Stellen Sie sich ein Produktionssystem vor, in dem alle Produktionsentscheidungen auf der Grundlage von Echtzeitinformationen aus einem vollständig integrierten und vernetzten System von Anlagen und Personen optimiert werden. Das gesamte System nutzt die verfügbaren Ressourcen bestmöglich, um seine Produktionsziele zu erreichen, und passt sich automatisch in Echtzeit an sich ändernde Bedingungen an. Alle Arbeiten werden automatisch über das System geplant, alle Anlagen zeichnen automatisch ihre Leistung auf und planen auch ihre eigene Wartung, um die Auswirkungen auf das System zu minimieren. Die Leistungsdaten werden automatisch im gesamten System aufgezeichnet und an die zuständigen Stellen weitergeleitet. Darüber hinaus prognostiziert das System die Zukunft und liefert zuverlässige Managementinformationen über die geplante Leistung, einschließlich kritischer KPIs wie erwartete Lieferzeiten und Produktionskosten für alle geplanten Aufträge. Die Manager haben sofortigen Zugriff auf wichtige aktuelle und zukunftsorientierte Informationen, um das Unternehmen voranzutreiben und zu vergrößern. Dies ist die Vision der Smart Factory der Zukunft (4. industrielle Revolution).
Die Smart Factory ist eine Idee, deren Zeit gekommen ist. Die Technologien, die der Smart Factory zugrunde liegen, haben sich ständig weiterentwickelt und werden immer mehr zum Mainstream. Jede Komponente ist eine bekannte Technologie und wird heute in vielen Fabriken eingesetzt. Das detaillierte Fabrikmodell oder der digitale Zwilling der Fabrik, der einen Einblick in die geplanten Abläufe bietet und kontinuierliche Verbesserungsinitiativen unterstützt, ist jedoch die entscheidende fehlende Komponente, um die Smart Factory zu ermöglichen. Die Simio Intelligent Adaptive Process Digital Twin Technologie bietet diese kritische Komponente.
Eine wichtige Voraussetzung für die erfolgreiche Planung und den Betrieb einer Fabrik ist es, zu verstehen, was die Fabrik unter verschiedenen Eingangsbedingungen produzieren kann, wie z.B. Produktmix für die Woche, verfügbare Produktionsressourcen, spezifische Arbeitsbeschränkungen, Wartungsanforderungen, etc. Dies gilt sowohl für den Bau einer neuen Fabrik als auch für die effizientere Verwaltung einer bestehenden Fabrik. Daher ist es von entscheidender Bedeutung, ein virtuelles Fabrikmodell zu entwickeln, das alle physischen Beschränkungen der Fabrik sowie die Geschäftsregeln und die Entscheidungslogik enthält, um das tatsächliche Verhalten der Fabrik zu replizieren. So können alle Beteiligten (Planer, Betrieb, Management usw.) Was-wäre-wenn-Analysen durchführen, um die tatsächliche Kapazität der Fabrik sowie das Verhalten und die Empfindlichkeit gegenüber bestimmten Betriebsvariablen (innerhalb oder außerhalb ihrer direkten Kontrolle) zu verstehen.
Dieses virtuelle Fabrikmodell kann auch als Teil des digitalen Transformationsprozesses verwendet werden, um alle Quelldaten im Hinblick auf den Detaillierungsgrad, die Korrelation zwischen den Systemen und die Verfügbarkeit der Daten (Zeit und Geschwindigkeit) zu bewerten. Damit eine Fabrik auf der digitalen Reifekurve aufsteigt und sich zu einer Smart Factory entwickelt, ist es wichtig, dass die Daten über die Quellsysteme hinweg standardisiert und synchronisiert werden, um eine genaue Entscheidungsfindung und -ausführung zu gewährleisten. Als Teil des digitalen Transformationsprozesses müssen Fabriken auch ihre Mitarbeiter und Prozesse zwischen den Abteilungen und zwischen ähnlichen Fabriken harmonisieren, um eine konsistente und effiziente Ausführung auf der Grundlage allgemeiner Best Practices sicherzustellen. Diese Best Practices, die durch standardisierte und korrelierte Daten unterstützt werden, bilden die Grundlage für die Entwicklung zu einer intelligenten Fabrik, in der autonome Entscheidungen in Echtzeit getroffen werden.
Das virtuelle Fabrikmodell kann dann mit den Echtzeitdaten aus den Unternehmenssystemen, IoT-Geräten, Automatisierungsanlagen usw. verbunden werden und wird so zum digitalen Zwilling der Fabrik, der sich automatisch an die Umgebung anpasst, wenn sich die Daten ändern. Darüber hinaus wird ein detaillierter, umsetzbarer Zeitplan in nahezu Echtzeit auf der Grundlage des aktuellen Zustands und des künftigen Bedarfs in der Fabrik erstellt, um eine vollständig autonome Entscheidungsfindung und Ausführung zu ermöglichen. Die detaillierten Aufgabenlisten für jede Ressource in der Fabrik sowie der Materialbedarf für jeden Prozessschritt können über eine direkte Integration in die Unternehmenssysteme unternehmensweit gemeinsam genutzt oder über eine cloudbasierte Plattform (öffentlich oder privat) zur Verfügung gestellt werden.
In der heutigen Welt konkurrieren Unternehmen nicht nur über Preis und Qualität, sondern auch über ihre Fähigkeit, Produkte zuverlässig und pünktlich zu liefern. Ein guter operativer Produktionsplan beeinflusst daher den Durchsatz, den Umsatz und die Kundenzufriedenheit eines Unternehmens. Obwohl 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 Produktionsplanung durch die Branchentrends zu geringeren Beständen, kürzeren Vorlaufzeiten, verstärkter Produktanpassung, SKU-Vermehrung und flexibler 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 zuverlässigen 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 nicht nur die detaillierten Einschränkungen und Betriebsregeln im System vollständig berücksichtigt, sondern auch mit der Ereigniszeitlinie synchronisiert ist und daher in der Fabrik von den Produktionsmitarbeitern ohne zusätzliches menschliches Eingreifen vollständig ausgeführt werden kann. Ein Problem bei vielen Zeitplanungslösungen ist, dass sie eine oder mehrere detaillierte Einschränkungen ignorieren, in festgelegten Zeitbereichen (täglich oder wöchentlich) geplant werden 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 KPIs des Systems 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 die 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 als möglicher realisierbarer Plan beginnt, verschlechtert sich im Laufe der Zeit, wenn Maschinen ausfallen, Arbeiter krank werden, Material zu spät eintrifft, Nacharbeit erforderlich ist usw. Die optimistischen Versprechen, die gemacht wurden, können nicht gehalten werden.
