1. Einführung
In diesem Beitrag wird das Modellierungssystem Simio beschrieben, das einen auf intelligenten Objekten basierenden Rahmen für die Simulationsmodellierung bietet, um sowohl den Entwurf als auch den Betrieb von komplexen Systemen zu optimieren. In der Vergangenheit haben sich Simulationswerkzeuge auf den Systementwurf konzentriert. Simio wurde jedoch von Grund auf mit dem Schwerpunkt auf Systementwurf und Systembetrieb entwickelt. Dies erforderte einen Paradigmenwechsel in der Art und Weise, wie Modelle entworfen und verwendet werden, und war die treibende Kraft hinter der einzigartigen Modellierungsarchitektur von Simio.
In den letzten Jahren hat sich der Begriff "Digitaler Zwilling" durchgesetzt, um die Verwendung eines Simulationsmodells zu beschreiben, das mit Echtzeitdaten verbunden ist und in einer betrieblichen Umgebung eingesetzt wird. Während sich viele Werkzeuge als Digitaler Zwilling für Prozesse positionieren, gibt es erhebliche Herausforderungen bei der Implementierung, und herkömmliche Simulationswerkzeuge sind nicht dafür ausgelegt, diese Herausforderungen zu bewältigen. In diesem Beitrag liegt der Schwerpunkt auf den einzigartigen Simio-Funktionen, die diese Herausforderungen angehen, um die Erstellung eines intelligenten adaptiven Digitalen Zwillings für Prozesse zu unterstützen, wie in der folgenden Grafik dargestellt.
Abbildung 1: Der intelligente adaptive digitale Prozesszwilling von Simio
Die folgende Abbildung fasst den Unterschied zwischen einem digitalen Schatten, einem virtuellen Modell und einem digitalen Zwilling zusammen. Im Falle eines Digitalen Schattens gibt es kein Simulationsmodell des Systems, aber eine automatisierte Datenerfassung ist vorhanden und Analysen wie statistische Regression oder KI können angewandt werden, um Muster zu erkennen und Ereignisse wie einen Maschinenausfall vorherzusagen, so dass Probleme angegangen werden können, bevor sie auftreten. Dies funktioniert nur, wenn es keine grundlegenden Änderungen am System gibt, da historische Daten zur Vorhersage der Zukunft verwendet werden. Im Falle eines virtuellen Modells wird ein Simulationsmodell des Systems erstellt, das manuell mit repräsentativen Daten gefüttert und offline ausgeführt werden kann. Dies erleichtert die Analyse von Konstruktionsentscheidungen, z. B. die Anschaffung einer neuen Anlage oder die Einführung eines neuen Produkts. Im Gegensatz zum digitalen Schatten ist das virtuelle Modell zukunftsorientiert und ermöglicht die Analyse der Auswirkungen von Änderungen auf das System. Dies ist die traditionelle Anwendung der Simulationsmodellierung über Jahrzehnte hinweg gewesen. Im Falle des Digitalen Zwillings wird das Simulationsmodell auf den täglichen Betrieb ausgedehnt, indem das Modell direkt mit dem Echtzeit-Systemstatus verbunden wird. Auf diese Weise kann die Simulation in die Zukunft blicken, um betriebliche Probleme im realen System, wie z. B. verspätete Bestellungen, zu visualisieren und zu beheben, bevor sie auftreten.
Abbildung 2: Szenarien der digitalen Transformation
Bei Simio liegt der Schwerpunkt auf der Verwendung eines Simulationsmodells als virtuelles Modell für das Systemdesign sowie auf der Erweiterung dieses Modells, um einen digitalen Zwilling der Prozesse zu erstellen. Viele Unternehmen verfolgen eine digitale Transformationsagenda, die sowohl traditionelle Konstruktionsanwendungen unter Verwendung eines Virtuellen Modells als auch die operative Nutzung des Modells in der Planung und Disposition umfasst. Je nach dem digitalen Reifegrad des Unternehmens können sich die Benutzer an verschiedenen Punkten der digitalen Transformation befinden, wie unten dargestellt.
