1. Einführung
Digitale Zwillinge werden verwendet, um sowohl den Entwurf als auch den Betrieb komplexer Systeme zu optimieren. Zur Optimierung des Systementwurfs kann ein Digitaler Zwilling verwendet werden, um zwischen zwei oder mehr konkurrierenden Entwürfen den besten auszuwählen, diese Entwürfe in eine Rangfolge vom besten zum schlechtesten zu bringen oder die Parametereinstellungen zu optimieren, um die Systemleistung des Entwurfs zu maximieren. Sobald der Systementwurf abgeschlossen ist und die Entwurfsparameter optimiert sind, kann der Digitale Zwilling dazu verwendet werden, zustandsbasierte intelligente Entscheidungen zu treffen, um den täglichen Betrieb des Systems zu optimieren. Bei der Entwurfsoptimierung wird das System für den Betrieb konfiguriert, indem Ausrüstung, Prozesse, Betriebsregeln, Personalausstattung usw. ausgewählt werden. Bei der Betriebsoptimierung werden die spezifischen Aufgaben, die zu bearbeiten sind, die zu verwendenden Ressourcen und die zu verlagernden Materialien ausgewählt.
Während der Entwurfsphase ist es wichtig, dass der Digitale Zwilling die Variabilität innerhalb des Systems erfasst, wie z. B. variable Bearbeitungszeiten oder zufällige Ausfälle. Die Variabilität hat einen enormen Einfluss auf die Systemleistung, und wenn sie ignoriert wird, werden die Ergebnisse falsch sein. Daher müssen alle Experimente und Optimierungen während der Entwurfsphase die Variabilität im System berücksichtigen.
Bei der Verwendung eines Digitalen Zwillings im Betriebsmodus zur Erstellung eines kurzfristigen Plans (z. B. eines Produktionsplans) muss die Variabilität deaktiviert und ein deterministischer Plan erstellt werden, der dann neu generiert werden kann, wenn ein ungeplantes Ereignis eintritt oder eine Aufgabenzeit erheblich von der erwarteten Zeit abweicht. Der deterministische Plan wird in der Regel optimistisch sein, und jedes Mal, wenn das System aufgrund ungeplanter Ereignisse neu geplant wird, verschlechtert sich die Leistung gegenüber dem Plan. Wir können jedoch das Risiko jedes Plans bewerten, indem wir eine Risikoanalyse durchführen, die den Plan wiederholt mit aktivierter Variabilität generiert, um Risikomaße wie die Wahrscheinlichkeit, dass bestimmte Aufträge pünktlich eintreffen, zu ermitteln.
In Simio verwenden wir den Begriff Simulationslauf, um einen Lauf des Modells mit aktivierter Variabilität zu bezeichnen. Daher werden während der Designoptimierung Replikationen eines Simulationslaufs durchgeführt, um die Auswirkungen der Variabilität auf die Systemleistung zu erfassen. Der Begriff Planlauf wird verwendet, um einen einzelnen Lauf mit deaktivierter Variabilität und ungeplanten Ereignissen zu bezeichnen. Da die Variabilität deaktiviert ist, besteht bei der Erstellung von Zeitplänen keine Notwendigkeit, Planläufe zu wiederholen. Bei der Betriebsoptimierung verwenden wir jedoch Simulationsläufe und Replikationen, um das mit dem Zeitplan verbundene Risiko aufgrund zufälliger Variation und ungeplanter Ereignisse zu analysieren.
Wie in den folgenden Abschnitten beschrieben, verfügt Simio über zahlreiche integrierte Funktionen für die Optimierung von Entwurf und Betrieb komplexer Systeme. Im Falle des Systementwurfs ist es typisch, aus einer Reihe von Entwürfen den besten auszuwählen oder eine Suche über eine Reihe von Parametern durchzuführen, um die Leistung eines ausgewählten Entwurfs zu optimieren. Im Falle des Systembetriebs ist es typisch, den Betrieb des Systems für einen ausgewählten Entwurf zu optimieren. In den folgenden Abschnitten werden wir die Simio-Funktionen zur Durchführung dieser Optimierungen beschreiben.
