2022 Simio Sync : Applications pratiques

Dans le monde de la fabrication de thérapies cellulaires autologues, où les cellules d'un patient sont utilisées pour traiter une maladie, il y a très peu de conditions qui restent constantes. Le processus de fabrication est particulièrement complexe, sensible au temps et évolutif. Dans cette présentation, nous montrons comment Simio est utilisé sur un site de fabrication CAR-T pour donner rapidement un sens aux données variables et incertaines, tout en construisant un modèle précis et prévisible, couche par couche. Nous utilisons une combinaison de rapports de tableau de bord et de vues Gantt dans Simio pour visualiser et vérifier automatiquement le comportement du modèle, ce qui nous permet d'expérimenter efficacement les données d'entrée.

L'estimation de la capacité d'un laboratoire de caractérisation peut s'avérer difficile, en particulier lorsque les personnes ont des compétences multiples et des installations d'essai avec de nombreuses applications, sans parler d'une demande très dynamique avec différentes recettes de traitement. Nous avons appliqué les calculs de capacité statique habituels en utilisant une feuille Excel et la loi de Little. Le problème s'est posé lorsque l'entreprise nous a demandé si nous pouvions répondre à la demande d'un scénario potentiel. Le modèle Excel ne répondait pas aux attentes, car nous ne pouvions pas déterminer comment les ressources interagiraient sans nous appuyer sur des données historiques. C'est alors que nous avons décidé d'évaluer un logiciel de modélisation, Simio. Avec l'aide du logiciel Simio et des services d'assistance à la programmation, nous avons construit un modèle qui simule la façon dont le laboratoire de caractérisation pourrait réagir si on lui présentait un scénario différent. Après quelques mois de collaboration, nous avons modélisé l'interaction entre les techniciens, les installations et la demande, ce qui nous a permis de disposer d'un modèle pour répondre aux questions de la direction.

Le développement de modèles de simulation pour les opérations de biens mobiles (camions, chargeurs, pelles, etc.) dans les industries lourdes telles que l'exploitation minière est complexe et prend beaucoup de temps. Il existe de nombreuses dépendances à l'égard de multiples systèmes et sources de données, ainsi que des interactions avec les opérations globales.

Les systèmes de gestion de flotte contrôlent et enregistrent les données opérationnelles sur les actifs mobiles. Cependant, les données sont collectées en temps réel mais ne sont consultées qu'a posteriori, ce qui donne lieu à des opérations réactives. L'analyse des données collectées peut fournir des informations précieuses sur l'utilisation, la disponibilité, les temps morts, etc. mais ne permet pas de réagir en temps réel. Mais elle manque de réactivité en temps réel. Par conséquent, elle n'est pas à la hauteur en matière de programmation, de planification, de respect des objectifs et de performances globales du système.

En intégrant les technologies de simulation basées sur les données aux systèmes de gestion de flotte, le modèle de simulation deviendra un outil d'analyse prédictive, incorporant des données historiques et en temps réel. La solution intégrée permet d'optimiser les performances, d'assurer une planification et une programmation précises, de suivre le respect des objectifs, de soutenir une gestion proactive des actifs et d'améliorer la gestion des coûts.

Grâce à l'approche propriétaire de modélisation basée sur les données, le modèle de simulation utilise les données de gestion de la flotte pour construire automatiquement le modèle de simulation, y compris le réseau de transport. Cette approche permet d'appliquer une méthodologie standardisée et de réduire le temps et les coûts associés à la construction de tels modèles. La logique complexe du modèle est remplacée par notre approche propriétaire, qui est entièrement pilotée par les données opérationnelles à l'aide du logiciel de simulation Simio®.

Cette session montre comment cette technologie peut rapprocher l'industrie des avantages du jumeau numérique.

La centrale de démonstration NATRIUM sera construite dans le Wyoming à la fin des années 2020. Pour qu'un réacteur soit opérationnel, des arrêts pour rechargement sont mis en œuvre afin d'échanger les assemblages de combustible. L'objectif du processus de rechargement SIMIO de Natrium est de simuler les assemblages de combustible pendant un rechargement. La simulation est utilisée pour comprendre les exigences de l'arrêt pour rechargement et les variables qui ont un impact.