Viele Unternehmen nutzen ein virtuelles Modell effektiv für die Leistungsvorhersage und die Optimierung des Systemdesigns, aber nur wenige Unternehmen haben den Übergang zu einem operativen digitalen Zwilling, der den täglichen Betrieb automatisch optimiert, vollständig gemeistert. Auch wenn der Zwischenfokus auf der Verwendung eines Virtuellen Modells für traditionelle Design-Simulationsanwendungen liegt, bietet Simio eine reichhaltige Plattform für den Aufbau und das Experimentieren mit Design-Modellen und positioniert die Anwender gleichzeitig für die Erweiterung zu einem vollständig vernetzten Digitalen Zwilling in der Zukunft. Simio ist so konzipiert, dass es das gesamte Kontinuum von Entwurf und Betrieb unterstützt.
Abbildung 3: Das digitale Kontinuum
Auf dem Weg vom Virtuellen Modell für den Entwurf zum vollständig vernetzten Digitalen Zwilling für den Betrieb gibt es mehrere zentrale Herausforderungen, die bewältigt werden müssen:
- Betriebsmodelle erfordern oft eine komplexe Modellierung von Ressourcen, Materialien und Geschäftslogik, die die Prozessabläufe einschränken - andernfalls sind die resultierenden Pläne im realen System nicht umsetzbar. Dies stellt zusätzliche Anforderungen an die Modellierungslogik und die Flexibilität im Vergleich zu traditionellen Konstruktionsanwendungen.
- Das Modell muss datenzentriert sein, wobei sowohl die Struktur des Modells als auch die Daten für das Modell in externen Datenquellen definiert werden. Der Zugriff auf die Daten sollte durch direkte Verbindungen zu ERP, MES, IoT, Web Services usw. einfach sein. Die Modelldaten müssen auch im Speicher gehalten werden, um eine schnelle Ausführung zu ermöglichen.
- Herkömmliche Simulationswerkzeuge liefern zusammenfassende Statistiken, Betriebsmodelle erfordern jedoch eine detaillierte Berichterstattung, die einzelne Aufträge, Ressourcen, Materialien usw. nachverfolgt und die Ergebnisse in webfähigen Gantt-Diagrammen und Dashboards anzeigt, die individuell gestaltet und auf die verschiedenen Interessengruppen zugeschnitten sind.
- Viele traditionelle Simulationsdesign-Tools sind für den Einsatz auf dem Desktop konzipiert, während Process Digital Twin unternehmensweit in einer privaten oder öffentlichen Cloud eingesetzt werden kann.
- Die Entscheidungslogik, die in das Simulationsmodell eingebettet ist, bestimmt die Leistung des Systems. Es ist von entscheidender Bedeutung, dass das Modellierungstool eine fortschrittliche Entscheidungslogik unterstützt, die Algorithmen des maschinellen Lernens für die Verwaltung des Arbeitsablaufs und die Optimierung des Zeitplans umfassen kann.
- Ein mit Digital Twin erstellter Produktionsplan muss deterministische Verarbeitungszeiten verwenden und zufällige Ereignisse wie Ausfälle ausschließen. Dies führt jedoch zu einem übermäßig optimistischen Zeitplan, der sich in der Regel verschlechtert, wenn unerwartete Ereignisse im realen System auftreten. Daher ist ein Mechanismus erforderlich, um das Risiko eines vom Digitalen Zwilling generierten deterministischen Zeitplans zu bewerten, indem Zufallsereignisse in die Risikobewertung einbezogen werden.
Obwohl viele dieser funktionalen Anforderungen für Digital Twin Anwendungen essentiell sind, sind sie auch in traditionellen Designanwendungen sehr nützlich. In den folgenden Abschnitten wird Simios einzigartiger Ansatz zur Bewältigung dieser zentralen Herausforderungen beschrieben.
2. Objektrahmen für komplexe Modellierung
Simio ist ein Simulationsmodellierungs-Framework, das auf Bibliotheken mit intelligenten Objekten basiert. Ein angehender Modellierer mag es vorziehen, vorgefertigte Objekte aus den Simio-Bibliotheken zu verwenden; das System ist jedoch so konzipiert, dass es auch für angehende Modellierer einfach ist, ihre eigenen intelligenten Objekte für den Aufbau hierarchischer Modelle zu erstellen. Benutzerdefinierte intelligente Objekte können von Modellierern erstellt und dann in mehreren Modellierungsprojekten wiederverwendet werden. Diese Objekte können in Bibliotheken gespeichert und leicht gemeinsam genutzt werden. Die Flexibilität und Leichtigkeit, mit der benutzerdefinierte Objekte erstellt werden können, ist entscheidend für den Aufbau von Digital Twin-Modellen, die schnell an komplexe Anwendungen angepasst werden können, und stellt einen entscheidenden Vorteil von Simio gegenüber herkömmlichen Simulationsprodukten dar.