2. Durchführung von Simulationsexperimenten
Im Allgemeinen besteht der Zweck der Erstellung eines Simulationsmodells und der anschließenden Durchführung eines Experiments für das Modell darin, mehrere Szenarien für das System zu evaluieren. In vielen Konstruktionsanwendungen wurde eine Reihe von Konstruktionsoptionen definiert, z. B. die Anzahl der einzusetzenden AMRs, die Anzahl der Mitarbeiter für jede Qualifikation, die Anzahl der Lagerregale oder der Pufferraum zwischen den Maschinen. Diese Optionen werden als Eigenschaften des Modells bezeichnet. Jede Zuordnung von Werten zu diesen Eigenschaften stellt ein Szenario für die Bewertung dar.
Experimente dienen dazu, eine Reihe von Szenarien zu definieren, die mit dem Modell ausgeführt werden sollen. Sie werden im Batch-Modus mit aktivierten Zufallsvariationen ausgeführt. Dies geschieht in der Regel (sobald ein Modell validiert wurde), um Simulationsläufe durchzuführen, die einen oder mehrere Entwurfskandidaten für das System vergleichen. Jedes Szenario hat eine Reihe von Eigenschaften, wie z. B. die Größe jedes Eingangspuffers, sowie KPIs, die als Ausgangsreaktionen angegeben werden, wie z. B. Systemdurchsatz oder Pufferwartezeiten. Die Kontrollvariablen sind die Werte, die den Eigenschaften des zugehörigen Modells zugewiesen werden. Da die meisten Modelle Zufallskomponenten enthalten, wie z. B. Verteilungen der Servicezeiten oder zufällige Ausfälle, sind Wiederholungen eines bestimmten Szenarios erforderlich, um die Berechnung von Konfidenzintervallen für die Reaktionsergebnisse zu ermöglichen. Abbildung 1 zeigt ein Beispielexperiment mit sechs Szenarien, jedes mit zwei Eigenschaften und zwei Antworten.
Abbildung 1: Typische Versuchsergebnisse
Bei der Durchführung eines Experiments wird jedes Szenario eine bestimmte Anzahl von Wiederholungen durchgeführt. Die Anzahl der Wiederholungen ist eine wichtige Überlegung, da jede Wiederholung aufgrund von Zufallsvariationen unterschiedliche Ergebnisse liefert. Daher müssen die Szenarien mit statistischen Methoden verglichen werden. Eine gängige Statistik ist ein Konfidenzintervall, das besagt, dass ein bestimmter KPI mit einer bestimmten Wahrscheinlichkeit (z. B. .95) zwischen einem oberen und einem unteren Wert liegt, Mit zunehmender Anzahl von Wiederholungen der einzelnen Szenarien verringert sich die Größe der Konfidenzintervalle, so dass die Ergebnisse aussagekräftiger werden.
Simio verfügt über mehrere eingebaute Werkzeuge, die bei der Analyse von Systemen in der Entwurfsphase helfen. Eine der wichtigsten Funktionen ist der SMORE-Plot, der auf die Arbeit von Professor Barry L. Nelson an der Northwestern University zurückgeht und den Mittelwert, das Konfidenzintervall für den Mittelwert, die oberen und unteren Perzentilwerte und den Bereich jeder Antwortvariablen grafisch darstellt. Abbildung 2 unten zeigt ein Beispiel für einen SMORE-Plot in Simio.
Abbildung 2: SMORE-Plots zum Vergleich von Experimentdurchläufen
Die SMORE-Darstellung ermöglicht einen visuellen Vergleich der KPIs für mehrere Szenarien unter Einbeziehung der zugehörigen Konfidenzintervalle, die bei der Bestimmung der Anzahl der auszuführenden Replikationen und der Auswahl potenziell guter Szenarien sehr hilfreich sind. Um jedoch das beste Szenario auszuwählen, benötigen wir ein Tool, das eine statistisch gültige Methode zur Auswahl des besten Szenarios verwendet.
2.1 Auswahl des besten Systementwurfs
Bei vielen Anwendungen gibt es eine Reihe von Szenarien, die die in Frage kommenden Entwürfe darstellen, und das Ziel besteht darin, den besten auszuwählen, der in der Zukunft auf der Grundlage von einem oder mehreren KPIs implementiert werden soll. Daher ist es äußerst wichtig, die beste(n) Alternative(n) für das untersuchte System genau auszuwählen.
