2022 Simio Sync: Aplicaciones prácticas

En el mundo de la fabricación de terapias celulares autólogas, en las que se utilizan las células del propio paciente para tratar enfermedades, hay muy pocas condiciones que permanezcan constantes. El proceso de fabricación es especialmente complejo, sensible al tiempo y cambiante. En esta presentación, mostramos cómo se utiliza Simio en un centro de fabricación de CAR-T para dar sentido rápidamente a entradas variables e inciertas, al tiempo que se construye un modelo preciso y predecible capa por capa. Utilizamos una combinación de informes de panel de control y vistas Gantt dentro de Simio para visualizar y verificar automáticamente el comportamiento del modelo, lo que nos permite experimentar con las entradas de manera eficiente.

Calcular la capacidad de un laboratorio de caracterización puede ser todo un reto, sobre todo cuando se dispone de varios conjuntos de habilidades y configuraciones de prueba con numerosas aplicaciones, por no hablar de una mezcla de demanda muy dinámica con diferentes recetas de procesamiento. Aplicamos los típicos cálculos estáticos de capacidad utilizando una hoja de Excel y la ley de Little. El problema surgió cuando la empresa nos preguntó si podíamos satisfacer la demanda de un escenario potencial. El modelo excel no cumplía las expectativas, ya que no podíamos determinar cómo interactuarían los recursos sin basarnos en datos históricos. Llegados a este punto, decidimos evaluar un software de modelización, Simio. Con la ayuda del software Simio y los servicios de asistencia a la programación, construimos un modelo que simula cómo podría responder el Laboratorio de Caracterización si se le presentara un escenario diferente. Tras unos meses de colaboración, modelizamos la interacción entre técnicos, configuraciones y demanda, y obtuvimos un modelo para responder a las preguntas de la dirección.

El desarrollo de modelos de simulación para operaciones con activos móviles (camiones de transporte, cargadoras, palas, etc.) en industrias pesadas como la minería es complejo y requiere mucho tiempo. Hay muchas dependencias de múltiples sistemas y fuentes de datos, así como interacciones con las operaciones generales.

Los sistemas de gestión de flotas controlan y registran los datos operativos de los activos móviles. Sin embargo, los datos se recogen en tiempo real pero sólo se ven a posteriori, lo que da lugar a operaciones reactivas. El análisis de los datos recopilados puede proporcionar información valiosa sobre la utilización, la disponibilidad, el tiempo de inactividad, etc., pero carece de capacidad de respuesta en tiempo real. Por lo tanto, se queda corto a la hora de programar, planificar, cumplir los objetivos y mejorar el rendimiento general del sistema.

Al integrar las tecnologías de simulación basadas en datos con los sistemas de gestión de flotas, el modelo de simulación se convertirá en una herramienta de análisis predictivo que incorporará datos históricos y en tiempo real. La solución integrada puede contribuir a la optimización del rendimiento, proporcionar una planificación y programación precisas, controlar el cumplimiento de los objetivos, apoyar la gestión proactiva de activos y mejorar la gestión de costes.

Con el enfoque propio de modelización basada en datos, el modelo de simulación utiliza datos de gestión de flotas para construir automáticamente el modelo de simulación, incluida la red de transporte. Este enfoque permite aplicar una metodología estandarizada y reduce el tiempo y los costes asociados a la construcción de dichos modelos. La compleja lógica del modelo se sustituye por nuestro enfoque patentado, que se basa totalmente en datos operativos utilizando el software de simulación Simio®.

Esta sesión muestra cómo esta tecnología puede acercar a la industria a las ventajas del Gemelo Digital.

La planta de demostración NATRIUM se construirá en Wyoming a finales de la década de 2020. Para que un reactor sea operativo, se realizan paradas de recarga para intercambiar los elementos combustibles. El objetivo del proceso de recarga Natrium SIMIO es simular los elementos combustibles durante una recarga. La simulación se utiliza para comprender los requisitos de las paradas de recarga y las variables que influyen en ellas.

