Höhere Optimierungsleistung mit KI
Simio ist das erste Unternehmen für ereignisdiskrete Simulationssoftware für digitale Zwillinge, das native, eingebettete Unterstützung für neuronale Netze bietet. Unsere intern entwickelte Unterstützung für diesen leistungsstarken KI-basierten Optimierungsansatz erfordert keine Programmierung und ist direkt in die Simio-Simulations-Engine integriert, so dass keine externen Anwendungen von Drittanbietern erforderlich sind. Unsere umfassende Unterstützung für Neuronale Netze beinhaltet die Möglichkeit, Neuronale Netze für Inferenzen direkt in der Logik von Simio Process Digital Twin-Modellen zu definieren und zu verwenden. Außerdem können synthetische Trainingsdaten von Simio-Modellen mit Hilfe der integrierten Datenerfassungsfunktionen und dem Neural Networks Trainer powered by TensorFlow automatisch erfasst werden. Simio unterstützt den Import und die Ausführung von KI-Modellen von Drittanbietern mit der Industriestandard-Inferenz-Engine ONNX. Die Simio-Funktionen zur Erfassung von Trainingsdaten können auch zur Erzeugung und zum Export synthetischer Trainingsdaten für die Verwendung mit KI-Tools von Drittanbietern genutzt werden.
Warum die Kombination von Discrete Event Simulation mit NVIDIA Omniverse?
Die Integration der diskreten Ereignissimulation von Simio mit NVIDIA Omniverse schafft eine leistungsstarke Synergie, die sich der grundlegenden Herausforderung digitaler Zwillinge stellt: analytische Präzision mit intuitivem Verständnis zu verbinden. Während die Simulation die mathematische Grundlage für eine exakte Betriebsmodellierung liefert - komplexe Systemdynamik, Variabilität und Abhängigkeiten werden mit statistischer Präzision erfasst -, wandelt Omniverse abstrakte Daten in intuitive visuelle Darstellungen um, die räumliche Beziehungen und physikalische Beschränkungen aufzeigen, die anhand von Zahlen allein nicht zu erkennen sind.
Diese Kombination liefert umfassende operative Intelligenz, indem sie die Zeit verkürzt und gleichzeitig das räumliche Bewusstsein erhält. Die Technologie von Simio beschleunigt die Zeit und ermöglicht es Unternehmen, monatelange Betriebsleistungen in wenigen Minuten auszuwerten, während Omniverse den entscheidenden räumlichen Kontext hinzufügt, indem es physische Umgebungen und Bewegungseinschränkungen genau darstellt. Gemeinsam stellen sie sicher, dass optimierte Lösungen nicht nur theoretisch, sondern auch in realen Betriebsumgebungen mit realen physischen Einschränkungen funktionieren.
Die Integration überbrückt die Kommunikationslücke zwischen Simulationsexperten und Entscheidungsträgern, indem statistische Erkenntnisse mit überzeugenden visuellen Darstellungen kombiniert werden. Komplexe Konzepte werden den Beteiligten unabhängig von ihrem technischen Hintergrund zugänglich gemacht, so dass ein Konsens über Verbesserungsinitiativen sowohl durch strenge analytische Nachweise als auch durch intuitive visuelle Darstellungen geschaffen wird. Dieser Kommunikationsvorteil beschleunigt die Umsetzung und Annahme optimierter Lösungen erheblich.
Unternehmen, die diesen kombinierten Ansatz anwenden, erleben in der Regel eine schnellere Projektgenehmigung, eine effizientere Umsetzung und eine nachhaltigere Annahme von Optimierungsinitiativen. Die Integration liefert einen ROI über mehrere sich ergänzende Wege: die quantifizierbaren Vorteile eines verbesserten Durchsatzes und einer besseren Ressourcennutzung durch die Simulation, die durch eine schnellere Abstimmung mit den Interessengruppen und geringere Umgestaltungskosten durch die frühzeitige visuelle Identifizierung potenzieller Probleme verstärkt werden. Mit diesem umfassenden Ansatz werden digitale Zwillinge geschaffen, die in allen Phasen der Betriebsoptimierung einen messbaren Wert schaffen.
Wesentliche Merkmale
- Binden Sie KI-Agenten ein, um komplexe Entscheidungslogik zu erfassen, Modelle zu vereinfachen und betriebliche Prozesse zu optimieren, um die Leistung Ihres Systems zu verbessern.
