利用人工智能提升优化性能
Simio 是首家为神经网络提供本地嵌入式支持的基于离散事件的数字孪生仿真软件公司。我们内部开发的对这种强大的基于人工智能的优化方法的支持无需编码，直接集成到 Simio 的仿真引擎中，无需外部第三方应用程序。我们对神经网络的全面支持包括在 Simio 流程数字孪生模型的逻辑中直接定义和使用神经网络进行推理的能力，以及使用内置数据收集功能和由 TensorFlow 支持的神经网络训练器从 Simio 模型中自动获取合成训练数据的能力。Simio支持使用行业标准ONNX推理引擎导入和执行第三方人工智能模型，Simio训练数据收集功能还可用于生成和导出合成训练数据，供第三方人工智能工具使用。
为什么要将离散事件仿真与 NVIDIA Omniverse 相结合？
Simio 的离散事件仿真与 NVIDIA Omniverse 的整合产生了强大的协同效应，解决了数字孪生所面临的基本挑战：平衡分析精度与直观理解。仿真为精确的运营建模提供了数学基础--以统计精度捕捉复杂的系统动态、可变性和相互依存性--而 Omniverse 则将抽象数据转化为直观的可视化表示，揭示了仅靠数字无法辨别的空间关系和物理约束。
这种组合既能压缩时间，又能保持空间感知，从而提供全面的作战情报。Simio 的技术加快了时间，使企业能够在数分钟内评估数月的运营绩效，而 Omniverse 则通过准确呈现物理环境和移动限制，增加了重要的空间背景。它们共同确保优化的解决方案不仅在理论上有效，而且在实际操作环境中具有真实的物理限制。
通过将统计洞察与引人入胜的可视化叙述相结合，该集成架起了仿真专家与决策者之间沟通的桥梁。无论技术背景如何，利益相关者都能理解复杂的概念，并通过严谨的分析证据和直观的视觉演示，就改进措施达成共识。这种沟通优势大大加快了优化解决方案的实施和采用。
实施这种组合方法的组织通常会经历更快的项目审批、更高效的实施以及更持久地采用优化措施。这种整合通过多种互补途径实现投资回报：通过模拟提高吞吐量和资源利用率，通过加快利益相关者的协调和通过早期可视化识别潜在问题降低重新设计成本，从而实现可量化的收益。这种综合方法可创建数字双胞胎，在运营改进的各个阶段推动可衡量的价值。
主要功能
- 嵌入人工智能代理以捕捉复杂的决策逻辑、简化模型并优化操作流程，从而提高系统性能。
- 在运行时执行人工智能代理，根据当前状态在每个设施模型中做出优化资源选择决策。
- 制造应用实例：准确预测所有生产线的作业完成时间。
- 利用人工智能预测的每个候选工厂的生产准备时间和成本，并考虑到工厂内每个工作站的装载量和产品组合，优化供应链采购决策。
- 这种基于人工智能的方法无需像传统的主计划系统那样假设静态提前期、使用人工时间桶和依赖粗略的产能模型。
- 在 Simio 流程数字孪生系统中使用嵌入式神经网络（而非传统流程逻辑）执行优化，将缩短在实际运营部署中生成优化计划和调度解决方案所需的时间。
- 在无风险的虚拟沙盒环境中测试和验证人工智能算法的性能和行为，然后再实施。
- 通过评估不同的机器学习配置和超参数设置，轻松微调人工智能代理的性能。
- Simio Process Digital Twins 集成了机器学习算法，可用于模拟和实验，以设计和分析操作流程。Simio 流程数字孪生也可部署在实际操作场景中，以确保优化计划与调度解决方案。
- Simio Process 数字孪生模型可创建干净、有标签且完全可行的数据，这些数据涵盖了用于训练人工智能代理的整个解决方案空间。
- 嵌入式和外部第三方神经网络可使用 Simio 内置的梯度下降训练算法进行训练。
- 合成训练数据可导出到外部第三方神经网络进行训练。训练好的神经网络可以导回 Simio 执行。
- 当运行条件发生变化时（如增加新设备、引进新产品或改变流程），Simio 流程数字孪生模型可自动更新以反映这些变化，并自动创建新的训练数据以重新训练人工智能代理。
- 在处理涉及大量输入和输出的复杂流程数字孪生系统（如主数据（输入）、销售预测（输入）和多个关键绩效指标（输出））时，利用机器学习或其他基于人工智能的优化方法对系统参数进行微调，可以比单独模拟更有效地提高运营效率和盈利能力。
- Simio 提供强大的计算能力和内存扩展支持，可有效处理更多的情景复制/运行，确保对优化解决方案的信心。
- 使用 Python 等编程语言，可以创建脚本，在人工智能优化算法或应用程序的指导下自动生成和运行 Simio 流程数字孪生模型的副本。每次运行后，都可将输出发送回优化器，以影响未来的复制。
- 这种方法允许机器学习和其他高级算法与 Simio 流程数字孪生模型紧密互动，将离散事件仿真和机器学习优化的优势结合在一起。
- Simio 从设计之初就支持无缝双向数据集成，以及与第三方应用程序和编程语言（如 Python）的简化自动化，从而实现与 Simio 流程数字孪生系统的紧密耦合，快速、自动地创建新数据和场景。
- 这种强大的方法支持系统设计、工作流程自动化和持续的系统优化。
- Simio 的架构使网络开发人员和数据科学家能够充分利用流程数字孪生技术，创建假设和优化方案，为整个企业的利益相关者提供决策支持。
训练和测试神经网络
训练嵌入 Simio 流程数字孪生中的神经网络模型（也称为代理）是一个简单直接的过程。每个 Simio 仿真运行都使用嵌入式神经网络代理进行推理，并通过自动生成合成训练数据来监控和重新训练模型，从而确保最佳性能。
- Simio 可将记录并保存在训练库中的合成训练数据用于训练前馈神经网络模型，也可导出用于训练在第三方应用程序中开发的外部神经网络模型。
- Simio 的内置训练器由 TensorFlow 提供支持，TensorFlow 是最流行的深度学习框架之一，也是谷歌的开源人工智能引擎。
- TensorFlow 的高级训练功能已完全集成到 Simio 中，无需向第三方工具导入或导出数据即可创建无缝训练流程。
离散事件模拟+人工智能的力量
将离散事件仿真与人工智能相结合，以应对制造环境和供应链中的复杂运营挑战，是这一前沿技术的理想应用。Simio 用于开发智能自适应过程数字孪生的敏捷平台提供了训练、测试和将深度神经网络代理嵌入 Simio 模型所需的所有工具，并可与机器学习算法进行双向交互，以增强模型的智能性、改善优化结果并缩短执行运行时间。
实时双向通信
将离散事件仿真与人工智能相结合，在涉及生产规划的流程数字孪生应用中尤为重要。可以训练神经网络来预测关键的关键绩效指标，例如动态变化单条生产线或整个工厂的生产提前期。
供应链管理应用
端到端供应链管理是流程数字双胞胎的另一个理想应用，它可以利用神经网络预测每个候选供应商的生产前置时间，并选择能够按时完成订单的最低成本生产商，从而做出关键的供应商采购决策。
神经网络的灵活性
神经网络可了解转换、辅助资源、业务规则和其他生产复杂性对 KPI 预测的影响。
淘汰主生产计划软件
在供应链应用中使用 Simio Process Digital Twins 进行基于人工智能的工厂采购决策，无需使用主生产计划软件。