Muchos fabricantes tienen dos objetivos principales y contrapuestos para su empresa. El primero es maximizar la capacidad del sistema produciendo lo máximo posible en plazos más cortos. El segundo es mejorar los niveles de servicio, es decir, reducir los plazos de entrega. Ambos objetivos requieren técnicas de gestión de la producción que son contradictorias. Maximizar la capacidad del sistema significa reducir los tiempos de cambio y preparación, lo que no tiene en cuenta la importancia de las fechas de entrega, que son importantes para mantener los acuerdos de nivel de servicio. En esta sesión se analizarán las técnicas para aplicar estas técnicas de gestión de la producción utilizando la lógica de envío integrada en Simio y combinándola con la selección de pedidos a través de la lógica de llegada del objeto Origen.

Gran parte del trabajo de Lockheed Martin Aeronautics consiste en ensamblar grandes componentes que requieren cientos o miles de horas de trabajo en una única área de construcción. Durante el ensamblaje de un componente, pueden producirse muchos cambios en el área de construcción, como cambios de turno diarios, cambios mensuales en la mano de obra, asignación de personal al trabajo, escasez de piezas, comprobaciones de control de calidad y reprocesamiento resultante o trabajo itinerante, por nombrar sólo algunos. Para predecir con exactitud la capacidad de Aeronautics de cumplir los compromisos de entrega contratados, es necesario tener en cuenta estas complejidades en los modelos Simio que se utilizan para evaluar la confianza en la entrega. Esta presentación proporcionará una visión general de muchos de los enfoques y técnicas de modelado que Lockheed Martin Aeronautics utilizó para modelar con mayor precisión estos comportamientos complejos.

El objetivo general de este trabajo era ampliar el acceso a los análisis de simulación y mejorar el apoyo a la toma de decisiones para los clientes internos. Para ello, hemos explorado el uso de un sistema compuesto por una interfaz web, una base de datos y la API de Simio en combinación con modelos generados a partir de datos para simular el uso de un nuevo tipo de equipo en una planta de producción. El sistema ejecuta a distancia un modelo generalizado de Simio basado en un conjunto de tablas de datos que definen los recursos clave, las ubicaciones y la carga de trabajo de la instalación. Cualquier miembro del equipo con acceso a la red interna puede utilizar las indicaciones de la interfaz para definir su sistema y ejecutar un experimento preconstruido para ayudar a evaluar si una inversión en el nuevo equipo tendría o no una amortización adecuada en sus instalaciones. Esta presentación describe algunos de los métodos y lecciones aprendidas a lo largo del trabajo.

A medida que el sector de la restauración sigue evolucionando, los restaurantes intentan mantener el ritmo de los cambios derivados de la afluencia de negocios fuera del establecimiento y de drive-thru. En los sistemas drive-thru, la gestión de los "perturbadores" para minimizar los retrasos en la ventanilla y el tablón de pedidos se ha vuelto más común a medida que los pedidos de los clientes son más complejos y su tolerancia a la espera se reduce. La optimización del rendimiento y la rapidez del servicio han pasado a un primer plano en muchos conceptos, lo que incluye la gestión de "excepciones" o "perturbadores" con "Procedimientos de aparcamiento". La simulación por ordenador es un método valioso y cuantificable para identificar áreas de oportunidad y evaluar rápidamente el impacto de las soluciones. Utilizando Simio, Profitality Labor Guru ha creado modelos de conceptos de servicios alimentarios para probar y definir diseños óptimos, incluyendo la disposición de los equipos, el despliegue de la mano de obra y los procedimientos de montaje, pero también incluye una lógica de decisión única que se utiliza para modelar los procedimientos de aparcamiento. Utilizando árboles de decisión y búsquedas en los procesos, el modelo determina resultados cambiantes para los escenarios probados. Hablaremos de cómo se creó la lógica central del modelo, como el enrutamiento de pedidos y la lógica de procesos utilizada para redirigir pedidos en función de factores variables a medida que se ejecuta el modelo, y recopila puntos de datos únicos que todos los restaurantes deberían rastrear para optimizar sus operaciones Drive-thru.

Determinar el mejor enfoque de modelización para simular un proceso del mundo real puede resultar complicado: el enfoque más obvio no es necesariamente la única opción, ni la más eficaz. Un error común es quedarse atrapado en el material que se está modelando (por ejemplo, entidades discretas) y, por tanto, pensar que un modelo de simulación discreto es el único camino a seguir.