De nombreux fabricants ont deux objectifs principaux et concurrents pour leur entreprise. Le premier consiste à maximiser la capacité du système en produisant autant que possible dans des délais plus courts. Le second consiste à améliorer les niveaux de service, c'est-à-dire à réduire les délais de livraison. Ces deux objectifs requièrent des techniques de gestion de la production qui sont en contradiction l'une avec l'autre. Maximiser la capacité du système signifie réduire les temps de changement et de préparation, ce qui ne tient pas compte de l'importance des dates d'échéance, qui sont importantes pour le maintien des accords de niveau de service. Cette session aborde les techniques de mise en œuvre de ces techniques de gestion de la production en utilisant la logique de répartition intégrée de Simio et en la combinant avec la sélection des commandes via la logique d'arrivée de l'objet Source.

Une grande partie du travail de Lockheed Martin Aeronautics consiste à assembler de grands composants qui nécessitent des centaines ou des milliers d'heures de travail dans une seule zone de construction. Pendant la période d'assemblage d'un composant, de nombreux changements peuvent intervenir dans la zone de construction, tels que les changements d'équipe quotidiens, les changements mensuels de main-d'œuvre, l'affectation du personnel au travail, les pénuries de pièces, les contrôles d'assurance qualité et les travaux de reprise ou de déplacement qui en résultent, pour n'en citer que quelques-uns. Pour prédire avec précision la capacité de l'aéronautique à respecter ses engagements de livraison, ces complexités doivent être prises en compte dans les modèles Simio qui sont utilisés pour évaluer la confiance dans les livraisons. Cette présentation donnera un aperçu des nombreuses approches et techniques de modélisation que Lockheed Martin Aeronautics a utilisées pour modéliser plus précisément ces comportements complexes.

L'objectif principal de ce travail était d'élargir l'accès à l'analyse de simulation et d'améliorer l'aide à la décision pour les clients internes. Pour atteindre cet objectif, nous avons exploré l'utilisation d'un système composé d'une interface web, d'une base de données et de l'API Simio en combinaison avec une modélisation générée par les données pour simuler l'utilisation d'un nouveau type d'équipement au sein d'une installation de production. Le système exécute à distance un modèle Simio généralisé piloté par un ensemble de tables de données qui définissent les ressources clés de l'installation, les emplacements et la charge de travail. Tout membre de l'équipe ayant accès au réseau interne peut utiliser les invites de l'interface pour définir son système et exécuter une expérience préconstruite pour aider à évaluer si un investissement dans le nouvel équipement serait susceptible d'avoir un retour sur investissement adéquat dans leur installation ou non. Cette présentation décrit quelques-unes des méthodes et des leçons apprises au cours de ce travail.

Alors que le secteur de la restauration continue d'évoluer, les restaurants s'efforcent de suivre le rythme des changements découlant de l'afflux d'activités hors établissement et de services au volant. Dans les systèmes de drive-through, la gestion des "perturbateurs" pour minimiser les retards à la fenêtre et au tableau de commande est devenue plus courante, car les commandes des clients sont plus complexes et leur tolérance à l'attente est réduite. L'optimisation du débit et de la rapidité du service est au premier plan de nombreux concepts, ce qui inclut la gestion des "exceptions" ou des "perturbateurs" à l'aide de "procédures de stationnement". La simulation informatique est une méthode précieuse et mesurable qui permet d'identifier les domaines d'opportunité et de transformer rapidement l'impact des solutions. En utilisant Simio, Profitality Labor Guru a créé des modèles de concepts de restauration pour tester et définir des conceptions optimales, y compris la disposition des équipements, le déploiement de la main-d'œuvre et les procédures d'assemblage, mais aussi une logique de décision unique qui est utilisée pour modéliser les procédures de stationnement. En utilisant des arbres de décision et des recherches dans les processus, le modèle détermine les résultats changeants des scénarios testés. Nous discuterons de la façon dont la logique de base du modèle a été créée, comme l'acheminement des commandes et la logique de processus utilisée pour réacheminer les commandes en fonction de facteurs variables au fur et à mesure que le modèle s'exécute, et recueille des points de données uniques que tous les restaurants devraient suivre afin d'optimiser leurs opérations de service au volant.

Déterminer la meilleure approche de modélisation pour simuler un processus réel peut souvent s'avérer délicat - l'approche la plus évidente n'est pas nécessairement la seule option, ni la plus efficace. Une erreur fréquente consiste à se laisser piéger par le matériel modélisé (par exemple, des entités discrètes) et, par conséquent, à penser qu'un modèle de simulation discret est la seule voie à suivre.