Eine dritte Überlegung betrifft die Auswirkungen eines nicht realisierbaren Zeitplans auf den Plan der Lieferkette. Die Fabrikplanung ist nur der letzte Schritt im Produktionsplanungsprozess, der mit der Supply-Chain-Planung auf der Grundlage des tatsächlichen und/oder prognostizierten Bedarfs beginnt. Der Masterplanungsprozess 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 Masterplanungsprozess hat nur einen sehr begrenzten Einblick in die tatsächlichen Beschränkungen der Fabrik, und die daraus resultierenden Produktionsanforderungen überschätzen häufig die Kapazität der Fabrik. Anschließend müssen die Planer in der Fabrik einen detaillierten Plan entwickeln, um diese Produktionsanforderungen unter Berücksichtigung der tatsächlichen Beschränkungen der Anlagen, der 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 in einer zentralen Unternehmensplanungsfunktion, in der enorme Ausgaben für Ressourcen und Systeme anfallen. Der digitale Zwilling der Fabrik kann in ein Netzwerkmodell integriert werden, um den Netzwerk- oder Masterplanungsprozess zu unterstützen und die Durchführbarkeit auf allen Ebenen und Zeithorizonten zu gewährleisten. Derselbe digitale Zwilling kann für kurz-, mittel- und sogar langfristige Planungen verwendet werden, die in der Cloud vollständig automatisiert und an alle Beteiligten verteilt werden können.
Beginnen wir mit der Erörterung der drei gängigsten Ansätze zur Lösung des betrieblichen Planungsproblems, die heute verwendet werden: 1) manuelle Methoden mit Hilfe von Plantafeln oder Tabellenkalkulationen, 2) Ressourcenmodelle und 3) The Factory Digital Twin.
Die gängigste Methode, die heute für die operative Fabrikplanung verwendet wird, ist die manuelle Methode, die in der Regel durch Tabellenkalkulationen oder Plantafeln ergänzt wird. Der Einsatz der manuellen Planung ist in der Regel nicht die erste Wahl eines Unternehmens, sondern das Ergebnis des Scheiterns mit 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 Zwänge erfordert. Zu den fünf frustrierendsten Nachteilen gehören:
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 werden, die von der Ressource auf der Grundlage der geschätzten Aufgabenzeiten bearbeitet werden müssen. Die Ressourcenliste umfasst Maschinen, Vorrichtungen, Arbeiter usw., die für die Produktion benötigt werden, 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, der rote Auftrag hat die Vorgangsreihenfolge A und B.
Abbildung 1 - Einfaches Ressourcen-Gantt-Diagramm
Die Ressourcen in einem Ressourcenmodell werden durch einen Ressourcen-"Zustand" definiert, der besetzt, unbesetzt oder nicht besetzt 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 darauf, dass Blau auf Ressource A fertig wird). Die Planungswerkzeuge, die auf einem Ressourcenmodell basieren, haben alle dieselbe Darstellung der Fabrikkapazität und unterscheiden sich nur darin, wie die Aufgaben den Ressourcen zugewiesen werden.
Das Problem, das alle diese Werkzeuge gemeinsam haben, ist ein zu einfaches Modell für Beschränkungen. Obwohl dieses Modell in einigen einfachen Anwendungen funktionieren kann, gibt es in Fabriken viele Beschränkungen, die nicht durch einen einfachen Besetzt-, Leerlauf- oder Freischichtzustand für eine Ressource dargestellt werden können. Betrachten Sie die folgenden Beispiele:
Dies sind nur einige Beispiele für typische Randbedingungen, für die ein einfaches Modell mit besetzten, unbesetzten und nicht besetzten Ressourcen nicht ausreicht. Jede Fabrik hat ihre eigenen Beschränkungen, 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: Heuristik, 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 die Rückwärtsreihenfolge (obwohl sie 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 einem verspäteten Auftrag führt. Diese einfache Heuristik für die Reihenfolge der einzelnen Aufträge kann keine komplexen Betriebsregeln berücksichtigen, wie z. B. die Minimierung von Umstellungen 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 einer angemessenen 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. Außerdem wird das Problem in der Regel innerhalb eines Zeitfensters von einem Tag oder einer Woche gelöst, so dass die Start- und Endzeiten der Aufgaben aufgrund der Verwendung von geschätzten Laufzeiten für die Bearbeitung von Aufträgen für jedes Gerät nicht vollständig mit dem tatsächlichen Zeitkalender der Fabrikvorgänge synchronisiert sind und weiterhin manuelle Eingriffe durch die Planer erfordern. In der Praxis ist der Optimierungsansatz nur begrenzt anwendbar, da oft lange Laufzeiten (Stunden) erforderlich sind, um zu einer guten Lösung zu gelangen. 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 von Aufträgen durch das Ressourcenmodell der Fabrik und weisen den verfügbaren Ressourcen Aufgaben zu, indem wir Dispositionsregeln wie kleinste Umstellung oder frühestes Fälligkeitsdatum verwenden. Dieser Ansatz hat mehrere Vorteile gegenüber dem Optimierungsansatz: Erstens ist er viel schneller, da er einen Zeitplan in Minuten statt in Stunden erstellt. Ein weiterer entscheidender Vorteil ist, dass er eine benutzerdefinierte Entscheidungslogik für die Zuweisung von Aufgaben zu Ressourcen unterstützen kann.
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 Tools bieten keinen Mechanismus zur Bewertung des mit dem Zeitplan verbundenen Risikos.