Ein Simio-Objekt kann eine Maschine, einen Roboter, ein Flugzeug, einen Kunden, einen Arzt, einen Tank, einen Bus, ein Schiff oder jedes andere Objekt darstellen, das in einem System vorkommen kann. Ein Modell wird durch die Kombination von Objekten erstellt, die die physischen Komponenten des Systems darstellen. Ein Objekt wird in 3D animiert, um den sich ändernden Zustand des Objekts wiederzugeben. Zum Beispiel hebt und senkt ein Gabelstapler seinen Hub, ein Arbeiter geht zu einem Ort oder trägt Gegenstände zwischen Orten, und ein Roboter öffnet und schließt seinen Greifer. Das animierte 3D-Modell liefert ein bewegtes Bild des Systems im Betrieb. Die detaillierten 3D-, GIS- und VR-Funktionen von Simio (unter Verwendung des Oculus-Headsets) bieten eine leistungsstarke Visualisierung des Prozesses, um das Verhalten des Modells zu validieren und die Leistungsfähigkeit zu demonstrieren.
Abbildung 4: Simio Digital Twin Animationsansicht
Die Objekte in Simio werden mit objektorientierten Konzepten erstellt. Im Gegensatz zu anderen objektorientierten Simulationssystemen ist der Prozess der Objekterstellung in Simio jedoch einfach und vollständig grafisch. Es besteht keine Notwendigkeit, Programmiercode zu schreiben, um neue Objekte zu erstellen. Die Erstellung eines Objekts in Simio ist identisch mit der Erstellung eines Modells - tatsächlich gibt es keinen Unterschied zwischen einem Objekt und einem Modell. Dieses Konzept wird als Äquivalenzprinzip bezeichnet und ist von zentraler Bedeutung für das Design von Simio. Wann immer ein Benutzer ein Modell erstellt, ist es ein Objekt, das in ein anderes Modell instanziiert werden kann. Wenn zum Beispiel zwei Maschinen und ein Roboter zu einem Modell einer Arbeitszelle kombiniert werden, ist das Modell der Arbeitszelle selbst ein Objekt, das beliebig oft in andere Modelle eingefügt werden kann. Die Arbeitszelle ist ein Objekt, genau wie Maschinen und Roboter Objekte sind. Jedes Modell, das in Simio erstellt wird, ist automatisch ein Baustein, der für die Erstellung von Modellen auf höherer Ebene verwendet werden kann.
Das Simio-Objekt-Framework basiert auf denselben Grundprinzipien wie objektorientierte Programmiersprachen (OOP); diese Prinzipien werden jedoch in einem Modellierungs- und nicht in einem Programmierrahmen angewandt. Simio ist nicht einfach ein Satz von Klassen, die in einer OOP-Sprache wie Java oder C++ verfügbar sind und für die Erstellung von Simulationsmodellen nützlich sind. Simio ist ein codefreies grafisches Modellierungs-Framework, das auf der Grundlage grundlegender objektorientierter Prinzipien entwickelt wurde, um die Konstruktion von Simulationsmodellen zu unterstützen. Wenn zum Beispiel ein Objekt wie eine "Maschine" in Simio erstellt wird, erlaubt das Prinzip der Vererbung die Erstellung einer neuen Maschinenklasse, die das Basisverhalten einer "Maschine" erbt, aber dieses Verhalten kann geändert (überschrieben) und erweitert werden. Während in einer Programmiersprache das Verhalten durch das Schreiben von Methoden erweitert oder überschrieben werden kann, wird in Simio das Objektverhalten durch das Hinzufügen und/oder Ändern von grafisch definierten Prozessmodellen geändert. Mit Simio sind die Fähigkeiten, die für die Definition und das Hinzufügen neuer Objekte zum System erforderlich sind, Modellierungsfähigkeiten und keine Programmierfähigkeiten.