Pour illustrer ce concept, une simulation simple d'une usine d'embouteillage est construite en utilisant trois approches différentes, chacune variant dans le niveau de détail. La première approche utilise la modélisation discrète pour représenter chaque bouteille comme une entité unique, tandis que la deuxième méthode approxime le mouvement des volumes de bouteilles comme un flux continu. Il est possible d'aller plus loin et de supprimer toutes les entités du modèle en utilisant la fonctionnalité des jetons et les processus de Simio pour contrôler ce qui arriverait aux bouteilles sans avoir aucune entité dans le modèle.

Ces trois approches de simulation sont comparées en termes de précision, de vitesse d'exécution et de temps de développement. Chaque méthode offre un niveau de compréhension différent, et le fait de réussir à identifier celle qui est la plus adaptée à vos besoins pourrait vous faire économiser des heures de développement considérables.

Optimax fabrique l'optique qui sous-tend les dernières technologies de pointe dans les domaines de l'aérospatiale, de la défense et de l'électronique grand public. Optimax a développé des processus hautement techniques ainsi que des capacités de fabrication et de revêtement supérieures pour l'optique avancée destinée aux applications spatiales, aux systèmes d'énergie dirigée à haute puissance et aux industries des semi-conducteurs. Simio est utilisé pour concevoir un processus agnostique qui réduit le temps de production d'environ 600%. Le flux de travail stochastique discret et la structure de conception des tables sont les raisons pour lesquelles Optimax a décidé d'utiliser Simio plutôt que la plupart de ses concurrents. La simulation a été développée pour l'agnosticisme des pièces où les équations du processus ont été conçues pour permettre de multiples spécifications de pièces et configurations de machines. En utilisant à la fois la structure de table intégrée dans Simio et ses fonctions expérimentales, Optimax est en mesure de tester plusieurs structures de processus et flux de pièces différents, ce qui se traduit par une conception dynamique robuste de l'installation.

Danfoss conçoit les technologies qui permettront au monde de demain de faire plus avec moins. Nous répondons aux besoins croissants en matière d'infrastructures, d'approvisionnement alimentaire, d'efficacité énergétique et de solutions respectueuses du climat. Chez Danfoss power solutions, nous utilisons Simio dans de nombreux domaines de l'organisation. Nous utilisons la simulation pour évaluer les performances des lignes d'assemblage actuelles, des lignes de peinture et de notre service de réception. Dans l'environnement actuel, où l'incertitude et la volatilité ont un impact sur les entreprises, il est souvent nécessaire de réagir rapidement aux changements économiques mondiaux. Simio nous a aidés à réagir rapidement à ces changements. Ces dernières années, nous avons utilisé Simio pour prendre des décisions concernant des projets d'expansion qui auraient un impact significatif sur la qualité, la livraison et la sécurité. Nous partagerons certains de ces exemples, et nous expliquerons comment certaines fonctionnalités de Simio, comme les tableaux de données et les processus complémentaires, nous ont aidés à développer des modèles de simulation très proches de la réalité. Nous partagerons également quelques défis et leçons tirées du développement de modèles de simulation à petite et grande échelle.

Le captage et le stockage du carbone (CSC) est un processus qui consiste à capter le dioxyde de carbone (CO2) résiduel provenant généralement de grandes sources ponctuelles, à le transporter vers un site de stockage et à le déposer à un endroit où il n'entrera pas dans l'atmosphère, généralement dans une formation géologique souterraine. En raison des coûts d'investissement et d'exploitation élevés des chaînes d'approvisionnement en CSC, cette technologie n'a pas été largement adoptée, mais cette situation est appelée à changer à mesure que les droits d'émission deviennent plus onéreux. Les pipelines, combinés au transport maritime de CO2 liquéfié, sont considérés comme une solution efficace pour le CSC, à la fois flexible et capable d'acheminer économiquement de grands volumes vers un site de stockage. Il est essentiel de prévoir avec précision les coûts des réseaux pour prendre les meilleures décisions en matière de conception de la chaîne d'approvisionnement. Compte tenu de l'interaction entre les réseaux, de leur variabilité, des exigences de stockage et des politiques d'exploitation, la simulation est une excellente technologie pour prévoir avec précision la fourchette des coûts de la chaîne d'approvisionnement pour différents choix de conception.