Der dritte und neueste Ansatz für die Fabrikplanung ist der digitale Zwilling der Fabrik. Ein Digitaler Zwilling der Fabrik ist ein digitales Abbild der Prozesse, Anlagen, Menschen und Geräte, aus denen die Fabrik besteht, und kann sowohl für den Systementwurf als auch für den Betrieb verwendet werden. Die Ressourcen im System verfügen nicht nur über einen Betriebs-, Leerlauf- und Ruhezustand, sondern sind auch Objekte, 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. Diese Modelle enthalten auch die Geschäftsregeln und die detaillierte Entscheidungslogik, die in der Fabrik verwendet werden, um die Realität so genau wie möglich nachzubilden und die Machbarkeit zu gewährleisten. Der digitale Zwilling der Fabrik bietet ein neues Maß an Genauigkeit bei der Planung, das mit den vorhandenen ressourcenbasierten Modellierungswerkzeugen nicht erreicht werden kann.
Der digitale Zwilling der Simio-Fabrik ist ein objektorientiertes, datengesteuertes, animiertes 3D-Modell der Fabrik, das mit Echtzeitdaten aus dem ERP, MES und verwandten Datenquellen verbunden ist. Der digitale Zwilling der Fabrik wird vollständig durch Unternehmensdaten generiert und gesteuert, so dass er sich an Veränderungen in der Umgebung anpassen kann, wie z. B. zusätzliche Ausrüstung, neue Arbeits- und Qualifikationsanforderungen, neue Teile/SKUs usw.
Damit der Factory Digital Twin das tatsächliche Verhalten der physischen Fabrik nachbilden kann, umfasst die Modelllogik Folgendes:
Der digitale Zwilling der Fabrik simuliert die Zukunft, um eine vorausschauende und präskriptive Analyse des Systems zu ermöglichen, die eine vollständig vorausschauende Sicht auf die erwartete Produktions- und Lieferleistung der Fabrik bietet. Auf diese Weise kann der Factory Digital Twin einen detaillierten, realisierbaren Betriebsplan erstellen, der alle relevanten Ressourcentätigkeitslisten und die damit verbundenen Materialanforderungen an jedem Punkt des Fertigungsprozesses enthält. Der Factory Digital Twin führt auch eine Risikobewertung definierter Ziele wie Liefertermine und Kosten durch, um das damit verbundene Risiko für alle Aufträge im System aufzuzeigen, so dass die Planer proaktiv handeln können, um Probleme beim Kundenservice zu vermeiden oder zu minimieren.
Einer der Hauptvorteile des Digitalen Zwillings der Fabrik ist die Fähigkeit, einen realisierbaren Zeitplan zu erstellen, der den Bedarf (Aufträge), die Kapazität und die Materialien gleichzeitig für das gesamte End-to-End-System über alle Prozesse hinweg berücksichtigt (d. h. Mischen, Lagerung, Abfüllung, Qualitätssicherung, Materialien, Arbeit). Es stellt sicher, dass alle Prozesse innerhalb der Fabrik vollständig synchronisiert sind, da für jede Aufgabe oder jedes Ereignis die Material- und Ressourcenverfügbarkeit bestätigt wird, um die vollständige Machbarkeit auf der Ausführungszeitachse zu gewährleisten. Der digitale Zwilling von Simio ist in seiner Entscheidungs- und Optimierungsmethodik völlig transparent (Glass-Box-Ansatz), im Gegensatz zu bestehenden Optimierungsalgorithmen und reinen KI-Engines, die in der Regel intransparente Ergebnisse erzeugen (Black-Box-Ansatz). Dies ermöglicht es den Planern, die Einschränkungen, Regeln und Entscheidungslogik zu verstehen und anzupassen, um bessere Wege für den Betrieb der Fabrik zu finden und einen kontinuierlichen Lern- und Prozessverbesserungsprozess zu ermöglichen.
Als Teil des gesamten digitalen Transformationsprozesses der Fertigungsumgebung bietet der Factory Digital Twin auch einen systematischen Weg zur Verbesserung (Korrektur) und Standardisierung der in den verschiedenen Unternehmenssystemen (ERP, MES, Excel usw.) enthaltenen Daten. Es wird oft festgestellt, dass die Daten in den verschiedenen Systemen unterschiedlich detailliert sind oder inkonsistente Daten für dieselben Felder enthalten. Die Daten in den verschiedenen Unternehmenssystemen werden oft zu unterschiedlichen Zeiten aktualisiert oder laufen im Batch-Modus, was dazu führt, dass die Daten auch unterschiedliche Zeitstempel tragen, was die Prozesssynchronisation aufgrund der Verfügbarkeit von genauen und zeitnahen Daten weiter stört.
Der digitale Zwilling der Fabrik bietet auch einen Mechanismus zur Harmonisierung von Menschen und Prozessen, indem er alle Best Practices bewertet, die innerhalb der Fabrik oder in identischen Fabriken desselben Unternehmens eingesetzt werden. Auf diese Weise kann das Unternehmen die besten Verfahren und Methoden für die Implementierung und Schulung in allen ähnlichen Anlagen auswählen und eine Grundlage für die Automatisierung und die Mobilität der Ressourcen schaffen. Abbildung 3 unten zeigt die Interaktion und den Datenfluss des Simio Factory Digital Twin mit den bestehenden oder geplanten Unternehmenssystemen.
Abbildung 3 - Simio Factory Digitaler Zwilling - Einsatz und Datenfluss
Im Folgenden fassen wir die wichtigsten Vorteile des Simio Factory Digital Twin als Lösung für die Fabrikplanung und -steuerung zusammen.
Obwohl der Schwerpunkt hier auf der Verbesserung des Durchsatzes und der Termintreue durch bessere Planung unter Verwendung des bestehenden Fabrikdesigns liegt, kann der digitale Zwilling der Simio-Fabrik im Gegensatz zu herkömmlichen Planungswerkzeugen auch zur Optimierung des Fabriklayouts und -designs verwendet werden. Dasselbe Simio-Modell, das für die Fabrikplanung verwendet wird, kann auch dazu verwendet werden, um Änderungen an der Anlage zu testen, z. B. das Hinzufügen neuer Anlagen, die Änderung des Personalbestands, die Konsolidierung von Produktionsschritten, das Hinzufügen von Pufferbeständen mit der DDMRP-Auffüllmethode oder die Einführung neuer Produkt-SKUs.
