2022 Simio Sync: Aplicativos práticos

No mundo da fabricação de terapias celulares autólogas, em que as células do próprio paciente são usadas para tratar doenças, há muito poucas condições que permanecem constantes. O processo de fabricação é excepcionalmente complexo, sensível ao tempo e em evolução. Nesta apresentação, mostraremos como o Simio é usado em um local de fabricação de CAR-T para entender rapidamente as entradas variáveis e incertas e, ao mesmo tempo, construir um modelo preciso e previsível, camada por camada. Usamos uma combinação de relatórios de painel e visualizações de Gantt no Simio para visualizar e verificar automaticamente o comportamento do modelo, o que nos permite fazer experimentos com entradas de forma eficiente.

Estimar a capacidade de um laboratório de caracterização pode ser um desafio, especialmente quando as pessoas têm vários conjuntos de habilidades e configurações de teste com várias aplicações, sem mencionar um mix de demanda muito dinâmico com diferentes receitas de processamento. Aplicamos os cálculos típicos de capacidade estática usando uma planilha do Excel e a lei de Little. O problema surgiu quando a empresa perguntou se poderíamos atender à demanda de um cenário em potencial. O modelo do Excel não atendeu às expectativas, pois não conseguimos determinar como os recursos interagiriam sem depender de dados históricos. Nesse momento, decidimos avaliar um software de modelagem, o Simio. Com a ajuda do software Simio e dos serviços de assistência à programação, construímos um modelo que simula como o Laboratório de Caracterização poderia reagir se fosse apresentado a um cenário diferente. Depois de alguns meses de colaboração, modelamos a interação entre os técnicos, as configurações e a demanda, o que nos deixou com um modelo para responder às perguntas da gerência.

O desenvolvimento de modelos de simulação para operações de ativos móveis (caminhões de transporte, carregadeiras, pás, etc.) em setores pesados, como o de mineração, é complexo e demorado. Há muitas dependências em vários sistemas e fontes de dados, bem como interações com operações gerais.

Os sistemas de gerenciamento de frotas monitoram e registram dados operacionais sobre ativos móveis. No entanto, os dados são coletados em tempo real, mas só são visualizados em retrospectiva, resultando em operações reativas. A análise dos dados coletados pode fornecer informações valiosas sobre utilização, disponibilidade, tempo ocioso etc., mas não tem capacidade de resposta em tempo real. Portanto, fica aquém quando se trata de programação, planejamento, cumprimento de metas e desempenho geral do sistema.

Ao integrar tecnologias de simulação orientadas por dados com sistemas de gerenciamento de frotas, o modelo de simulação se tornará uma ferramenta de análise preditiva, incorporando dados históricos e em tempo real. A solução integrada pode dar suporte à otimização do desempenho, fornecer planejamento e programação precisos, rastrear a adesão à meta, dar suporte ao gerenciamento proativo de ativos e melhorar o gerenciamento de custos.

Com a abordagem proprietária de modelagem orientada por dados, o modelo de simulação usa dados de gerenciamento de frota para criar automaticamente o modelo de simulação, incluindo a rede de transporte. Essa abordagem permite a aplicação de uma metodologia padronizada e reduz o tempo e os custos associados à construção de tais modelos. A lógica complexa do modelo é substituída por nossa abordagem proprietária, que é totalmente orientada por dados operacionais usando o software de simulação Simio®.

Esta sessão mostra como essa tecnologia pode levar o setor a um passo mais próximo de se beneficiar do Digital Twin.

A Usina de Demonstração NATRIUM será construída em Wyoming no final da década de 2020. Para que um reator esteja operacional, são implementadas interrupções de reabastecimento para trocar os conjuntos de combustível. O objetivo do processo de reabastecimento do Natrium SIMIO é simular os conjuntos de combustível durante um reabastecimento. A simulação é usada para entender os requisitos de interrupção do reabastecimento e as variáveis de impacto.