Das objektorientierte Modellierungsframework von Simio erleichtert die Erstellung von Anwendungsvorlagen, die die Modellerstellung beschleunigen. Eine Vorlage ist eine Bibliothek mit benutzerdefinierten Objekten, Datenschemata und benutzerdefinierten Berichten, die auf einen bestimmten Anwendungsbereich ausgerichtet sind. Simio bietet Vorlagen für die Modellierung gängiger diskreter und Batch-Fertigungsprozesse und Lager. Anwender können diese Objekte erweitern und/oder eigene Objekte und Vorlagen für den Einsatz in ihrem Unternehmen erstellen.
Simios Kernsatz an Modellierungsfunktionen zur Definition des Objektverhaltens ist zusammen mit dem grafischen objektorientierten Design von Simio der Schlüssel zur einfachen Erstellung maßgeschneiderter Objekte für bestimmte Anwendungen. Simio verfügt über fortschrittliche Modellierungsfunktionen zur Erfassung komplexer Ressourcen sowie von Material- und Geschäftslogikeinschränkungen in typischen Produktions-, Lager- und Liefersystemen. So kann beispielsweise jede Verarbeitungsverzögerung direkt als Aktionsnetzwerk aus parallelen und/oder sequentiellen Aufgaben modelliert werden, von denen jede ihren eigenen Satz an Materialien und Ressourcen benötigt. Jede Aufgabe im Aktionsnetzwerk kann auch eine sequenzabhängige Verarbeitungszeit haben, die auf mehreren Attributen wie Farbe, Größe usw. basiert, und die Aufgabenzeiten können auf der Grundlage von Lernkurven für die mit der Aufgabe betrauten Arbeiter angepasst werden. Ebenso können Fahrzeugbewegungen innerhalb eines Lagers die Flottenmanagementfunktionen von Simio nutzen, um automatisch Fahrten zu planen und Blockaden auf bidirektionalen Pfaden im Transportnetz zu vermeiden.
Eine wichtige neue Modellierungsfunktion, die kürzlich zu Simio hinzugefügt wurde, umfasst Funktionen zur Implementierung der bedarfsgesteuerten Materialbedarfsplanung (DDMRP) für die Bestandsauffüllung. Diese Methodik, die auf den vom Demand Driven Institute entwickelten Prinzipien zur Produktionsoptimierung basiert, ist wichtig für die Modellierung der optimalen Platzierung von Beständen sowohl innerhalb der Fabrik als auch in der gesamten Lieferkette. Simio ist das einzige Digital Twin Simulationsprodukt, das vom Demand Driven Institute als konforme Software zertifiziert wurde.
3. Datenzentrierter Entwurf
In der Vergangenheit wurden Simulationsmodelle durch das Ziehen und Ablegen von Objekten in ein Modell erstellt und die Objekte dann direkt mit Daten gefüllt. Ein einfaches Modell in Simio kann beispielsweise erstellt werden, indem man eine Quelle, einen Server und eine Senke grafisch in der Anlagenansicht des Modells platziert und die Ankunftszeit der Quelle und die Verarbeitungszeit des Servers eingibt. Mit ein paar Mausklicks und Tastendrücken ist ein laufendes Modell eines einfachen Serversystems erstellt. Ein ähnlicher Ansatz wird von vielen Simulationsprodukten verwendet.
Obwohl dieser Modellierungsansatz für einfache Modelle gut geeignet ist, bietet das datenzentrierte Framework von Simio eine bessere Option für große Modelle. Bei umfangreicheren Modellen ist es am besten, Datentabellen für die Definition der im Modell platzierten Objekte zu verwenden. Anschließend kann Simio das Modell automatisch auf der Grundlage der bereitgestellten Datenbeschreibung generieren. In den Datentabellen werden die in das Modell aufzunehmenden Objekte und die zugehörigen Datenwerte angegeben. Dieser Ansatz ist besonders nützlich bei Anwendungen, in denen mehrere ähnliche Einrichtungen modelliert werden, da jedes Modell über Datentabellen definiert und verwaltet werden kann. Beachten Sie, dass sich dadurch das Problem von einer Aktivität zur Modellerstellung zu einer Aktivität zur Modellkonfiguration wandelt. Eine neue Maschine kann zu einem Modell hinzugefügt werden, indem einfach eine neue Datenzeile in die entsprechende Datentabelle eingefügt wird.