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 Plan umsetzbar ist, muss er alle detaillierten Randbedingungen des Systems erfassen. Da die Grundlage des digitalen Zwillings von Simio Factory ein objektorientiertes 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 im Laufe der Zeit entwickelt wurden, um die Produktionsprozesse zu steuern. Diese Betriebsregeln sind ebenso wichtig wie die wichtigsten Systembeschränkungen; jeder Zeitplan, der diese Betriebsregeln ignoriert, ist nicht umsetzbar. Dazu gehören Betriebsentscheidungen wie z.B. ProduktABC kann nur auf Maschine1 oder Maschine2 ausgeführt werden, während ProduktXYZ auf Maschine2 oder Maschine3 im gleichen Maschinenarbeitsplatzbereich ausgeführt werden kann, wobei auch die Kosten- oder Betriebseffizienz berücksichtigt wird. Der Simio-Modellierungsrahmen verfügt über eine flexible regelbasierte Entscheidungslogik zur Umsetzung dieser Betriebsregeln. Als Teil der Ausführung des Simulationsmodells werden diese Regeln und Beschränkungen an jedem Punkt des Ereigniskalenders ausgewertet, um sicherzustellen, dass alle Material- und Ressourcenaufgaben auch vollständig mit der tatsächlichen Produktionsausführungszeitlinie synchronisiert sind. Das Ergebnis ist ein umsetzbarer Zeitplan, der sowohl die physischen Beschränkungen des Systems als auch die Standardbetriebsregeln und den Ausführungszeitplan berücksichtigt.
In den meisten Unternehmen ist die Nutzungsdauer eines Zeitplans kurz, da ungeplante Ereignisse und Abweichungen auftreten, die den aktuellen Zeitplan ungültig machen. In diesem Fall muss so schnell wie möglich ein neuer Zeitplan erstellt und 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 in der Regel die Bediener in der Fertigung und setzen ihre eigenen lokalen Planungsentscheidungen um, die möglicherweise nicht mit den systemweiten KPIs übereinstimmen. Wenn zufällige Ereignisse auftreten, kann der digitale Zwilling von Simio Factory schnell reagieren und einen neuen, umsetzbaren Zeitplan erstellen und verteilen. Die Regeneration des Zeitplans kann entweder manuell durch den Planer ausgelöst werden oder automatisch durch Ereignisse im System, die durch operative Systeme wie MES oder IoT-Geräte ausgelöst werden.
In anderen Scheduling-Systemen ist die einzige grafische Ansicht des Modells und des Zeitplans das Ressourcen-Gantt-Diagramm. Im Gegensatz dazu bietet der digitale Zwilling von Simio Factory eine leistungsstarke Kommunikation und Visualisierung sowohl der Modellstruktur als auch des resultierenden Zeitplans. Idealerweise 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-Ansicht der Fabrik verbunden. Klicken Sie mit der rechten Maustaste auf eine Ressource entlang der Zeitskala in der Gantt-Ansicht, und Simio zeigt sofort eine animierte Ansicht dieser Ressource in der Fabrik an - mit den Maschinen, Arbeitern und der laufenden Produktion zu diesem Zeitpunkt im Zeitplan. Von diesem Punkt aus kann der Planer die Zeit vorwärts simulieren und beobachten, wie sich der Plan in der realen Anlage entfaltet. Die Vorteile des digitalen Zwillings von Simio Factory beginnen mit der genauen und schnellen Erstellung eines umsetzbaren Zeitplans. Die Vorteile kulminieren jedoch in der Fähigkeit des Digitalen Zwillings, die Fabrikstruktur, die Modelllogik und die daraus resultierenden Fahrpläne an jeden zu kommunizieren, der sie kennen muss.
Einer der Hauptmängel von Planungswerkzeugen ist ihre Unfähigkeit, mit ungeplanten Ereignissen und Abweichungen umzugehen. Im Gegensatz dazu kann der Simio Factory Digital Twin diese ungeplanten Ereignisse und Abweichungen genau modellieren, um nicht nur einen detaillierten Plan zu erstellen, sondern auch das mit dem Plan verbundene Risiko zu analysieren.
Bei der Erstellung des Zeitplans werden die zufälligen Ereignisse und die Verarbeitungsvariabilität automatisch deaktiviert, um einen deterministischen Zeitplan zu erstellen. Wie andere deterministische Zeitpläne ist er optimistisch, was die rechtzeitige Fertigstellung angeht. Nach der Erstellung dieses Zeitplans wird dasselbe Modell jedoch mehrmals mit aktivierten Ereignissen und Variationen ausgeführt, um eine Zufallsstichprobe von mehreren Zeitplänen auf der Grundlage der Unsicherheit im System zu erstellen. Aus der Menge der zufällig erstellten Zeitpläne werden dann Risikomaße abgeleitet, z. B. die Wahrscheinlichkeit, dass jeder Auftrag pünktlich geliefert wird. Diese Risikokennzahlen werden direkt im Gantt-Diagramm und in den zugehörigen Berichten angezeigt. Dadurch wird der Planer im Voraus darüber informiert, bei welchen Aufträgen das Risiko einer Verspätung besteht, so dass Maßnahmen ergriffen werden können, um sicherzustellen, dass wichtige Aufträge mit hoher Wahrscheinlichkeit rechtzeitig geliefert werden.
Es ist nicht ungewöhnlich, dass der Supply-Chain-Planungsprozess, 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 enthält der resultierende Feinplan einen oder mehrere verspätete Aufträge und/oder Aufträge mit hohem Verspätungsrisiko. Es stellt sich dann die Frage, welche Maßnahmen der Planer ergreifen kann, um sicherzustellen, dass alle wichtigen Aufträge pünktlich geliefert werden.