Muitos fabricantes têm dois objetivos principais e concorrentes para seus negócios. O primeiro é maximizar a capacidade do sistema produzindo o máximo possível em períodos de tempo mais curtos. O segundo é melhorar os níveis de serviço, ou seja, reduzir os prazos de entrega. Esses dois objetivos exigem técnicas de gerenciamento de produção que não são compatíveis entre si. Maximizar a capacidade do sistema significa reduzir os tempos de troca e configuração, o que desconsidera a importância das datas de vencimento, que são importantes para manter os contratos de nível de serviço. Esta sessão discute técnicas para implementar essas técnicas de gerenciamento de produção usando a lógica de despacho integrada do Simio e combinando-a com a seleção de pedidos por meio da lógica de chegada do objeto Source.

Grande parte do trabalho da Lockheed Martin Aeronautics envolve a montagem de componentes grandes que levam centenas ou milhares de horas-homem para serem montados em uma única área de montagem. Durante o tempo em que um componente está sendo montado, podem ocorrer muitas mudanças na área de montagem, como mudanças diárias de turno, mudanças mensais na mão de obra, alocação de pessoal para o trabalho, escassez de peças, verificações de garantia de qualidade e retrabalho resultante ou trabalho deslocado, apenas para citar algumas. Para prever com precisão a capacidade da Aeronáutica de cumprir os compromissos de entrega contratados, essas complexidades precisam ser levadas em conta nos modelos Simio usados para avaliar a confiança na entrega. Esta apresentação fornecerá uma visão geral de muitas das abordagens e técnicas de modelagem usadas pela Lockheed Martin Aeronautics para modelar com mais precisão esses comportamentos complexos.

O objetivo geral deste trabalho foi expandir o acesso à análise de simulação e melhorar o suporte à decisão para clientes internos. Para apoiar esse objetivo, exploramos o uso de um sistema composto por uma interface da Web, um banco de dados e a API do Simio em combinação com a modelagem gerada por dados para simular o uso de um novo tipo de equipamento em uma instalação de produção. O sistema executa remotamente um modelo generalizado do Simio, orientado por um conjunto de tabelas de dados que definem os principais recursos, locais e carga de trabalho da instalação. Qualquer membro da equipe com acesso à rede interna pode usar os prompts da interface para definir seu sistema e executar um experimento pré-construído para ajudar a avaliar se um investimento no novo equipamento provavelmente teria um retorno adequado em sua instalação ou não. Esta apresentação descreve alguns dos métodos e lições aprendidas no decorrer do trabalho.

À medida que o setor de serviços de alimentação continua a evoluir, os restaurantes estão tentando acompanhar o ritmo das mudanças decorrentes do influxo de negócios fora do local e de drive-thru. Nos sistemas drive-thru, o gerenciamento de "perturbadores" para minimizar os atrasos na janela e no quadro de pedidos tornou-se mais comum, pois os pedidos dos clientes são mais complexos e sua tolerância à espera é menor. A otimização do rendimento e da velocidade do serviço passou a ser a prioridade de muitos conceitos, o que inclui o tratamento de "exceções" ou "perturbadores" com "procedimentos de estacionamento". A simulação por computador serve como um método valioso e mensurável para identificar áreas de oportunidade e rapidamente reverter o impacto das soluções. Utilizando o Simio, a Profitality Labor Guru criou modelos de conceitos de serviços de alimentação para testar e definir projetos ideais, incluindo layout de equipamentos, distribuição de mão de obra e procedimentos de montagem, mas também inclui uma lógica de decisão exclusiva que é usada para modelar os procedimentos de estacionamento. Usando árvores de decisão e pesquisas nos processos, o modelo determina resultados variáveis para os cenários testados. Discutiremos como a lógica central do modelo foi criada, como o roteamento de pedidos e a lógica de processo usada para redirecionar pedidos com base em fatores variáveis à medida que o modelo é executado, e reuniremos pontos de dados exclusivos que todos os restaurantes devem rastrear para otimizar suas operações de Drive-thru.

Determinar a melhor abordagem de modelagem para simular um processo do mundo real muitas vezes pode ser complicado - a abordagem mais óbvia não é necessariamente a única opção, nem a mais eficaz. Um erro comum é ficar preso ao material que está sendo modelado (por exemplo, entidades discretas) e, portanto, pensar que um modelo de simulação discreto é o único caminho a seguir.