Eine einfache Vergleichstechnik ist die Aufzeichnung und Sortierung von Szenarien auf der Grundlage der durchschnittlichen aufgezeichneten KPI und die anschließende Auswahl des höchsten/niedrigsten KPI. Diese intuitive, aber ungenaue Methode ohne Berücksichtigung der Systemvariabilität führt jedoch möglicherweise nicht zur optimalen Wahl, da einige Szenarien aufgrund zufälliger Variationen innerhalb der Szenariogruppe von Replikationen besser oder schlechter aussehen können. Dieser Fehler wäre durch zusätzliche Replikationen jedes Szenarios und eine detailliertere Analyse aufgedeckt worden.
In den letzten Jahrzehnten wurden beträchtliche Forschungsanstrengungen unternommen, um statistisch gültige Rangordnungs- und Auswahlverfahren zu entwickeln und zu automatisieren - ein wesentlicher Teil davon wurde von Barry L. Nelson von der Northwestern University geleistet. Dr. Nelson entwickelte eine Reihe von Algorithmen, die die KPI-Antwortwerte in die Untergruppen "Possible Best" und "Rejects" innerhalb jeder Antwort gruppieren. Die "Possible Best"-Gruppe besteht aus Szenarien, die sich statistisch nicht voneinander unterscheiden, aber nachweislich statistisch besser sind als alle Szenarien in der "Rejects"-Gruppe. Dieser Prozess wird als "Subset Selection" (Untergruppenauswahl ) bezeichnet und wird häufig in einer ersten Analysephase durchgeführt, um eine Reihe "interessanter" Systementwürfe zu erstellen, die weiter untersucht werden sollen.
Simio enthält den Nelson Subset Selection Algorithmus, um diesen Prozess der Gruppierung von Entwürfen in "Possible Best" und "Rejects" zu automatisieren. Um anzugeben, was "Best" ist, definiert der Benutzer den KPI, der als Ziel im Fenster Response Properties verwendet werden soll, entweder auf Maximize oder Minimize. Das Maximieren-Ziel gruppiert die Werte, die statistisch gesehen größer sind als die Gruppe der Ablehnungen, und umgekehrt gruppiert das Minimieren-Ziel die kleinsten Antwortwerte.
Bei der Ausführung des Algorithmus zur Teilmengenauswahl im Simio-Experimentierfenster werden die Zellen in einer Antwortspalte gelb hervorgehoben, wenn es sich um "Ablehnungen" handelt, während die Szenarien mit "Möglicher Bester" in brauner Farbe dargestellt werden. In einem Szenario kann eine Zelle in einer Spalte als "Mögliches Bestes" und gleichzeitig als "Abgelehnt" für eine andere Antwort gelten. Ein Beispiel für die Subset Selection Option ist in Abbildung 3 unten dargestellt.
Abbildung 3: Analyse der Untergruppenauswahl
Simio bietet auch einen "Select the Best"-Algorithmus, der automatisch zusätzliche Simulationsreplikationen durchführt, um aus einer Teilmenge "interessanter" Kandidaten die besten auszuwählen. Dieser Algorithmus wird typischerweise in einer zweiten Phase ausgeführt, nachdem die Menge der Szenarien mit Hilfe von Subset Selection und eventuell anderen externen Faktoren wie Kosten oder Bauzeit auf eine Kandidatenmenge reduziert wurde. Simio implementiert das von Seong-Hee Kim und Barry L. Nelson entwickelte Verfahren zur Auswahl des besten Szenarios. Der Algorithmus entscheidet, welche Szenarien durchlaufen werden und wie viele Wiederholungen jedes Szenario benötigt, um das beste auszuwählen. Er nimmt eine anfängliche Menge von Szenarien und führt zusätzliche Wiederholungen durch, bis er sicher ist, dass ein bestimmtes Szenario das "beste" ist oder innerhalb eines bestimmten Bereichs des besten liegt (Indifferenzzone genannt). Dabei werden alle Szenarien außer dem besten Szenario abgehakt. Während der Ausführung des Algorithmus werden Szenarien, die nicht für das beste Szenario in Frage kommen, "rausgeschmissen", und es werden keine weiteren Replikationen für diese Szenarien durchgeführt. Dieser Algorithmus wird im Rahmen von Simio-Experimenten als Bestes Szenario mit KN auswählen bezeichnet.
Simio stellt auch eine zweite Version des Kim-Nelson-Algorithmus zur Verfügung, die von Sijia Ma im Rahmen seiner Doktorarbeit bei Professor Shane G. Henderson an der Cornell University entwickelt wurde. Diese Version kann eine bessere Leistung bei der Durchführung großer Modelle bieten, die die Auswertung vieler Szenarien in einer Parallelverarbeitungsumgebung erfordern. Dieser Algorithmus wird im Rahmen von Simio-Experimenten als Select Best Scenario Using GSP bezeichnet, wobei GSP für Good Selection Procedure steht, wie in Abbildung 4 unten dargestellt.