Para ilustrar este concepto, se construye una simulación sencilla de una planta embotelladora utilizando tres enfoques diferentes, cada uno de los cuales varía en el nivel de detalle. El primer enfoque utiliza un modelo discreto para representar cada botella como una entidad única, mientras que el segundo método aproxima el movimiento de volúmenes de botellas como un flujo continuo. Es posible ir un paso más allá y eliminar todas las entidades del modelo utilizando la funcionalidad de fichas y procesos de Simio para controlar lo que ocurriría con las botellas sin tener ninguna entidad en el modelo.

Estos tres métodos de simulación se comparan en términos de precisión, velocidad de ejecución y tiempo de desarrollo. Cada método ofrece un nivel de conocimiento diferente, y determinar con éxito cuál es suficiente para sus objetivos podría ahorrarle muchas horas de desarrollo.

Optimax construye la óptica detrás de las últimas tecnologías de vanguardia en el sector aeroespacial, defensa y electrónica de consumo. Optimax ha desarrollado procesos de alta ingeniería, así como capacidades superiores de fabricación y revestimiento para óptica avanzada para aplicaciones espaciales, sistemas de energía dirigida de alta potencia e industrias de semiconductores. Simio se está utilizando para diseñar un proceso independiente de las piezas que reduce el tiempo de ciclo en aproximadamente un 600%. El flujo de trabajo estocástico discreto y la estructura de diseño de tablas es la razón por la que Optimax decidió utilizar Simio frente a la mayoría de sus competidores. La simulación se desarrolló para el agnosticismo de piezas, donde las ecuaciones del proceso se han diseñado para permitir múltiples especificaciones de piezas y configuraciones de máquinas. Utilizando la estructura de tablas integrada en Simio, junto con sus funciones experimentales, Optimax puede probar múltiples estructuras de proceso y flujos de piezas diferentes, lo que da como resultado un diseño de instalaciones dinámico y robusto.

Danfoss diseña las tecnologías que permiten al mundo del mañana hacer más con menos. Satisfacemos la creciente necesidad de infraestructuras, suministro de alimentos, eficiencia energética y soluciones respetuosas con el clima. En Danfoss power solutions, utilizamos Simio en muchas áreas de la organización. Utilizamos la simulación para evaluar el rendimiento de las líneas de montaje actuales, las líneas de pintura y nuestro departamento de recepción. En el entorno actual, en el que la incertidumbre y la volatilidad afectan a las empresas, a menudo se necesitan respuestas rápidas a los cambios económicos globales. Simio nos ha ayudado a reaccionar rápidamente ante esos cambios. En los últimos años, hemos utilizado Simio para tomar decisiones relativas a proyectos de expansión que afectarían significativamente a la calidad, la entrega y la seguridad. Compartiremos algunos de esos ejemplos y cómo algunas funciones de Simio, como las tablas de datos y los procesos complementarios, nos ayudaron a desarrollar modelos de simulación muy cercanos a la realidad. También compartiremos algunos retos y lecciones aprendidas en el desarrollo de modelos de simulación a pequeña y gran escala.

La captura y almacenamiento de carbono (CAC) es el proceso de capturar el dióxido de carbono (CO2) residual procedente normalmente de grandes fuentes puntuales, transportarlo a un lugar de almacenamiento y depositarlo donde no entre en la atmósfera, normalmente una formación geológica subterránea. Debido a los elevados costes de inversión y explotación de las cadenas de suministro de CAC, esta tecnología no se ha adoptado de forma generalizada, pero esta situación está llamada a cambiar a medida que se encarezcan los derechos de emisión. Los gasoductos, en combinación con el transporte marítimo de CO2 licuado, se consideran una solución eficaz para la CAC, que es a la vez flexible y capaz de trasladar económicamente grandes volúmenes a un emplazamiento de almacenamiento. Predecir con exactitud los costes de las redes es crucial para tomar las mejores decisiones de diseño de la cadena de suministro. Teniendo en cuenta la interacción de la red, la variabilidad, los requisitos de almacenamiento y las políticas de explotación, la simulación es una gran tecnología para predecir con exactitud la horquilla de costes de la cadena de suministro en función de las distintas opciones de diseño.