Der Begriff datengeneriert wird verwendet, um sich auf Modelle zu beziehen, die automatisch aus einem Datensatz erstellt werden. Der Begriff datengesteuert bezieht sich auf Modelle, die ihre Daten mithilfe eines Datensatzes an die Modellierungsobjekte liefern. Ein Modell kann datengesteuert sein, aber manuell per Drag & Drop erstellt werden, oder es kann sowohl datengeneriert als auch datengesteuert sein.
In vielen Fällen handelt es sich bei den Daten, die ein Modell steuern, um relationale Daten, bei denen eine Zeile in einer Tabelle mehreren Zeilen in anderen Tabellen zugeordnet ist. So kann beispielsweise eine Tabelle mit Kundenaufträgen mehreren Zeilen zugeordnet werden, die die Produkte definieren, aus denen der Kundenauftrag besteht. Simio unterstützt vollständig relationale Datentabellen mit Schlüsselspalten und Fremdschlüsselreferenzen. Die Datensätze in Simio haben ein völlig flexibles Schema und können vom Modellierer vollständig konfiguriert werden. Benutzer können Spalten, Schlüssel und Fremdschlüsselreferenzen hinzufügen/löschen/bearbeiten. Die Spalten in einer Tabelle sind stark typisiert und enthalten sowohl numerische als auch nicht-numerische Werte.
Der datengenerierte und datengesteuerte Modellierungsansatz ist besonders effektiv, wenn er in Kombination mit einer benutzerdefinierten Anwendungsbibliothek verwendet wird, die vordefinierte Datentabellen und -objekte enthält, die auf die spezifische Anwendung ausgerichtet sind, zusammen mit Datenmappings zur Verbindung mit den entsprechenden Tabellenspalten, die die relevanten Daten für das Objekt liefern. Ein erfahrener Modellierer kann eine anwendungsspezifische Vorlage erstellen, die dann von anderen genutzt werden kann, um ihre Modelle automatisch über Daten zu erstellen und zu pflegen. Dies ist einer der Gründe, warum Simios grafischer Ansatz für Objektdefinitionen (keine Programmierung) wichtig für die erfolgreiche Implementierung von datengenerierten und datengesteuerten Modellen ist.
Ein weiterer wichtiger Aspekt des datenzentrierten Simio-Frameworks ist die Abbildung von relationalen Datentabellen auf Simio-Modellierungsobjekte. Simio bietet eine hierarchische Wiederholungsgruppe von Objekteigenschaften, die direkt auf relationale Datentabellen abgebildet werden können. Dieses einzigartige und zentrale Konzept in Simio macht es einfach, Modelleigenschaften auf die benötigten Daten abzubilden.
Da die Daten, die zur Erzeugung oder Steuerung eines Modells verwendet werden, typischerweise in Drittsystemen wie ERP, MES, IoT, Excel, CSV oder Web Services vorliegen, bietet Simio direkte Konnektoren für den Import und Export zu diesen gängigen Datenquellen. Darüber hinaus bietet Simio ein Framework für die Entwicklung neuer Datenkonnektoren. Diese Datenkonnektoren werden verwendet, um Daten aus verschiedenen Datenquellen in die relationalen In-Memory-Datensätze von Simio zu ziehen, damit das Modell schnell darauf zugreifen kann. Die Verwendung der relationalen In-Memory-Datensätze von Simio ist entscheidend für die schnelle Ausführung und Wartung des Digital Twin-Modells.
4. Experimentieren, Optimieren und Berichten
Der Zweck eines Simulationsmodells besteht darin, die Leistung eines neuen oder bestehenden Systems vorherzusagen. Im Falle von Konstruktionsanwendungen werden häufig vorgeschlagene Änderungen an einem bestehenden System oder Konstruktionsoptionen für ein neues, noch nicht existierendes System bewertet. Im Falle eines Digitalen Zwillings für Betriebsprozesse kann der Benutzer an der Vorhersage der Betriebsleistung interessiert sein, oder im Falle eines Produktionsplans an der Vorgabe oder Orchestrierung von Aktionen, die im realen System durchgeführt werden sollen.