Abbildung 4: Optionen zur Auswahl des besten Szenarios
2.2 Optimierung der Systemparameter mit OptQuest
Simulationsmodelle werden typischerweise im Rahmen eines Entscheidungsfindungsprozesses eingesetzt, um verschiedene Möglichkeiten für die Modellsteuerung zu bewerten und zu sehen, wie sich diese Möglichkeiten auf das System auswirken. Benutzer können manuell Experimente erstellen, Eingabewerte eingeben und mehrere Replikationen durchführen, um die geschätzten Werte der KPIs und ihre entsprechenden Konfidenzintervalle zu erhalten. Dabei können mehrere verschiedene Kombinationen von Eingabewerten variiert werden, was schließlich zu einer optimalen Lösung führt. Diese Methode funktioniert gut für einfache Modelle, aber es ist leicht einzusehen, dass sie mit zunehmender Komplexität recht mühsam werden kann.
OptQuest hilft, einen Teil dieser Mühsal zu beseitigen, indem es automatisch nach der optimalen Lösung sucht. Die Steuereigenschaften des Simulationsmodells und die KPI-Antworten werden zusammen mit den OptQuest-Parametern definiert, und OptQuest sucht dann nach den machbaren Steuerwerten, um das Ziel zu maximieren oder zu minimieren, z. B. den Gewinn zu maximieren oder die Kosten zu minimieren. OptQuest setzt automatisch die Eigenschaftswerte, startet die Replikationen und zeigt die Ergebnisse an.
OptQuest nutzt intelligente Suchmethoden und integriert neben der Modellierungsleistung von Simio auch kundenspezifische Optimierungsalgorithmen. Anstatt Algorithmen zur Optimierung einer Reihe von mathematischen Gleichungen zu verwenden, werden sie zur Optimierung einer Reihe von stochastischen Prozessinteraktionen eingesetzt.
Sobald das Problem durch die Definition der Steuerungseigenschaften, des Ziels und der Beschränkungen beschrieben ist, kann OptQuest mit der Ausführung von Szenarien beginnen. Nach dem ersten Szenario wertet OptQuest die Antworten des Szenarios aus, analysiert sie und bestimmt dann die Werte, die im nächsten Szenario berücksichtigt werden sollen. Nachdem das zweite Szenario gelaufen ist, analysiert OptQuest erneut die von Simio erhaltenen Antworten, vergleicht sie mit den Antworten des vorherigen Szenarios und bestimmt erneut neue Werte, die von Simio ausgewertet werden. Dieser Prozess der Gewinnung von Ergebnissen und des Vergleichs mit früheren Zielwerten wiederholt sich, bis OptQuest eines seiner Abbruchkriterien erfüllt - entweder nach Erreichen der maximalen Anzahl von Iterationen oder nachdem OptQuest festgestellt hat, dass sich der Zielwert nicht mehr verbessert.
OptQuest unterstützt auch die Optimierung auf der Grundlage von mehr als einer Antwort, indem es eine Technik namens Multi-Objective Weighted optimization verwendet. OptQuest multipliziert jedes Ziel mit einer bestimmten Gewichtung, negiert es, wenn es sich um ein Minimieren-Objekt handelt, summiert sie zusammen und maximiert das Ergebnis. Ein Beispielbildschirm für die Auswahl und Aktualisierung der OptQuest-Parameter einschließlich eines Beispiel-Ergebnissatzes ist in Abbildung 5 unten dargestellt.
Abbildung 5: OptQuest Multi-Objective Weighted Optimization
OptQuest kann alternativ einen optimalen Lösungssatz auf der Grundlage mehrerer Ziele finden, indem es einen Pattern-Frontier-Ansatz verwendet, der Lösungen anstrebt, die sich auf der "Grenze" des Optimierungsraums befinden. Das folgende Diagramm zeigt zum Beispiel die Ergebnisse der Pattern Frontier-Optimierung mit zwei Antworten, Kosten und Vorlaufzeit. Szenarien, die entlang der optimalen Grenze des Lösungsraums liegen, sind im Mustergrenzendiagramm grün dargestellt und stellen ein optimales Szenario dar, das ein anderes Gleichgewicht zwischen den konkurrierenden Zielen herstellt.