- Führen Sie KI-Agenten während der Laufzeit aus, um auf der Grundlage des aktuellen Zustands optimierte Entscheidungen zur Ressourcenauswahl in jedem Anlagenmodell zu treffen.
- Beispiel einer Fertigungsanwendung: Präzise Vorhersage von Auftragsfertigstellungszeiten für alle Produktionslinien.
- Optimieren Sie Beschaffungsentscheidungen in der Lieferkette auf der Grundlage von KI-Vorhersagen zu Produktionsvorlaufzeiten und -kosten für jede in Frage kommende Fabrik, unter Berücksichtigung der Auslastung und des Produktmixes an jeder Arbeitsstation innerhalb der Fabrik.
- Dieser KI-basierte Ansatz macht die Annahme statischer Durchlaufzeiten, die Verwendung künstlicher Zeitfenster und die Verwendung von groben Kapazitätsmodellen, wie sie in herkömmlichen Masterplanungssystemen verwendet werden, überflüssig.
- Die Optimierung mit eingebetteten Neuronalen Netzen - anstelle von traditioneller Prozesslogik - innerhalb von Simio Process Digital Twins verkürzt die Zeit, die für die Generierung optimierter Planungs- und Dispositionslösungen in realen Betriebsabläufen benötigt wird.
- Testen und validieren Sie die Leistung und das Verhalten von KI-Algorithmen vor der Implementierung in einer risikofreien virtuellen Sandbox-Umgebung.
- Einfache Feinabstimmung der Leistung von KI-Agenten durch Evaluierung verschiedener Machine Learning-Konfigurationen und Hyperparameter-Einstellungen.
- Simio Process Digital Twins, integriert mit Machine-Learning-Algorithmen, können für Simulationen und Experimente verwendet werden, um betriebliche Prozesse zu entwerfen und zu analysieren. Simio Process Digital Twins können auch in realen Betriebsszenarien eingesetzt werden, um optimierte Planungs- und Terminierungslösungen zu gewährleisten.
- Simio Process Digital Twin-Modelle können saubere, beschriftete und vollständig realisierbare Daten erzeugen, die den gesamten Lösungsraum für das Training von KI-Agenten abdecken.
- Eingebettete Neuronale Netze und externe Neuronale Netze von Drittanbietern können mit dem in Simio integrierten Trainingsalgorithmus des Gradientenabstiegs trainiert werden.
- Synthetische Trainingsdaten können zum Training an externe Neuronale Netze von Drittanbietern exportiert werden. Die trainierten neuronalen Netze können dann zur Ausführung zurück in Simio importiert werden.
- Wenn sich die Betriebsbedingungen ändern - z. B. durch den Einbau neuer Anlagen, die Einführung neuer Produkte oder Änderungen der Prozessabläufe - kann das Simio Process Digital Twin-Modell automatisch aktualisiert werden, um diese Änderungen zu berücksichtigen, und es können automatisch neue Trainingsdaten erstellt werden, um die KI-Agenten erneut zu trainieren.
- Bei der Arbeit mit komplexen Process Digital Twins, die zahlreiche Inputs und Outputs umfassen - wie z. B. Stammdaten (Input), Umsatzprognosen (Input) und mehrere KPIs (Outputs) - kann der Einsatz von maschinellem Lernen oder anderen KI-basierten Optimierungsansätzen zur Feinabstimmung von Systemparametern größere Verbesserungen der betrieblichen Effizienz und Rentabilität bewirken als die Simulation allein.
- Simio bietet robuste Unterstützung für die Skalierung der Rechenleistung und des Speichers, um eine größere Anzahl von Szenario-Replikationen/Durchläufen effizient zu bewältigen und das Vertrauen in optimierte Lösungen zu gewährleisten.
- Mit Programmiersprachen wie Python können Skripte erstellt werden, um automatisch Replikationen von Simio Process Digital Twin-Modellen zu erzeugen und auszuführen, die von einem KI-Optimierungsalgorithmus oder einer Anwendung gesteuert werden. Die Ergebnisse können nach jedem Lauf an den Optimierer zurückgesendet werden, um zukünftige Replikationen zu beeinflussen.
- Dieser Ansatz ermöglicht es Machine Learning und anderen fortschrittlichen Algorithmen, eng mit Simio Process Digital Twins zu interagieren und die Stärken von Discrete Event Simulation und Machine Learning Optimization zu kombinieren.