Para ilustrar esse conceito, uma simulação simples de uma fábrica de engarrafamento é construída usando três abordagens diferentes, cada uma variando no nível de detalhe. A primeira abordagem usa modelagem discreta para representar cada garrafa como uma entidade única, enquanto o segundo método aproxima o movimento de volumes de garrafas como um fluxo contínuo. É possível dar um passo adiante e remover todas as entidades do modelo usando a funcionalidade de token e os processos do Simio para controlar o que aconteceria com as garrafas sem ter nenhuma entidade no modelo.

Essas três abordagens de simulação são comparadas quanto aos resultados obtidos em termos de precisão e também quanto à velocidade de execução e ao tempo de desenvolvimento necessário. Cada método oferece um nível diferente de percepção, e identificar com sucesso qual é o suficiente para seus objetivos pode economizar horas de desenvolvimento significativas.

A Optimax constrói a óptica por trás das mais recentes tecnologias inovadoras nos setores aeroespacial, de defesa e de eletrônicos de consumo. A Optimax desenvolveu processos altamente projetados, bem como recursos superiores de fabricação e revestimento para óptica avançada para aplicações espaciais, sistemas de energia direcionada de alta potência e indústrias de semicondutores. O Simio está sendo usado para projetar um processo agnóstico de peças que reduz o tempo takt em cerca de 600%. O fluxo de trabalho estocástico discreto e a estrutura de design de tabela são os motivos pelos quais a Optimax decidiu usar o Simio em vez da maioria de seus concorrentes. A simulação foi desenvolvida para o agnosticismo de peças, em que as equações do processo foram projetadas para permitir várias especificações de peças e configurações de máquinas. Utilizando a estrutura de tabela incorporada no Simio, juntamente com seus recursos experimentais, a Optimax pode testar várias estruturas de processo e fluxos de peças diferentes, resultando em um projeto de instalação dinâmico e robusto.

A Danfoss desenvolve as tecnologias que permitem que o mundo de amanhã faça mais com menos. Atendemos à crescente necessidade de infraestrutura, fornecimento de alimentos, eficiência energética e soluções favoráveis ao clima. Na Danfoss Power Solutions, usamos o Simio em muitas áreas da organização. Usamos a simulação para avaliar o desempenho das linhas de montagem atuais, das linhas de pintura e de nosso departamento de recebimento. No ambiente atual, em que a incerteza e a volatilidade afetam as empresas, muitas vezes são necessárias respostas rápidas às mudanças econômicas globais. O Simio nos ajudou a reagir rapidamente a essas mudanças. Nos últimos anos, usamos o Simio para tomar decisões sobre projetos de expansão que afetariam significativamente a qualidade, a entrega e a segurança. Compartilharemos alguns desses exemplos e como alguns recursos do Simio, como tabelas de dados e processos complementares, nos ajudaram a desenvolver modelos de simulação muito próximos da realidade. Também compartilharemos alguns desafios e lições aprendidas com o desenvolvimento de modelos de simulação em pequena e grande escala.

A captura e o armazenamento de carbono (CCS) é o processo de captura de dióxido de carbono (CO2) residual, geralmente de grandes fontes pontuais, transportando-o para um local de armazenamento e depositando-o onde não entrará na atmosfera, normalmente em uma formação geológica subterrânea. Devido ao alto investimento e aos custos operacionais das cadeias de suprimento de CCS, essa tecnologia não foi amplamente adotada, mas isso deve mudar à medida que os direitos de emissão se tornarem mais caros. Os dutos, em combinação com o transporte marítimo de CO2 liquefeito, são vistos como uma solução eficaz para a CAC que é flexível e capaz de transportar economicamente grandes volumes para um local de armazenamento. Prever com precisão os custos das redes é fundamental para tomar as melhores decisões de projeto para a cadeia de suprimentos. Considerando a interação da rede, a variabilidade, os requisitos de armazenamento e as políticas operacionais, a simulação é uma ótima tecnologia para prever com precisão a faixa de custo da cadeia de suprimentos para várias opções de projeto.