Seegrid s'est associé à Simio pour développer un modèle de simulation flexible qui permet une utilisation collaborative au sein de l'équipe de conception de la solution.

Le Covid-19 a pris le monde entier par surprise. Aucune industrie ne peut dire qu'elle n'a pas été touchée par le COVID ; tout le monde l'a été à des degrés divers. Pour survivre à la crise, les entreprises ont dû faire preuve de rapidité pour répondre aux recommandations de l'OMS et aux attentes des consommateurs. Les compagnies aériennes n'ont pas dérogé à la règle ! Tout d'abord, les compagnies aériennes ont dû réduire leurs activités afin de minimiser la consommation de liquidités pendant les mois où la demande de voyages a pratiquement disparu, puis, lorsque la demande a repris, les compagnies aériennes ont dû réajuster la taille de leurs activités afin d'être prêtes à répondre aux besoins des clients qui revenaient et reprenaient confiance dans leurs voyages. En outre, étant donné que ces exigences changent tous les jours et que personne ne dispose d'une base de référence pour faire face à une telle situation, la planification du personnel pour cette situation est devenue un problème, affectant le temps nécessaire pour que les clients soient enregistrés pour leurs vols. Dans cette présentation, je vous expliquerai quels étaient les problèmes rencontrés par nos clients, les défis auxquels nous avons été confrontés en tant que compagnie aérienne en essayant de résoudre ce problème pour nos clients, et enfin comment nous avons utilisé un modèle de simulation pour nous aider à déterminer le nombre idéal de personnes pour servir nos clients dans notre hall d'accueil dans notre aéroport le plus fréquenté.

De grands volumes de données sont souvent disponibles pour construire et piloter un modèle de simulation. L'utilisation efficace et appropriée de ces données est essentielle à la réussite du modèle. Au début d'un projet, la voie à suivre pour utiliser une approche générée ou pilotée par les données n'est pas toujours évidente. Cependant, il n'est jamais trop tard pour passer à une stratégie orientée données. Simio est équipé de fonctionnalités qui minimisent le travail à refaire et facilitent cette transition. Cette présentation passera en revue quelques conseils et astuces sur la façon de changer l'approche de modélisation dans un modèle existant, des méthodes traditionnelles vers une approche orientée données et générée par les données. Un exemple de modèle de fabrication sera amélioré en construisant et en référençant des tables de données et des relations entre tables, en exploitant des objets personnalisés et en utilisant des actions de raccourci. Le résultat est un modèle qui est organisé logiquement avec des données et qui dispose d'options faciles à développer à travers les données.

Les fonctions de réseau neuronal de Simio offrent de nombreuses nouvelles opportunités dans le domaine de l'IA, notamment l'utilisation de la simulation d'événements discrets (DES) pour générer des données d'entraînement synthétiques pour les réseaux neuronaux ou d'autres algorithmes d'apprentissage automatique. De nombreux algorithmes d'apprentissage automatique nécessitent de grandes quantités de données d'entraînement, que la DES peut fournir. En outre, les paramètres d'entrée des modèles DES peuvent être ajustés pour fournir des données d'entraînement équilibrées afin de créer des modèles d'apprentissage automatique robustes. Au-delà des données d'entraînement synthétiques, les modèles DES peuvent également être utilisés pour évaluer les modèles d'apprentissage automatique avant leur déploiement en production. Dans cette présentation, Simio sera utilisé pour générer des données d'entraînement, entraîner un réseau neuronal, utiliser un réseau neuronal pour acheminer des commandes et évaluer l'impact de l'acheminement par réseau neuronal dans une chaîne d'approvisionnement.

Ce modèle met en évidence l'utilisation des transporteurs pour les mouvements de matériaux et les politiques de réapprovisionnement des matériaux dans les applications d'ordonnancement et montre certaines des meilleures pratiques que Simio a identifiées. Plus précisément, nous soulignerons comment le schéma et les processus ont été construits pour être entièrement pilotés par les données tout en représentant certains des aspects uniques de la modélisation des flux de matériaux. Le modèle est non seulement capable de planifier les ressources, les travailleurs et les matériaux, mais il modélise également les transporteurs nécessaires pour déplacer les matériaux bruts, intermédiaires et finis.