- Simio ist von Grund auf so konzipiert, dass es eine nahtlose bidirektionale Datenintegration und eine optimierte Automatisierung mit Anwendungen von Drittanbietern und Programmiersprachen wie Python unterstützt. Dies ermöglicht eine enge Kopplung mit Simio Process Digital Twins, um schnell und automatisch neue Daten und Szenarien zu erstellen.
- Diese leistungsstarke Methodik unterstützt das Systemdesign, die Workflow-Automatisierung und die laufende Systemoptimierung.
- Die Architektur von Simio ermöglicht es Webentwicklern und Datenwissenschaftlern, die Process Digital Twin-Technologie in vollem Umfang zu nutzen und Was-wäre-wenn- und Optimierungsszenarien zu erstellen, die die Entscheidungsfindung für alle Beteiligten im Unternehmen unterstützen.
Training und Test neuronaler Netze
Das Training eines in einen Simio Process Digital Twin eingebetteten Neuronalen Netzwerkmodells, auch als Agent bezeichnet, ist ein unkomplizierter Prozess. Jeder Simio-Simulationslauf verwendet den eingebetteten Neuronalen Netzwerk-Agenten für die Inferenz und gewährleistet eine optimale Leistung durch die automatische Generierung synthetischer Trainingsdaten, um das Modell zu überwachen und neu zu trainieren.
- Synthetische Trainingsdaten, die in einem Trainingsspeicher aufgezeichnet und gespeichert werden, werden von Simio verwendet, um ein Feedforward-Modell eines neuronalen Netzes zu trainieren, oder können für das Training eines externen neuronalen Netzmodells exportiert werden, das in einer Anwendung eines Drittanbieters entwickelt wurde.
- Der in Simio integrierte Trainer basiert auf TensorFlow, einem der beliebtesten Deep-Learning-Frameworks und einer Open-Source-KI-Engine von Google.
- Die fortschrittlichen Trainingsfunktionen von TensorFlow sind vollständig in Simio integriert und ermöglichen einen nahtlosen Trainingsprozess, ohne dass Daten in Drittanbieter-Tools importiert oder exportiert werden müssen.
Die Macht der diskreten Ereignissimulation + KI
Die Kombination von diskreter Ereignissimulation und künstlicher Intelligenz zur Bewältigung komplexer betrieblicher Herausforderungen in Fertigungsumgebungen und Lieferketten ist eine ideale Anwendung für diese Spitzentechnologie. Simios agile Plattform für die Entwicklung intelligenter adaptiver digitaler Prozesszwillinge bietet alle Werkzeuge, die zum Trainieren, Testen und Einbetten von Deep Neural Network-Agenten in Simio-Modelle sowie zur bidirektionalen Interaktion mit Algorithmen des maschinellen Lernens benötigt werden, um die Modellintelligenz zu erhöhen, die Optimierungsergebnisse zu verbessern und die Ausführungszeiten zu reduzieren.
Bi-direktionale Kommunikation in Echtzeit
Die Kombination von diskreter Ereignissimulation mit künstlicher Intelligenz ist besonders wertvoll bei Process Digital Twin-Anwendungen für die Produktionsplanung. Neuronale Netze können so trainiert werden, dass sie kritische KPIs vorhersagen, z. B. sich dynamisch ändernde Produktionsvorlaufzeiten für eine einzelne Produktionslinie oder eine ganze Fabrik.
Anwendungen für das Management der Lieferkette
Eine weitere ideale Anwendung für Process Digital Twins ist das End-to-End-Supply-Chain-Management, bei dem Neuronale Netze für kritische Beschaffungsentscheidungen von Zulieferern eingesetzt werden können, indem sie die Produktionsvorlaufzeiten für jeden in Frage kommenden Zulieferer vorhersagen und den kostengünstigsten Hersteller auswählen, der in der Lage ist, den Auftrag fristgerecht auszuführen.
Die Agilität neuronaler Netze
Neuronale Netze lernen, wie sich Umstellungen, sekundäre Ressourcen, Geschäftsregeln und andere komplexe Produktionsabläufe auf KPI-Vorhersagen auswirken.
Eliminieren Sie Master-Produktionsplanungssoftware
KI-basierte Beschaffungsentscheidungen in Fabriken mit Simio Process Digital Twins für Supply-Chain-Anwendungen machen eine Master Production Scheduling-Software überflüssig.