Seegrid se asoció con Simio para desarrollar una plantilla de simulación flexible que permitiera la colaboración entre su equipo de diseño de soluciones.

Covid-19 cogió al mundo entero por sorpresa. Ningún sector puede decir que no se vio afectado por el COVID; todos se vieron afectados en mayor o menor medida. Para sobrevivir a la crisis, las empresas tuvieron que ser rápidas para responder a las recomendaciones de la OMS y a las expectativas de los consumidores. Las aerolíneas no fueron diferentes. En primer lugar, las aerolíneas tuvieron que reducir sus operaciones para minimizar la pérdida de efectivo durante los meses en que la demanda de viajes prácticamente desapareció y, después, cuando se reanudó, las aerolíneas tuvieron que reajustar el tamaño de sus operaciones para estar preparadas para responder a los huéspedes que volvían y recuperaban su confianza para viajar. Un área que se vio muy afectada fue el área de facturación, ya que cada país tiene leyes y requisitos diferentes a la hora de aceptar a los pasajeros en sus fronteras; además, dado que estos requisitos cambian cada día, y nadie tenía una línea de base para hacer frente a esta situación, la programación del personal para esta situación se convirtió en un problema, afectando al tiempo que tardan los pasajeros en ser facturados para sus vuelos. En esta presentación, les explicaré cuáles eran los problemas a los que se enfrentaban nuestros pasajeros, los retos a los que nos enfrentamos como aerolínea al intentar resolver este problema para nuestros pasajeros y, por último, cómo utilizamos un modelo de simulación para ayudarnos a determinar el número ideal de personas que atenderían a nuestros pasajeros en el vestíbulo de nuestro aeropuerto más concurrido.

A menudo se dispone de grandes volúmenes de datos para construir e impulsar un modelo de simulación. El uso eficiente y adecuado de estos datos es fundamental para el éxito del modelo. Cuando se inicia un proyecto, puede que no esté claro el camino a seguir utilizando un enfoque generado o impulsado por los datos. Sin embargo, nunca es demasiado tarde para cambiar a una estrategia orientada a los datos. Simio está equipado con funciones que minimizarán la repetición del trabajo y facilitarán esta transición. Esta presentación repasará algunos consejos y trucos sobre cómo cambiar el enfoque de modelado en un modelo existente de los métodos tradicionales a los impulsados por datos y los generados por datos. Se mejorará un modelo de ejemplo de fabricación mediante la creación y referencia a tablas de datos y relaciones de tablas, el aprovechamiento de objetos personalizados y la utilización de acciones de acceso directo. El resultado es un modelo que está lógicamente organizado con datos y tiene opciones fáciles para expandirse a través de los datos.

Las funciones de redes neuronales de Simio presentan muchas oportunidades nuevas en el ámbito de la IA, incluido el uso de la simulación de eventos discretos (DES) para generar datos de entrenamiento sintéticos para redes neuronales u otros algoritmos de aprendizaje automático. Muchos algoritmos de aprendizaje automático requieren grandes cantidades de datos de entrenamiento, que DES puede proporcionar. Además, los parámetros de entrada de los modelos DES pueden ajustarse para proporcionar datos de entrenamiento equilibrados que permitan crear modelos de aprendizaje automático robustos. Además de los datos de entrenamiento sintéticos, los modelos DES también pueden utilizarse para evaluar modelos de aprendizaje automático antes de su despliegue en producción. En esta presentación, Simio se utilizará para generar datos de entrenamiento, entrenar una red neuronal, utilizar una red neuronal para enrutar pedidos y evaluar el impacto del enrutamiento de la red neuronal en una cadena de suministro.

Este modelo de plantilla destaca el uso de transportistas para los movimientos de materiales y los usos de las políticas de reposición de materiales en las aplicaciones de programación y muestra algunas de las mejores prácticas que Simio ha identificado. En concreto, destacaremos cómo se construyeron el esquema y los procesos para que estuvieran completamente orientados a los datos y, al mismo tiempo, representaran algunos de los aspectos únicos que modelan el flujo de materiales. El modelo no sólo es capaz de programar recursos, trabajadores y materiales, sino que también modela los transportistas necesarios para mover las materias primas, intermedias y acabadas.