Le schéma des tables du modèle est basé sur les normes ISA-95 et ISA-88. Le modèle est configuré pour modéliser à un niveau très détaillé. En outre, les transporteurs peuvent être modélisés comme des "chariots" pour lesquels des travailleurs sont nécessaires pour déplacer les véhicules, ou les transporteurs peuvent être modélisés comme des "AMR" avec chargement de batterie et mouvement en espace libre le long d'un chemin avec évitement des collisions. Le modèle est également configuré pour fonctionner comme un répartiteur de travail en temps réel. Le modèle peut être configuré pour envoyer des commandes aux véhicules afin de commencer les missions de transport et de mettre à jour la localisation du véhicule dans le modèle pendant son exécution en utilisant la connectivité IIOT.

De nombreux systèmes reposent sur un espace tampon limité (c'est-à-dire des réservoirs) entre les ressources en amont et en aval. Pour représenter correctement la capacité des réservoirs, un calendrier d'événements est nécessaire pour suivre les flux entrants et sortants de ces réservoirs. Simio présentera les meilleures pratiques que nous avons identifiées pour capturer ces contraintes dans un cadre axé sur les données. Certaines contraintes uniques incluent le nettoyage des réservoirs, une connectivité limitée (c.-à-d., plusieurs à plusieurs, mais pas tous à tous), et une campagne efficace avec la logique de processus (par exemple, comment faire attendre les objets Simio pour éviter les changements) ainsi que certaines techniques d'optimisation de la logique pour maintenir les temps de calcul bas.

Afin de répondre aux fluctuations du marché, les organisations ont recours à la conception de systèmes de fabrication, comme moyen d'améliorer la flexibilité de leurs systèmes de fabrication. Cependant, il s'agit d'un processus très difficile et complexe. Heureusement, la simulation d'événements discrets (DES) peut être utile à cet égard. Cependant, la DES n'est pas encore un outil omniprésent dans ce domaine.

Pour aider à cet égard, et afin de (1) réduire le temps nécessaire aux praticiens de la DES pour modéliser un système de fabrication, et (2) créer des modèles de simulation qui sont à la fois standardisés dans leur approche de modélisation et génériques dans leur comportement, un générateur automatique de modèles de simulation peut être utilisé, qui n'est viable que par l'utilisation de modèles de simulation.

Cette présentation se concentre sur le développement d'objets de simulation, la garantie qu'ils sont génériques, l'utilisation de la sous-classification pour améliorer l'efficacité de la modélisation future, et l'aspect de visualisation de la simulation.

Un jumeau numérique doit permettre à une entreprise de prendre des décisions en temps réel en lui permettant de comprendre, de simuler et de visualiser l'impact de ces décisions sur la fabrication et les calendriers de production. Cet exposé présentera la manière dont nous explorons l'utilisation potentielle de Simio en tant que jumeau numérique avec une entreprise manufacturière pour l'aider à prendre des décisions avec ses systèmes de production. Tout d'abord, nous identifions certains scénarios ou cas d'utilisation qui se produisent fréquemment dans les systèmes de production et déterminons dans quelle mesure un jumeau numérique peut aider à répondre à ces scénarios. Ensuite, nous créons ces scénarios dans Simio en utilisant des simulations simplifiées de systèmes de production et nous analysons comment un jumeau numérique dans Simio peut aider à la prise de décision. Cet exposé se concentrera sur les scénarios de maintenance conditionnelle et sur la simulation de la production à partir de l'état actuel de la production dans l'installation.

Dans le cadre de la simulation à événements discrets, les décisions sont prises à l'aide d'ensembles de règles (comme la répartition) qui sont définis avant chaque exécution. Certains systèmes du monde réel ont des décisions qui sont difficiles à modéliser en utilisant cette approche, ce qui peut conduire à des décisions qui sont localement "les meilleures", mais qui sont myopes par rapport à l'ensemble du système. Cet exposé présente un cadre technologique qui intègre le solveur d'optimisation Gurobi dans un modèle Simio. Périodiquement au cours d'une exécution, Simio exécute Gurobi pour prendre une décision qui tient compte de l'état actuel du modèle. Le résultat est ensuite utilisé à l'intérieur du modèle Simio pendant qu'il continue son exécution. L'intégration de ces deux technologies fournit une approche de modélisation qui conserve à la fois la prise de décision globale de l'optimisation et la capacité de la simulation d'événements discrets à gérer l'incertitude et la complexité.