können, um die NVA-Zeit zu reduzieren und das Produkt rechtzeitig zu liefern. Wenn der Artikel beispielsweise sehr lange auf einen Rüstvorgang wartet, kann die Einplanung von Überstunden für diesen Mitarbeiter gerechtfertigt sein.

Multi-Industrie

Obwohl die Planung innerhalb der vier Wände einer diskreten Produktionsanlage ein wichtiger Anwendungsbereich ist, gibt es viele Planungsanwendungen außerhalb der diskreten Fertigung. Viele Fertigungsanwendungen umfassen Flüssigkeitsströme mit Lager-/Mischtanks, Chargenverarbeitung sowie diskrete Teileproduktion. Im Gegensatz zu anderen Planungswerkzeugen, die auf die diskrete Fertigung beschränkt sind, wird der Digitale Zwilling von Simio in vielen verschiedenen Anwendungsbereichen eingesetzt, darunter auch in der gemischten Fertigung und in Bereichen außerhalb der Fertigung wie Logistik und Gesundheitswesen. Diese Anwendungen werden durch den flexiblen Modellierungsrahmen von Simio RPS ermöglicht.

Flexible Integration

Ein Digitaler Prozesszwilling ist ein detailliertes Simulationsmodell, das direkt mit Echtzeit-Systemdaten verbunden ist. Herkömmliche Simulationsmodellierungstools sind nur begrenzt in der Lage, eine Verbindung zu Echtzeitdaten aus ERP, MES und anderen Datenquellen herzustellen. Im Gegensatz dazu wurde Simio RPS von Grund auf mit der Datenintegration als Hauptanforderung entwickelt.

Simio RPS unterstützt eine Digital Twin-Implementierung durch die Bereitstellung eines flexiblen relationalen In-Memory-Datensatzes, der sowohl auf Modellkomponenten als auch auf externe Datenquellen direkt abgebildet werden kann. Dieser Ansatz ermöglicht die direkte Integration mit einer Vielzahl von Datenquellen und gleichzeitig eine schnelle Ausführung des Simio RPS-Modells.

Datengenerierte Modelle

Bei globalen Anwendungen gibt es in der Regel mehrere Produktionsstätten auf der ganzen Welt, die die gleichen Produkte herstellen. Obwohl jede Anlage ihr eigenes, einzigartiges Layout hat, gibt es in der Regel erhebliche Überschneidungen in Bezug auf Ressourcen (Ausrüstung, Mitarbeiter usw.) und Prozesse. In diesem Fall bietet Simio RPS spezielle Funktionen, die es ermöglichen, den Digitalen Zwilling für jede Anlage automatisch aus Datentabellen zu generieren, die auf Modellierungskomponenten abgebildet werden, die die Ressourcen und Prozesse beschreiben. Dies vereinfacht die Entwicklung mehrerer Digitaler Zwillinge im gesamten Unternehmen erheblich und unterstützt auch die Neukonfiguration jedes Digitalen Zwillings über die Bearbeitung von Datentabellen, um laufenden Änderungen bei Ressourcen und/oder Prozessen Rechnung zu tragen.