Simios Digitaler Zwilling unterscheidet zwischen dem Konzept eines Simulationslaufs, bei dem Zufallsprozesse und Zufallsereignisse aktiviert sind, und einem Planlauf, bei dem die Zeitdauern ihren erwarteten Wert zugewiesen bekommen und alle Zufallsereignisse deaktiviert sind. Ein Planlauf ist somit deterministisch und wiederholbar, während ein Simulationslauf bei jeder Replikation des Modells andere Ergebnisse liefert. Ein Simulations- oder Planlauf kann auch in Echtzeit ausgeführt werden, um die Integration und Orchestrierung eines externen Systems in Echtzeit zu unterstützen.
Die Experimentier- und Berichtsfunktionen von Simio ermöglichen die Definition spezifischer Szenarien zur Ausführung von Simulationsläufen und den anschließenden Vergleich der Ergebnisse zwischen den Szenarien. Jedes Szenario definiert den Wert für eine oder mehrere veränderbare Eingaben (z. B. die Puffergröße vor jeder Arbeitsstation) und eine oder mehrere Antwortvariablen (z. B. die durchschnittliche Bearbeitungszeit eines Auftrags). Simio bietet auch den OptQuest-Optimierer, der automatisch die Szenario-Inputs variiert, um eine bestimmte Zielfunktion zu minimieren oder zu maximieren. Experimente können als Teil des Systementwurfs oder off-line als Teil des Systembetriebs durchgeführt werden. Die folgende Abbildung zeigt ein Experiment zum Vergleich von Szenarien unter Verwendung von SMORE-Diagrammen, die den Mittelwert, das Konfidenzintervall für den Mittelwert, die oberen und unteren Perzentilwerte und den Bereich jeder Antwortvariablen grafisch darstellen.
Abbildung 5: Versuchsergebnisse - SMORE-Diagramme
Im Falle von Konstruktionsanwendungen werden zusammenfassende Statistiken bereitgestellt, wie z.B. die durchschnittliche Tagesproduktion oder die durchschnittliche/maximale Wartezeit für Kunden, die eine Klinik besuchen. Simio bietet eine Vielzahl von Funktionen für die Aufzeichnung und Anzeige von zusammenfassenden Statistiken zur Systemleistung, einschließlich Konfidenzintervallen und automatisierten Ranking- und Auswahlverfahren.
Bei Vorgängen mit einem digitalen Zwillingsprozess sind die Benutzer in der Regel an detaillierten Ergebnissen für einzelne Elemente wie Produktionsaufträge, Maschinen oder Arbeiter interessiert. Daher zeichnet Simio neben zusammenfassenden Statistiken auch detaillierte Informationen in Datenprotokollen auf, die dann für die Berichterstellung verwendet werden können. So werden zum Beispiel Änderungen, die für jedes Material auftreten, sowie die Aufträge, die auf jeder Ressource verarbeitet werden, protokolliert und können in benutzerdefinierten Berichten und Dashboards verwendet werden.
Die Simio-Ergebnisse können in verschiedenen internen Formaten angezeigt und in externe Reporting-Tools wie Tableau, Power BI und Excel exportiert werden. Ein leistungsfähiges internes Format sind die anpassbaren Dashboards von Simio, die sowohl auf dem Desktop als auch in einem Webbrowser über das Simio-Portal angezeigt werden können. Im Folgenden sehen Sie ein Beispiel für ein Simio-Dashboard.
Abbildung 6: Beispiel für ein dynamisches Ergebnis-Dashboard
Für Produktionsplanungs- und Terminierungsanwendungen bietet Simio zwei verschiedene Gantt-Diagramme, die besonders nützlich sind. Das erste ist ein Ressourcen-Gantt, das den Ressourcenstatus entlang einer Zeitachse für jede aktivierte Ressource anzeigt. Jede Zeile des Ressourcen-Gantt kann erweitert werden, um jede Entität/jeden Auftrag anzuzeigen, der auf dieser Ressource bearbeitet wird. Das Entitäten-Gantt-Diagramm zeigt jede aktive Entität/jeden aktiven Auftrag im System auf jeder Ressource an, die sie/er während der Verarbeitung verwendet.