Abbildung 6: Beispiel eines Mustergrenzendiagramms
3. Optimierung des Systembetriebs
Einer der Hauptvorteile eines Process Digital Twin ist, dass dasselbe Modell, das zur Optimierung des Entwurfs verwendet wird, auch den täglichen Betrieb des Systems optimieren kann, indem es intelligente, deterministische Pläne erstellt, die im realen System ausgeführt werden. Simio verwendet einen zustandsbasierten Optimierungsansatz, um dynamisch einen optimierten Plan zu erstellen, der die Ressourcen-, Material- und logischen Einschränkungen des Systems, die sich im Laufe der Zeit entwickeln und vom Digitalen Zwilling erfasst werden, vollständig berücksichtigt. Da der Digitale Zwilling diese wahren Einschränkungen des Systems erfasst, ist der optimierte Plan im realen System vollständig umsetzbar. Jede Entscheidung im System wird auf der Grundlage des aktuellen Zustands des Systems optimiert. Im Gegensatz dazu erfassen Altsysteme die detaillierten Randbedingungen nicht und verwenden eine grobe Messung der Kapazität innerhalb fester Zeitabschnitte, z. B. wöchentlich. Sie setzen dann einen heuristischen Solver ein, um eine gute machbare Lösung für diese vereinfachte Darstellung des Systems zu finden. Obwohl Altsysteme ihre Lösung als optimal darstellen, führt ihre grobe Annäherung an die Kapazität und die Zeit zu Ergebnissen, die im realen System nicht umsetzbar sind und folglich nicht mit dem tatsächlichen Produktionsplan übereinstimmen. Im Gegensatz dazu erfasst der systemzustandsbasierte Optimierungsansatz von Simio alle kritischen Randbedingungen entlang eines echten Zeithorizonts und erzeugt einen Plan, der ohne menschliches Eingreifen vollständig umsetzbar ist.
Der Schlüssel zum Plan, der durch den zustandsbasierten Optimierungsansatz erzeugt wird, ist die Qualität der Entscheidungslogik, die in den digitalen Zwilling von Simio eingebettet ist, um Entscheidungen zu treffen, z. B. welcher Auftrag als nächstes bearbeitet wird und welche Ressourcen jedem Auftrag zugewiesen werden. In typischen Fabriken werden diese Entscheidungen oft anhand von Dispositionsregeln getroffen, wie z. B. kürzeste Bearbeitungszeit, frühestes Fälligkeitsdatum, kleinste Umstellung oder kritisches Verhältnis. Die Critical Ratio-Regel, bei der die verbleibende Zeit bis zum Fälligkeitsdatum durch die erwartete verbleibende Bearbeitungszeit für den Auftrag geteilt wird, hat sich bei der Optimierung der termingerechten Lieferung als besonders effektiv erwiesen. In einigen Fällen werden zusammengesetzte Regeln verwendet, die zwei oder mehr Regeln kombinieren, um gleichzeitig Umstellungen zu reduzieren und die Verspätung zu minimieren. Viele Finite-Kapazitäts-Planungstools verwenden verschiedene Dispositionsregeln, um einen detaillierten Plan für die Fabrik zu erstellen.
Während diese Dispositionsregeln effektive Pläne erzeugen können, beinhaltet eine fortschrittlichere Strategie die Nutzung der neuronalen Netzfunktionen von Simio, um das detaillierte Zustandsmodell des digitalen Zwillings zu nutzen. Diese Funktionen ermöglichen es, die neuronalen Netze zu trainieren und mit Inputs zu versorgen, um die intelligente Entscheidungsfindung zu verbessern. Mit Simio können Standard-Dispatching-Regeln und komplexe Modell-Entscheidungslogik durch selbst trainierte neuronale Netze ersetzt werden. Die neuronalen Netze liefern die komplexe Entscheidungslogik im Modell, und im Gegenzug erzeugt das Modell die erforderlichen synthetischen Daten, um die neuronalen Netze zu trainieren. Dies ermöglicht eine Vereinfachung der Entscheidungslogik des Modells, wodurch die Modelle einfacher zu erstellen, zu verstehen, zu debuggen und zu warten sind. Simio bietet außerdem integrierte Trainingsalgorithmen für das Training neuronaler Netze anhand synthetischer Daten, die von einem Modell generiert werden. Somit bietet Simio eine Komplettlösung für die Einbettung neuronaler Netze in Process Digital Twin-Modelle.