A Seegrid fez uma parceria com a Simio para desenvolver um modelo de simulação flexível que suporta o uso colaborativo em toda a equipe de design da solução.

A Covid-19 pegou o mundo inteiro de surpresa. Nenhum setor pode dizer que não foi afetado pela COVID; todos foram afetados em graus variados. Para sobreviver à crise, as empresas tiveram que ser rápidas para responder às recomendações da OMS e às expectativas dos consumidores. Com as companhias aéreas não foi diferente! Primeiro, as companhias aéreas tiveram que reduzir o tamanho de suas operações para minimizar a queima de caixa durante os meses em que a demanda por viagens praticamente desapareceu e, depois, quando a demanda voltou, as companhias aéreas tiveram o desafio de reajustar o tamanho de suas operações para estarem preparadas para atender aos hóspedes que voltaram e recuperaram a confiança para viajar. Uma área muito afetada foi a de check-in, pois cada país tem leis e requisitos diferentes para aceitar o público que viaja de avião em suas fronteiras; além disso, como esses requisitos mudam todos os dias e ninguém tinha uma base para lidar com essa situação, a programação de pessoal para essa situação se tornou um problema, afetando o tempo que os passageiros levam para fazer o check-in de seus voos. Nesta apresentação, explicarei quais eram os problemas que nossos passageiros estavam enfrentando, os desafios que enfrentamos como companhia aérea ao tentar resolver esse problema para nossos passageiros e, por fim, como usamos um modelo de simulação para nos ajudar a determinar o número ideal de pessoas que atendem nossos passageiros no saguão de nosso aeroporto mais movimentado.

Grandes volumes de dados geralmente estão disponíveis para criar e conduzir um modelo de simulação. O uso eficiente e adequado desses dados é fundamental para o sucesso do modelo. Quando um projeto começa, o caminho a seguir usando uma abordagem gerada ou orientada por dados pode não estar claro. Entretanto, nunca é tarde demais para mudar para uma estratégia orientada por dados. O Simio está equipado com recursos que minimizarão o retrabalho e facilitarão essa transição. Esta apresentação analisará algumas dicas e truques sobre como mudar a abordagem de modelagem em um modelo existente de métodos tradicionais para métodos orientados por dados e gerados por dados. Um exemplo de modelo de manufatura será aprimorado por meio da criação e da referência a tabelas de dados e relacionamentos de tabelas, do aproveitamento de objetos personalizados e da utilização de ações de atalho. O resultado é um modelo organizado logicamente com dados e com opções fáceis de expansão por meio de dados.

Os recursos de rede neural do Simio apresentam muitas novas oportunidades no campo da IA, incluindo o uso de simulação de eventos discretos (DES) para gerar dados de treinamento sintéticos para redes neurais ou outros algoritmos de aprendizado de máquina. Muitos algoritmos de aprendizado de máquina exigem grandes quantidades de dados de treinamento, que podem ser fornecidos pelo DES. Além disso, os parâmetros de entrada dos modelos DES podem ser ajustados para fornecer dados de treinamento equilibrados para criar modelos robustos de aprendizado de máquina. Além dos dados de treinamento sintéticos, os modelos DES também podem ser usados para avaliar os modelos de aprendizado de máquina antes da implantação na produção. Nesta apresentação, o Simio será usado para gerar dados de treinamento, treinar uma rede neural, usar uma rede neural para rotear pedidos e avaliar o impacto do roteamento da rede neural em uma cadeia de suprimentos.

Esse modelo destaca o uso de transportadores para movimentações de materiais e políticas de reabastecimento de materiais usadas em aplicativos de programação e mostra algumas das melhores práticas identificadas pelo Simio. Especificamente, destacaremos como o esquema e os processos foram criados para serem totalmente orientados por dados e, ao mesmo tempo, representar alguns dos aspectos exclusivos da modelagem do fluxo de materiais. O modelo não só é capaz de programar recursos, trabalhadores e materiais, como também modela os transportadores necessários para mover materiais brutos, intermediários e acabados.