Während andere Scheduling-Ansätze einen Zeitplan erstellen, geht der Simio Factory Digital Twin einen Schritt weiter, indem er auch eine Constraint-Analyse liefert, die alle nicht wertschöpfenden Zeiten (NVA) auflistet, die jeder Auftrag im System verbraucht. Dazu gehört die Zeit, die auf eine Maschine, einen Bediener, Material, ein Materialhandhabungsgerät oder eine andere Einschränkung wartet, die die Produktion des Artikels behindert. Wenn der Zeitplan also zeigt, dass sich ein Artikel verspäten wird, zeigt die Einschränkungsanalyse, 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 es sinnvoll sein, Überstunden für den entsprechenden Mitarbeiter einzuplanen oder zusätzliche Kampagnen für die Produkte durchzuführen, um die Rüstzeiten zu verkürzen.
Obwohl die Planung innerhalb der vier Wände einer diskreten Produktionsanlage ein wichtiger Anwendungsbereich ist, gibt es viele Planungsanwendungen jenseits der diskreten Fertigung. Viele Fertigungsanwendungen umfassen Flüssigkeitsströme mit Lager-/Mischbehältern, Chargenverarbeitung sowie die Produktion von Einzelteilen. Im Gegensatz zu anderen Planungswerkzeugen, die sich auf die diskrete Fertigung beschränken, wird der digitale Zwilling von Simio Factory in vielen verschiedenen Anwendungsbereichen eingesetzt, wie z.B. in der gemischten Fertigung, der Gesamtplanung, der Kapazitätsplanung, usw. Diese Anwendungen werden durch den flexiblen Simio-Modellierungsrahmen ermöglicht.
Ein Factory Digital Twin ist ein detailliertes Simulationsmodell, das direkt mit Echtzeit-Systemdaten verbunden ist. Herkömmliche Simulationsmodellierungswerkzeuge sind nur begrenzt in der Lage, eine Verbindung zu Echtzeitdaten aus ERP, MES und anderen Datenquellen herzustellen. Im Gegensatz dazu wurde Simio von Grund auf so konzipiert, dass die Datenintegration eine der Hauptanforderungen darstellt.
Simio unterstützt eine Digital Twin-Implementierung, indem es einen flexiblen relationalen In-Memory-Datensatz bereitstellt, der sowohl auf Modellkomponenten als auch auf externe Datenquellen direkt abgebildet werden kann. Dieser Ansatz ermöglicht eine direkte Integration mit einer Vielzahl von Datenquellen und gleichzeitig eine schnelle Ausführung des digitalen Zwillingsmodells der Simio-Fabrik.
In globalen Anwendungen gibt es typischerweise mehrere Produktionsstätten auf der ganzen Welt, die dieselben Produkte herstellen. Obwohl jede Fabrik ihr eigenes, einzigartiges Fabriklayout hat, gibt es typischerweise erhebliche Überschneidungen in Bezug auf Ressourcen wie Ausrüstung und Arbeiter sowie Verarbeitungslogik. Für diesen Fall bietet Simio spezielle Funktionen, die es ermöglichen, den Digitalen Zwilling für jede Fabrik automatisch aus Datentabellen zu generieren, die auf Modellierungskomponenten abgebildet werden, welche die Ressourcen und Prozesse beschreiben. Dies vereinfacht die Entwicklung mehrerer Implementierungen des Digitalen Zwillings für Fabriken im gesamten Unternehmen erheblich und unterstützt auch die Neukonfiguration jedes Digitalen Zwillings für Fabriken über die Bearbeitung von Datentabellen, um laufende Änderungen bei Ressourcen und/oder Prozessen zu berücksichtigen.
Die folgenden Abschnitte geben einen zusätzlichen Einblick in einige der wichtigsten Lösungskomponenten des Simio Factory Digital Twin. Die Lösungskomponenten und Leistungen werden auf der Grundlage der detaillierten funktionalen Anforderungen und des Projektumfangs für jeden einzelnen Kunden angepasst und vereinbart.
Der Detaillierungsgrad des Modells, einschließlich der physikalischen Einschränkungen, Geschäftsregeln und Entscheidungslogik, wird während der Phase der funktionalen Anforderungsspezifikation (FRS) eines Projekts festgelegt, um sicherzustellen, dass der resultierende Simio-Zeitplan so genau ist, dass er die betrieblichen Anforderungen und Erwartungen erfüllt. Das Modell wird auch zur Durchführung einiger "Was-wäre-wenn"-Analysen verwendet, um die derzeit angewandten Betriebsstrategien und Entscheidungslogiken zu testen. Die Betriebsabläufe können im Hinblick auf spezifische KPIs wie pünktliche Lieferung, niedrigste Kosten, Zeit im System usw. optimiert werden. Wenn die erforderlichen Daten verfügbar sind, kann Simio die Prozesskostenrechnung als Teil des Simulations- und Optimierungssystems einbeziehen. Abbildung 4 zeigt ein Beispiel dafür, wie die grafische Darstellung des Simio-Simulationsmodells aussehen könnte, mit einem einfachen Demomodell eines hypothetischen Produktionsvorgangs.
Abbildung 4 - Screenshot einer typischen Simulationsmodell-Ansicht
Es wurden Integrationsfunktionen entwickelt, um Daten zwischen Simio und externen Datenquellen wie ERP-Systemen, MES-Systemen, IoT-Geräten und sogar Excel-basierten Datenquellen zu importieren und zu exportieren, um den digitalen Zwilling der Fabrik zu erstellen, der eine ereignisbasierte Planung in Echtzeit ermöglicht. Unter Nutzung der simulationsbasierten Planungsfunktionen von Simio wird ein virtuelles Fabrikmodell entwickelt, um die detaillierten Ressourcen- und Materialbeschränkungen innerhalb eines Produktionssystems darzustellen. Durch die Verknüpfung des virtuellen Fabrikmodells mit externen Datenquellen wird das Modell zu einem Factory Digital Twin. Dieser integrierte digitale Zwilling der Simio-Fabrik kann nun bei Bedarf nahezu in Echtzeit funktionieren und Zeitpläne erstellen. Das bedeutet, dass bei Ereignissen in der Produktion der Produktionsplan schnell neu erstellt werden kann, um Aufträge um mögliche Engpässe und Einschränkungen herum zu leiten.