El esquema de tablas del modelo se basa en las normas ISA-95 e ISA-88. El modelo está preparado para modelizar a un nivel muy detallado. Además, los transportadores pueden modelarse como "carros" en los que se necesitan trabajadores para mover los vehículos, o los transportadores pueden modelarse como "AMR" con carga de baterías y movimiento en espacio libre a lo largo de una trayectoria con evitación de colisiones. El modelo también está configurado para funcionar como un despachador de trabajo en tiempo real. El modelo puede configurarse para enviar órdenes a los vehículos para iniciar las asignaciones de transporte y para actualizar la ubicación del vehículo en el modelo durante su ejecución utilizando la conectividad IIOT.

Hay muchos sistemas que dependen de un espacio de amortiguación limitado (es decir, tanques) entre los recursos aguas arriba y aguas abajo. Para representar correctamente la capacidad de los tanques es necesario disponer de un calendario de eventos que permita realizar un seguimiento de los flujos de entrada y salida de estos tanques. Simio mostrará las mejores prácticas que hemos identificado para capturar estas restricciones en un marco basado en datos. Algunas de las restricciones exclusivas incluyen la limpieza de tanques, la conectividad limitada (es decir, muchos con muchos, pero no todos con todos) y la realización de campañas eficientes con la lógica de procesos (por ejemplo, cómo hacer que los objetos de Simio esperen para evitar cambios), así como algunas técnicas de optimización de la lógica para mantener bajos los tiempos de cálculo.

Para responder a las fluctuaciones del mercado, las organizaciones han recurrido al diseño de sistemas de fabricación, como forma de mejorar la flexibilidad de sus sistemas de fabricación. Sin embargo, se trata de un proceso muy duro y complejo. Afortunadamente, la simulación de eventos discretos (DES) puede ayudar en este sentido. Sin embargo, la DES aún no es una herramienta omnipresente en este campo.

Para ayudar en este sentido, y con el fin de (1) reducir el tiempo que tardan los profesionales de DES en modelar un sistema de fabricación, y (2) hacer modelos de simulación que sean a la vez estandarizados en su enfoque de modelado y genéricos en su comportamiento, se puede utilizar un generador automático de modelos de simulación, que sólo es viable mediante el uso de modelos de simulación.

Esta presentación se centra en el desarrollo de objetos de simulación, la garantía de que sean genéricos, el uso de subclases para mejorar la eficacia en la modelización futura y el aspecto de visualización de la simulación.

Un gemelo digital debe permitir a una empresa tomar decisiones en tiempo real permitiéndole comprender, simular y visualizar cómo afectarán esas decisiones a sus programas de fabricación y producción. En esta charla hablaremos de cómo estamos explorando el uso potencial de Simio como gemelo digital con una empresa de fabricación para ayudarla a tomar decisiones con sus sistemas de producción. En primer lugar, identificamos algunos escenarios o casos de uso que se dan con frecuencia en los sistemas de producción y determinamos hasta qué punto un gemelo digital puede ayudar a abordar esos escenarios. En segundo lugar, creamos esos escenarios en Simio utilizando algunas simulaciones simplificadas de sistemas de producción y analizamos cómo un gemelo digital dentro de Simio puede beneficiar la toma de decisiones. Esta charla se centrará en escenarios para el mantenimiento basado en la condición y la simulación de la producción partiendo del estado actual de la producción en la instalación.

Dentro de la simulación de eventos discretos, las decisiones se toman utilizando conjuntos de reglas (como el despacho) que se definen antes de cada ejecución. Algunos sistemas del mundo real tienen decisiones que son difíciles de modelar utilizando este enfoque, que puede conducir a decisiones que son localmente "las mejores", pero son miopes con respecto a todo el sistema. Esta presentación presenta un marco tecnológico que integra el solucionador de optimización Gurobi dentro de un modelo Simio. Periódicamente durante una ejecución, Simio ejecuta Gurobi para tomar una decisión que tiene en cuenta el estado actual del modelo. El resultado se utiliza dentro del modelo Simio mientras continúa su ejecución. La integración de estas dos tecnologías proporciona un enfoque de modelado que conserva tanto la toma de decisiones global de la optimización como la capacidad de la simulación de eventos discretos para manejar la incertidumbre y la complejidad.