O esquema de tabela no modelo é baseado nos padrões ISA-95 e ISA-88. O modelo está configurado para ser modelado em um nível muito detalhado. Além disso, os transportadores podem ser modelados como "carroças", em que são necessários trabalhadores para movimentar os veículos, ou podem ser modelados como "AMRs" com carregamento de bateria e movimento em espaço livre ao longo de um caminho com prevenção de colisões. O modelo também é configurado para funcionar como um despachante de trabalho em tempo real. O modelo pode ser configurado para enviar comandos ao veículo para iniciar as atribuições de transporte e para atualizar a localização do veículo no modelo durante sua execução usando a conectividade IIOT.

Há muitos sistemas que dependem de um espaço de buffer limitado (ou seja, tanques) entre os recursos a montante e a jusante. Para representar adequadamente a capacidade dos tanques, é necessário um calendário de eventos para rastrear os fluxos de entrada e saída desses tanques. A Simio mostrará as práticas recomendadas que identificamos para capturar essas restrições em uma estrutura orientada por dados. Algumas restrições exclusivas incluem limpeza de tanques, conectividade limitada (ou seja, muitos para muitos, mas não todos para todos) e campanhas eficientes com lógica de processo (por exemplo, como fazer com que os objetos do Simio esperem para evitar trocas), bem como algumas técnicas de otimização de lógica para manter os tempos de computação baixos.

Para responder às flutuações do mercado, as organizações estão recorrendo ao projeto do sistema de manufatura como forma de melhorar a flexibilidade de seus sistemas de manufatura. No entanto, esse é um processo muito difícil e complexo. Felizmente, a Simulação de Eventos Discretos (DES) pode ajudar nesse sentido. No entanto, a DES ainda não é uma ferramenta onipresente nesse campo.

Para ajudar nesse sentido, e para (1) reduzir o tempo que os profissionais de DES levam para modelar um sistema de manufatura e (2) criar modelos de simulação que sejam padronizados em sua abordagem de modelagem e genéricos em seu comportamento, um gerador automático de modelos de simulação pode ser usado, o que só é viável por meio do uso de modelos de simulação.

Esta apresentação se concentra no desenvolvimento de objetos de simulação, garantindo que eles sejam genéricos, usando subclasses para aumentar a eficiência da modelagem futura e o aspecto de visualização da simulação.

Um gêmeo digital deve permitir que uma empresa tome decisões em tempo real, possibilitando que ela entenda, simule e visualize como essas decisões afetarão seus cronogramas de fabricação e produção. Esta palestra discutirá como estamos explorando o uso potencial do Simio como um gêmeo digital com uma empresa de manufatura para ajudar a empresa a tomar decisões com seus sistemas de produção. Primeiro, identificamos alguns cenários ou casos de uso que ocorrem com frequência em sistemas de produção e determinamos até que ponto um gêmeo digital pode ajudar a lidar com esses cenários. Em segundo lugar, criamos esses cenários no Simio usando algumas simulações simplificadas de sistemas de produção e analisamos como um gêmeo digital no Simio pode beneficiar a tomada de decisões. Esta palestra se concentrará em cenários de manutenção baseada em condições e na simulação da produção a partir do estado atual da produção na instalação.

Na simulação de eventos discretos, as decisões são tomadas por meio de conjuntos de regras (como despacho) que são definidos antes de cada execução. Alguns sistemas do mundo real têm decisões que são difíceis de modelar usando essa abordagem, o que pode levar a decisões que são localmente "melhores", mas são míopes com relação ao sistema inteiro. Esta apresentação apresenta uma estrutura tecnológica que integra o solucionador de otimização Gurobi em um modelo Simio. Periodicamente, durante uma execução, o Simio executa o Gurobi para tomar uma decisão que considera o estado atual do modelo. O resultado é então usado dentro do modelo Simio enquanto ele continua sua execução. A integração dessas duas tecnologias oferece uma abordagem de modelagem que mantém a tomada de decisão global da otimização e a capacidade da simulação de eventos discretos de lidar com a incerteza e a complexidade.