Die Integration kann zum Beispiel Webservices, API-Aufrufe und direkte Tabellenanbindung an Datenbanksysteme und Excel nutzen, um Daten in das Modell zu importieren. Bestände, Produktionsaufträge, Arbeitspläne, Stücklisten, Auftragsstatus und Maschinenstatus werden alle durch diese Inbound-Integration erfasst, um die Daten für die Erstellung des Produktionsplans zu erhalten.
Sobald der Plan in Simio erstellt ist, wird er mit Hilfe der entsprechenden Integrationstechnik in externe Datensysteme exportiert. Abbildung 5 zeigt eine Datentabelle, die in den Simio Factory Digital Twin importiert wurde. Die Struktur der Datentabellen ist flexibel, um das Datenformat des Kundensystems nachzubilden.
Abbildung 5 - Screenshot einer in Simio integrierten Beispiel-Datentabelle
Sobald das 3D-Simulationsmodell entwickelt und in die relevanten Unternehmenssysteme integriert wurde, erstellt der Simio Factory Digital Twin einen Zeitplan, der über die Simio Scheduler-Benutzeroberfläche für die Interaktion mit dem Planer zur Verfügung gestellt wird. Die detaillierte Aufgabenliste für jede Ressource (einschließlich Ausrüstung, Arbeitskräfte, Werkzeuge, Transport usw.) sowie die Materialanforderungen für jeden Schritt im Prozess werden generiert und zurück in die relevanten Unternehmenssysteme wie ERP- und/oder MES-Systeme exportiert. Die Simio Scheduler-Benutzeroberfläche, wie in Abbildung 6 dargestellt, zeigt den Zeitplan als Auftragsansicht (Entity) an, die die Produktionsaufträge und ihre Zuordnung zu jeder spezifischen Ressource auf der Grundlage der im Simulationsmodell erfassten Regeln und Entscheidungslogik zeigt. Darüber hinaus wird die mit jedem Auftrag verbundene Risikobewertung (z. B. die Wahrscheinlichkeit, dass jeder Auftrag rechtzeitig geliefert wird) grafisch dargestellt.
Abbildung 6 - Simio-Benutzeroberfläche mit Darstellung der Ressourcennutzung im Gantt-Diagramm
Die Simio Scheduler-Benutzeroberfläche erstellt auch eine Ressourcenansicht, in der die für die einzelnen Ressourcenanforderungen und -beschränkungen produzierten Aufträge angezeigt werden, wobei verspätete Aufträge grafisch dargestellt werden, wie in Abbildung 7 unten zu sehen ist.
Abbildung 7 - Simio-Benutzeroberfläche zur Darstellung des Auftragsablaufs im Gantt-Diagramm
Diese Gantt-Diagramme sind interaktiv, und der Planer kann die Diagramme nutzen, um Stillstandszeiten hinzuzufügen, Auftragsprioritäten zu aktualisieren und Arbeitsressourcenpläne zu ändern. Der Plan kann dann erneut ausgeführt werden, um den neuen Produktionsplan auf der Grundlage der Änderungen anzuzeigen. Die Daten können auch automatisch aktualisiert werden, indem bestimmte Auslöser aus den externen Systemen verwendet werden, um automatisch einen neuen Plan zu erstellen. Der Produktionsplanungsprozess kann auch völlig autonom ablaufen, um einen hohen Automatisierungsgrad und Smart Factory-Initiativen im Rahmen der Industrie 4.0-Revolution zu unterstützen.
Der Simio Factory Digital Twin bietet eine Reihe von anpassbaren Berichten und interaktiven Dashboards, die den Planer bei der Analyse und Verteilung des Plans unterstützen. Der Plan kann in Form einer Reihe von Berichten ausgedruckt werden, um ihn an die Arbeiter in der Werkstatt als Versand- oder Aufgabenliste für die Schicht zu verteilen oder in die vorhandenen Unternehmenssysteme zur elektronischen Verteilung und Ausführung zu exportieren. Abbildung 8 ist ein Beispiel für ein Dashboard zur interaktiven Anzeige der Einsatzliste und der Auslastung der verschiedenen Ressourcen. Diese Dashboards sind je nach den Anforderungen der Benutzer vollständig konfigurierbar.
Abbildung 8 - Illustratives Simio-Dashboard, das je nach Bedarf individuell entwickelt werden kann
Standardberichte wie der Tagesplan stehen den Bedienern ebenfalls zur Verfügung, um den nächsten Auftrag für jede Produktionsressource zu sehen, wie in Abbildung 9 unten dargestellt.
Abbildung 9 - Illustrativer Simio-Tabellenbericht, der je nach Bedarf individuell konfiguriert werden kann
Alle Planungsergebnisse, einschließlich Gantt-Diagrammen, Dashboards und Berichten, können im Simio-Portal veröffentlicht werden, damit sie im gesamten Unternehmen von Betreibern, Managern und Interessengruppen eingesehen werden können. Der Zugriff auf die Ergebnisse erfolgt über einen Standard-Webbrowser oder über berührungsempfindliche mobile Geräte wie Tablets, ohne dass Software erforderlich ist. Das Simio Portal ist eine Plattform, dieDrittanbietern wie Logistikdienstleistern, Materiallieferanten und externen Herstellern Transparenz und sofortige Planaktualisierungen bietet. Alle Beteiligten im Produktionsprozess und in der erweiterten Lieferkette können nun auf die erforderlichen Informationen zugreifen, um eine ordnungsgemäße Synchronisierung der Aktivitäten zur vollständigen Unterstützung des Produktionsprozesses sicherzustellen. Bei einer vollständig cloudbasierten Bereitstellung kann das Portal auch zur Durchführung der täglichen operativen Detailplanung durch die Planer verwendet werden, so dass die Ergebnisse allen Beteiligten zur Verfügung stehen, sobald eine Planung oder Neuplanung erfolgt. Die Ergebnisse können leicht nach bestimmten Gruppen gefiltert werden, wobei verschiedene Abteilungen die Berechtigung haben, bestimmte Berichte einzusehen. Der digitale Zwilling kann auch als vollständig integriertes, autonomes System eingesetzt werden, das auf vereinbarte Ereignisauslöser von anderen Systemen oder Geräten auf Unternehmensebene reagiert, um ein vollständiges Betriebsmodell für eine intelligente Fabrik zu ermöglichen. Abbildung 10 ist ein Beispiel für den Portalbildschirm mit dem Ressourcen-Gantt-Diagramm. Das Portal ist sowohl in der öffentlichen Microsoft Azure-Cloud als auch in einer privaten On-Premises-Cloud-Version verfügbar.