Das Entity-Gantt-Diagramm zeigt auch Risikomesswerte für jeden Auftrag auf der Grundlage stochastischer Replikationen des Zeitplans in Bezug auf die Wahrscheinlichkeit, dass der Auftrag angesichts der zugrundeliegenden Variabilität im System rechtzeitig ausgeliefert wird. Jede Zeile im Entity-Gantt kann erweitert werden, um alle Einschränkungen, die die Entität verzögert haben, grafisch darzustellen, z. B. ausgelastete Bediener, nicht verfügbare Materialien oder andere Einschränkungen, wodurch eine Ursachenanalyse für verspätete Aufträge möglich ist. Im Folgenden sehen Sie ein Beispiel für einen Entity Gantt.
Abbildung 7: Beispiel für ein Gantt-Diagramm mit Detailaufgaben
Simio macht es einfach, zwischen den Ressourcen-Gantts und den Entity-Gantts umzuschalten. Wenn Sie mit der rechten Maustaste auf eine beliebige Entität/Ressource im Gantt-Diagramm klicken, können Sie zu diesem Punkt in der simulierten Zeit in der 3D-Animation des Systems laufen und zur grafischen Animation des Systemzustands an diesem Punkt im Zeitplan wechseln.
5. Intelligente Entscheidungslogik
In dem Maße, in dem sich Simulationsmodelle von prädiktiven Designanwendungen zu präskriptiven betrieblichen Digital Twins entwickeln, wird die präzise Entscheidungslogik im Modell immer wichtiger, da sie die Leistung des Modells und damit des realen Systems bestimmt. Obwohl kundenspezifische Entscheidungslogik gute Ergebnisse liefern kann, ist die Verwendung neuronaler Netze der Goldstandard, da sie viel mehr Eingaben und komplexe Interaktionen berücksichtigen können, um die Systemleistung besser zu optimieren.
Mit Simio kann die 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 zum Trainieren der neuronalen Netze. Auf diese Weise können die Benutzer die Entscheidungslogik des Modells vereinfachen, wodurch die Modelle einfacher zu erstellen, zu verstehen, zu debuggen und zu warten sind. Mit neuronalen Netzen kann der Schwerpunkt auf der Modellierung von Systemkomponenten liegen, während die neuronalen Netze die komplexen Beziehungen lernen können, um die Entscheidungsfindung innerhalb des Modells zu optimieren.
Simio ist die erste und einzige Software für die diskrete Ereignissimulation, die umfassende KI-Funktionen für die Erstellung und das automatische Training neuronaler Netze in einem Modell bietet, ohne dass Programmierkenntnisse erforderlich sind oder eine Integration mit externen Tools von Drittanbietern notwendig ist.
Eine der größten Herausforderungen im Bereich der KI ist die Verfügbarkeit der benötigten Trainingsdaten, weshalb viele KI-Anwendungen scheitern. Bei der Evaluierung eines neuen Systems stehen nie beschriftete Trainingsdaten zur Verfügung, und selbst in Fällen mit bestehenden Anlagen werden alle aufgezeichneten Daten ungültig, sobald ein neues Teil oder eine Änderung im Ablauf in das System eingeführt wird. Aus diesem Grund ist der in Simio integrierte Auto-Labeler zur Erstellung synthetischer Trainingsdaten entscheidend für den Erfolg einer intelligenten Modellierungsanwendung.
Simio bietet auch integrierte Trainingsalgorithmen für das Training neuronaler Netze mit synthetischen Daten, die von einem Modell erzeugt werden. Damit bietet Simio eine Komplettlösung für die Einbettung neuronaler Netze in Simulationsmodelle.