Die KI-Funktionen von Simio sind besonders nützlich in Digital-Twin-Anwendungen für die Produktionsplanung, bei denen das neuronale Netz so trainiert werden kann, dass es kritische KPIs vorhersagen kann, z. B. die sich dynamisch verändernde Produktionsvorlaufzeit für eine Fabrik oder eine Produktionslinie innerhalb einer Fabrik. Das neuronale Netz lernt die Auswirkungen von Umstellungen, sekundären Ressourcen, Geschäftsregeln und anderen Produktionskomplexitäten, die sich auf die Vorhersage der KPIs auswirken. Der intelligente Digital Twin kann komplexe Zusammenhänge erfassen, die sonst nicht in ein Modell aufgenommen werden könnten. Die KPI-Vorhersagen des neuronalen Netzwerks können dann verwendet werden, um Entscheidungen sowohl innerhalb der Fabrik als auch in der gesamten Lieferkette zu optimieren. Innerhalb der Lieferkette kann das neuronale Netzwerk für die kritische Entscheidung über die Beschaffung von Zulieferern verwendet werden, indem es die Produktionsvorlaufzeit für jeden in Frage kommenden Zulieferer vorhersagt und den Hersteller mit den niedrigsten Kosten auswählt, der den Auftrag pünktlich ausführen kann. KI-basierte Fabrikbeschaffung innerhalb der Lieferkette Digitaler Zwilling macht eine Master Production Scheduling Software überflüssig.
Die in Simio integrierten KI-Funktionen unterstützen die Definition, das Training und die Verwendung des klassischen neuronalen Feed-Forward-Regressionsnetzwerks. Allerdings kann jedes Regressionsmodell für maschinelles Lernen von über 50 Drittanbietern, darunter Google und Microsoft, die das ONNX-Modellaustauschformat unterstützen, in Simio importiert und verwendet werden. Modelle können mit diesen Tools von Drittanbietern erstellt und trainiert und dann in Simio importiert werden, um leistungsstarke KI-gesteuerte Optimierungslösungen zu erstellen.
3.1 Optimierung von Plänen mit Experimenten
Der deterministische Plan, der vom digitalen Zwilling von Simio generiert wird, kann auch weiter verfeinert werden, indem mit alternativen Entscheidungen innerhalb des Plans experimentiert wird. Dieses Experimentieren kann entweder sequentiell erfolgen, indem die KPIs für einen bestimmten Plan analysiert werden, oder parallel, um mehrere Kerne zu nutzen, um viele alternative Pläne gleichzeitig zu untersuchen.
Die sequenzielle Verfeinerung eines Plans kann mit der Multi-Pass-Funktion von Simio implementiert werden, die es ermöglicht, einen Plan innerhalb eines einzigen Durchlaufs mehrfach neu zu generieren, wobei die Eingabeparameter für jeden Plan auf der Grundlage der Ergebnisse des vorherigen Plans angepasst werden können. Wenn sich beispielsweise ein bestimmter Auftrag verspätet, kann bei der nächsten Iteration des Plans die Priorität des Auftrags geändert oder der Auftrag an eine alternative Produktionsanlage geschickt werden. Dieser Prozess kann nach Bedarf wiederholt werden, um den vom digitalen Zwilling erstellten Plan zu verfeinern. Sequentielles oder paralleles Experimentieren mit Plänen kann auch implementiert werden, indem Simio im "Headless"-Modus läuft, in dem es von einer Skriptsprache wie Python aufgerufen wird, um spezifische Pläne zu erzeugen. Dieser Ansatz ist besonders nützlich, um automatisch verschiedene Pläne parallel auf Multicore-Cloud-Plattformen zu untersuchen.
4. Zusammenfassung
Die Digitalen Zwillinge von Simio Intelligent Process können sowohl zur Optimierung des Entwurfs als auch des Betriebs komplexer Systeme eingesetzt werden. Für Entwurfsanwendungen bietet Simio fortschrittliche statistische Methoden zur Analyse von Variationen, um den Systementwurf zu optimieren. Derselbe Digitale Zwilling kann dann zur Optimierung des täglichen Betriebs des Systems eingesetzt werden, wobei ein zustandsbasierter Optimierungsansatz verwendet wird, der Dispositionsregeln, neuronale Netze und Planexperimente zur Optimierung der Systemleistung einsetzt.