Abbildung 10 - Screenshot der Simio-Portalansicht
Im Gegensatz zu traditionellen Simulationsmodellierungswerkzeugen wurde Simio von Grund auf mit dem Schwerpunkt auf Datenintegration in bestehende ERP/MES, Geräte und benutzerdefinierte Datenquellen entwickelt, um die Erstellung des Digitalen Zwillings zu ermöglichen. Diese Anforderung hat das Design sowohl der Daten- als auch der Modellierungsfunktionen von Simio bestimmt.
Ein Digitaler Zwilling einer Simio-Fabrik wird als Teil der Informationssysteme integriert, die das Tagesgeschäft des Unternehmens verwalten. Simio ist sowohl mit den transaktionalen Informationssystemen verbunden, die Eingaben zu Arbeitsaufträgen, Arbeitsplänen und Personalbeständen liefern (statische Daten), als auch mit den Betriebsinformationssystemen, die den Status der Ressourcen und die Umwandlung von Rohstoffen in Fertigprodukte verfolgen (dynamische Daten). Die Beziehung zwischen dem digitalen Zwilling von Simio Factory und den ERP- und MES-Systemen ist in Abbildung 11 unten dargestellt.
Abbildung 11 - Simio als Digitaler Zwilling des Prozesses in Verbindung mit den Unternehmenssystemen
Obwohl die Transaktionsdaten aus vielen verschiedenen Quellen stammen können, kommen die meisten kritischen Daten aus den ERP- und MES-Systemen. Diese Systeme liefern zwei (2) primäre Outputs für das Produktionsmanagement, die dann als Input für den Simio Factory Digital Twin verwendet werden. Die erste ist eine Masterliste von Produktionsaufträgen - wie Freigabedaten, Fälligkeitstermine und Auftragsmengen - zusammen mit Komponentenprodukten und Endprodukten, die zur Erfüllung der Kundennachfrage erforderlich sind. Diese Liste enthält auch zugehörige Sekundärdaten wie Arbeitspläne, Stücklisten usw. Die zweite primäre Ausgabe ist ein Materialbeschaffungsplan, der die von externen Lieferanten benötigten Artikel auflistet, einschließlich ihrer voraussichtlichen Ankunftszeit, mit dem Ziel, diese Materialien mit dem Produktionsplan abzustimmen.
In manchen Fällen befinden sich einige der Transaktionsdaten außerhalb der ERP- und MES-Systeme in Tabellenkalkulationen, Datenbanken, Flat Files oder sogar IoT-Geräten. Simio ist darauf ausgelegt, Transaktionsdaten aus diesen unterschiedlichen Quellen zu importieren.
Simio bietet drei (3) Schlüsselfunktionen für die Integration des Planungsmodells in Transaktions- und Betriebsdaten. Die erste ist eine relationale In-Memory-Datenbank, die vollständig konfigurierbar ist, um dem Schema jeder externen Datenquelle zu entsprechen. Die zweite ist eine offene Architektur zur Erstellung benutzerdefinierter Konnektoren für den Import von Transaktions- oder Betriebsdaten aus externen Quellen unter Verwendung verschiedener Methoden wie Webservices, Tabellenanbindungen usw. Die dritte Komponente sind Modellierungskonstrukte (Objekte), die vollständig konfigurierbar sind, um relationale Daten in den Datentabellen abzubilden.
Diese Funktionen bilden zusammen ein Modellierungsframework, das auf alle externen Daten abgebildet werden kann, unabhängig von der Quelle oder dem Datenschema. Die konfigurierbare relationale In-Memory-Datenbank von Simio bildet die zentrale Schnittstelle zwischen den Unternehmensdaten und der Modelllogik. Die Transaktions- und Betriebsdaten werden in dieses Datenschema importiert und zur schnellen Ausführung des Planungsmodells im Speicher gehalten. Die Modelllogik kann sowohl von dieser Datenbank lesen als auch in sie schreiben.
Das Datenbankschema ist vollständig konfigurierbar und kann exakt mit dem vorhandenen Schema der externen Datenquellen übereinstimmen, so dass die Daten beim Import und Export nicht umgewandelt werden müssen. Die Import- und Exportvorgänge erfolgen über Datenkonnektoren, die an externe Datenquellen angebunden werden. Standard-Datenkonnektoren können über Web-API, Datenbanken, Excel und CSV-Dateien mit externen Systemen verbunden werden. Mit dem Web-API-Datenkonnektor kann Simio Daten direkt von der SAP Cloud Integration Platform, AVEVA MES und PTC Kepware abrufen und an diese übertragen.
Simio Portal verfügt auch über eine Web-API, mit der die Generierung des Zeitplans auf der Grundlage von Echtzeit-Ereignissen automatisiert werden kann. Die Simio Web-API wird verwendet, um die Generierung des Zeitplans auszulösen. Während der Generierung des Zeitplans werden die Daten zunächst aus den externen Systemen aktualisiert. Sobald der Zeitplan abgeschlossen ist, werden die Daten in die externen Systeme exportiert, und der Zeitplan kann auch veröffentlicht werden, um im gesamten Unternehmen angezeigt zu werden. Die folgende Abbildung 12 zeigt die verschiedenen Integrationsmöglichkeiten auf einer hohen Ebene.
Die Transaktionsdaten für das Planungsmodell werden in der Regel zu Beginn einer jeden Planungsperiode aus dem ERP heruntergeladen und sind während der Planungsperiode statisch. Im Gegensatz dazu ändern sich die MES-Betriebsdaten ständig, weshalb der MES-Binder oft ein dynamischer Konnektor ist. So kann beispielsweise ein vom MES erkannter Maschinenausfall Simio automatisch dazu veranlassen, einen neuen Plan zu erstellen, der auf der erwarteten Ausfallzeit der Maschine basiert. Das Simio-Integrationsframework unterstützt sowohl statische als auch dynamische Binder für transaktionale und operative Daten.