Die KI-Funktionen von Simio sind besonders nützlich in Digital Twin-Anwendungen für die Produktionsplanung, wo das neuronale Netz so trainiert werden kann, dass es kritische KPIs vorhersagen kann, z. B. die sich dynamisch verändernde Produktionsvorlaufzeit für eine Fabrik oder Produktionslinie innerhalb einer Fabrik. Das neuronale Netz lernt die Auswirkungen von Umstellungen, sekundären Ressourcen, Geschäftsregeln und anderen komplexen Produktionsbedingungen, die sich auf die Vorhersage der KPIs auswirken. Der intelligente digitale Zwilling kann komplexe Zusammenhänge erfassen, die sonst nicht in ein Modell aufgenommen werden könnten. Die KPI-Vorhersagen des neuronalen Netzwerks können dann dazu verwendet werden, Entscheidungen sowohl innerhalb der Fabrik als auch in der gesamten Lieferkette zu optimieren. Innerhalb der Lieferkette kann das neuronale Netzwerk für die kritische Entscheidung bei der Beschaffung von Zulieferern eingesetzt werden, indem es die Produktionsvorlaufzeit für jeden in Frage kommenden Zulieferer vorhersagt und den Hersteller mit den niedrigsten Kosten auswählt, der den Auftrag rechtzeitig ausführen kann. KI-gestütztes Factory Sourcing innerhalb der Lieferkette Digitaler Zwilling macht Master Production Scheduling-Software überflüssig, die ein grobes Kapazitätsmodell verwendet, aber Produktionsbeschränkungen wie Umstellungen ignoriert, von festen Durchlaufzeiten unabhängig von der Fabrikauslastung ausgeht und mit Hilfe eines heuristischen Algorithmus in künstlichen Zeitfenstern plant. Dies führt zu groben und nicht umsetzbaren Plänen, deren Erstellung viele Stunden Computerzeit in Anspruch nimmt und die nicht mit den detaillierten Fabrikplänen übereinstimmen.
Die in Simio integrierten KI-Funktionen unterstützen die Definition, das Training und die Verwendung des klassischen neuronalen Netzes mit Vorwärtsregression. Die Benutzer sind jedoch nicht auf diesen Algorithmus des maschinellen Lernens beschränkt, da jedes maschinelle Regressionsmodell von über 50 Drittanbietern, einschließlich Google und Microsoft, die das ONNX-Modellaustauschformat unterstützen, in Simio importiert und verwendet werden kann. Benutzer können Modelle in Tools von Drittanbietern erstellen und trainieren und sie dann in Simio importieren, um komplexe Entscheidungen innerhalb eines Modells zu treffen.
Abbildung 8: Verwendung von ONNX-Modellen von Drittanbietern
6. Unternehmenseinsatz
Anwendungen für den Simulationsentwurf werden traditionell auf dem Desktop eingesetzt. Obwohl die Desktop-Umgebung im Allgemeinen eine reichhaltigere Benutzeroberfläche für die Modellerstellungsphase eines Projekts bietet, erfordert der Einsatz von Unternehmensanwendungen mit mehreren gleichzeitigen Benutzern mit unterschiedlichen Rollen und Datenberechtigungen eine sicherere/robustere Umgebung. Obwohl der Simio-Desktop die beste Option für die Modellentwicklung bleibt, bietet das Simio-Portal eine bessere Lösung sowohl für Experimente als auch für die Ausführung und Anzeige von Ergebnissen und Betriebsplänen.
Simio Portal demokratisiert die Simulations- und Planungsergebnisse über das Internet für Benutzer im gesamten Unternehmen. Modellierer können Benutzer verwalten und ihnen Rollen zuweisen, die ihren Zugriff auf Modelle und Daten einschränken. Simio Portal kann in einem Rechenzentrum vor Ort oder in einer Azure-, AWS- oder Google-Cloud gehostet werden, so dass Benutzer Simulationsexperimente und Planungspläne mit unübertroffener Geschwindigkeit erstellen und ausführen können. Modelle können mit Desktop-Simio erstellt und dann nahtlos auf Simio Portal übertragen werden.
Abbildung 9: Simio Cloud-Bereitstellung
7. Zusammenfassung
Simio bietet ein Simulationsmodellierungs-Framework, das auf intelligenten Objekten basiert, um sowohl den Entwurf als auch den Betrieb von komplexen Systemen zu optimieren. Zu den Hauptmerkmalen von Simio, die das Kontinuum von Entwurf bis Betrieb unterstützen, gehören die codefreie objektorientierte Modellierungsarchitektur, ein datenzentriertes Framework zur Unterstützung sowohl datengesteuerter als auch datengenerierter Modelle, Simulations- und Planungsexperimentier- und Berichtsfunktionen, neuronale Netze zur Optimierung von Entscheidungen sowie unternehmensweite Bereitstellungsoptionen für Experimente und Planung in privaten und öffentlichen Clouds. Simio bietet eine umfassende Simulationsplattform für eine vollständige digitale Transformation.