Simio bietet mehrere Bereitstellungsoptionen, um verschiedene Betriebsumgebungen und Arbeitsmethoden zu unterstützen. Da Simio RPS sowohl eine Simulations- (Entwurf) als auch eine Planungslösung (Betrieb) ist, wird es von verschiedenen Personen in unterschiedlichen Benutzerrollen genutzt, wenn das Projekt von der Simulations- und Analysephase (Entwurf) zur Planungs- und Betriebsphase (Betrieb) übergeht. Basierend auf den Anforderungen kann ein Kunde Simio RPS in einer oder allen der in Abbildung 13 unten aufgeführten Einsatzoptionen einsetzen.
Während der Design- und Analysephase zur Entwicklung des virtuellen Fabrikmodells wird es oft bevorzugt, Simio auf einem Laptop oder Desktop einzusetzen. Dies unterstützt die Offline-Arbeit von Projektteammitgliedern, da die Modelle als XML-Dateien gespeichert werden, die leicht zwischen Computern übertragen oder sogar per E-Mail an Teammitglieder versendet werden können, wenn Aktualisierungen des Modells zur Überprüfung und zum Testen vorgenommen wurden. Diese Desktop-Option ist auch für den operativen Einsatz des Planungssystems geeignet, solange der Desktop oder Laptop Zugang zum Netzwerk des Kunden hat, um auf die operativen Daten zuzugreifen, die für die Ausführung des Modells und die Erstellung des Plans erforderlich sind. Diese Option eignet sich besonders gut für die frühe Bereitstellungs- und Testphase der Lösung, während laufende Verbesserungen und Modelländerungen für die Feinabstimmung des Zeitplans vor der endgültigen Unternehmensbereitstellung auf einer Cloud-basierten Plattform erforderlich sind.
Die Cloud-Lösung von Simio, das Simio Portal, unterstützt sowohl ein öffentliches Cloud-Angebot, das auf Microsoft Azure gehostet wird, als auch eine private Cloud-Version, die vor Ort gehostet wird, um die strengsten IT-Bereitstellungs- und Betriebsrichtlinien des Unternehmens für Produktionssysteme zu erfüllen. Um das Simio-Portal vor Ort zu hosten, muss der Kunde die erforderliche Hardware-Infrastruktur beschaffen, um diese gehostete Umgebung hinter seinen eigenen Sicherheitssystemen (Firewall) zu schaffen. Dies kann auch an einen privaten Hosting-Service ausgelagert werden, je nach Unternehmensrichtlinien. Die Simio-Portal-Cloud-Lösung kann auch für Experimente genutzt werden, um Betriebsstrategien zu bewerten, indem die in der Modellentwicklungsphase festgelegten Daten und Parameter geändert werden.
Abbildung 13 - Simio-Bereitstellungsoptionen
Industrie 3.0 war verantwortlich für die Computerisierung und Automatisierung der Fertigungsindustrie. Dies führte zur Erstellung umfangreicher Transaktions- und Ausführungsdaten, die gespeichert und analysiert werden mussten, um die Systemleistung zu optimieren und zu verbessern, wodurch ein digitaler Schatten der Fabrik (digitaler Schnappschuss) entstand. Im Rahmen dieser Transformation der Industrie 3.0 wurde die Datenanalyse auf diese Daten angewandt, um aussagekräftige Datenmuster und Trends zu entdecken und zu kommunizieren. Obwohl die Datenanalyse auf vergangene Daten angewandt werden kann, liegt die wahre Stärke in der Verbindung der Echtzeit-Komponentendaten mit dem virtuellen Modell der Fabrik, um den digitalen Zwilling der Fabrik zu schaffen. Jetzt und in Zukunft, wenn sich Industrie 4.0 entfaltet, wenn Computer miteinander verbunden sind und miteinander kommunizieren, um letztendlich Entscheidungen ohne menschliche Beteiligung zu treffen, wird der digitale Zwilling der Simio-Fabrik eine entscheidende Komponente in diesem Prozess sein, da er die folgenden Schlüsselfunktionen für den digitalen Transformationsprozess bietet:
Der Simio Digital Twin ist eine Schlüsselkomponente der Smart Factory der Zukunft. Er bietet sowohl eine systemweite, aggregierte Ansicht des Systemzustands als auch ein Mittel zur zeitlichen Vorhersage des erwarteten zukünftigen Zustands, wie in Abbildung 14 unten dargestellt.
Abbildung 14 - Rückwärts- und vorausschauende Analyse
Simio unterscheidet sich von herkömmlichen Simulationsmodellierungswerkzeugen dadurch, dass es von Grund auf für die Ausführung als Live-Komponente eines Fabrik- oder Lieferkettenausführungssystems konzipiert wurde. Simio unterstützt komplexe relationale In-Memory-Daten, Verbindungen zu Echtzeit-Datenquellen, komplexe dynamische Entscheidungsregeln, detaillierte Ressourcen-, Material- und Aufgabenprotokolle sowie anpassbare Gantts, Berichte und Dashboards für die Kommunikation der Planungsergebnisse. Dies ist eine wesentliche Funktionalität für die Bereitstellung eines vernetzten virtuellen Prozessmodells der Fabrik. Abbildung 15 zeigt die Beziehung des virtuellen Fabrikmodells von Simio zu ERP und MES/IoT sowie die wichtigsten Funktionen, die in der Smart Factory aktiviert werden. Nur durch die Verwendung dieses Modells kann das System in die Zukunft projizieren und die Identifizierung und Lösung von Problemen unterstützen, bevor sie im realen System auftreten. Die Interkonnektivität zwischen ERP, MES/IoT und dem Modell der virtuellen Fabrik zur Erstellung des digitalen Zwillings sind wichtige Voraussetzungen für diese Fähigkeit.
Abbildung 15 - Simio-Digital-Twin-Beziehungen