导言
在当今世界，企业竞争的不仅是价格和质量，还有按时可靠地交付产品的能力。因此，良好的生产计划会影响公司的产量、销售额和客户满意度。尽管各公司在企业资源规划（ERP）和制造执行系统（MES）等信息技术方面投入了数百万美元，但在详细的生产计划安排方面，这些投资却显得不足，导致大多数公司不得不重新采用 Excel 和计划板等手工方法。与此同时，减少库存、缩短交货期、增加产品定制、SKU 扩散和柔性制造等行业趋势使任务变得更加复杂。制定可行的计划需要同时考虑材料、劳动力、设备和需求。对于任何人工计划方法来说，这个门槛都太高。要制定可靠的计划，就必须进行数字化转型，以支持自动化和可靠的排产。
有效工厂排程的核心是可执行排程的概念。 可执行排程是指充分考虑到系统中的详细限制和操作规则的排程，因此可以由生产人员在工厂中执行。许多排产方案的问题在于，它们忽略了一个或多个详细的约束条件，因此无法在工厂车间按规定执行。一个不可执行的计划要求操作人员介入并推翻计划进度，以适应系统的实际限制。 此时，计划不再被遵循，而操作人员无法看到的本地决策会对系统 KPI 产生影响。
有效排程的第二个核心理念是正确考虑工厂中的可变性和计划外事件，以及它们对产量和准时交货的不利影响。 大多数排程方法完全忽略了系统中的这一关键因素，因此产生了实际无法实现的乐观排程。随着机器损坏、工人请病假、材料晚到、需要返工等情况的发生，一开始看起来可行的计划会随着时间的推移而退化。乐观的承诺无法兑现。
第三个考虑因素是不可行的计划对供应链计划的影响。 工厂排产只是生产计划流程的最后一步，生产计划流程的第一步是根据实际需求和/或预测需求制定供应链计划。供应链计划流程会生成生产订单，通常会确定整个生产网络每个计划期的物料需求。在此过程中，网络中每个工厂的生产订单都是根据生产能力的粗略模型生成的。供应链计划流程对工厂真正限制因素的了解非常有限，由此产生的生产需求往往高估了工厂的生产能力。随后，工厂调度人员必须根据设备、劳动力等方面的实际限制制定详细计划，以满足这些生产要求。工厂为使计划可行而进行的调整对供应链计划人员并不透明。这就造成了核心业务计划职能的脱节，而这种脱节会产生巨大的开支。
在本文中，我们将讨论应对这些挑战的解决方案--流程数字孪生系统，以及实现这一目标的途径。Simio数字孪生解决方案建立在已获专利的Simio基于风险的计划和排程（RPS）软件基础之上。 我们将首先描述并比较工厂排程的三种常见方法。然后，我们将详细讨论基于 Simio RPS 的工厂排程流程数字孪生系统的优势。
工厂排程方法
首先，让我们讨论一下目前最常用的三种解决排产问题的方法：1) 使用计划板或电子表格的手动方法；2) 资源模型；3) 流程数字双胞胎。
手动方法
目前工厂排程最常用的方法是手动方法，通常辅以电子表格或计划板。 使用手动排程通常不是公司的首选，而是使用自动化系统失败的结果。
为复杂的工厂手动生成计划是一项非常具有挑战性的任务，需要详细了解所有设备、劳动力和运营限制。 其中最令人沮丧的五个缺点包括： 1：
- 调度员很难考虑到所有重要的限制因素。 虽然调度员通常可以专注于主要限制因素，但他们往往不知道或必须忽略次要限制因素，而这些疏忽会导致无法执行的计划。
- 手动排程通常需要数小时才能完成，一旦发生任何变化，排程就会变得不可执行。
- 日程表的质量完全取决于调度员的知识和技能。 如果调度员退休、休假或生病，后备调度员的技能可能较差，KPI 可能会下降。
- 调度员几乎不可能考虑到变化对计划的不利影响，从而为订单提供有把握的完成时间。
- 当关键工作出现延误时，人工调度员就会采用撞击其他工作的方式来适应这些 "热门 "工作，从而扰乱流程并产生更多的 "热门 "工作。 系统就会变得生硬，系统就会陷入 "救火 "状态。
资源模式
使用自动化方法进行工厂排程的公司通常使用基于工厂资源模型的方法。资源模型由关键资源列表和根据估计任务时间分配给资源必须处理的任务的时间段组成。 资源列表包括生产所需的机器、夹具、工人等。 下图是一个甘特图，描述了有四个资源（A、B、C、D）和两个工作（蓝色、红色）的简单资源模型。蓝色工作的任务序列为 A、D 和 B，红色工作的任务序列为 A 和 B。
资源模型中的资源由一个状态来定义，该状态可以是繁忙、闲置或不在班次上。 当一个资源忙于处理一个任务或不在班次上时，其他任务必须等待分配到该资源（例如，红色任务在资源 A 上等待蓝色任务）。 基于资源模型的调度工具都具有相同的工厂容量表示，区别仅在于如何将任务分配到资源上。
所有这些工具的共同问题是约束模型过于简单。虽然这种模型在某些简单的应用中可能行得通，但工厂中的许多约束条件无法用简单的资源繁忙、闲置和下班状态来表示。请看下面的例子：
- 某系统在跑道上有两台起重机（A 和 B），用于将飞机部件搬运到工作站。虽然起重机 A 目前处于闲置状态，但它被起重机 B 阻挡，因此无法分配任务。
- 生产线 1 上的一个工作站目前处于闲置状态，可以开始执行新任务。然而，当相邻的 2 号生产线上正在进行复杂的操作时，该工作站的可用性非常有限。
- 完成装配需要一名装配操作员。目前有装配操作员处于闲置状态，但分配给前一项任务的操作员也必须用于这项任务，而该操作员目前正忙。
- 此任务需要一名设置操作员。该操作员处于闲置状态，但在相邻的建筑物内，必须在开始设置之前前往该地点。
- 任务涉及流体通过管道、阀门和存储/混合罐，流量受到复杂规则的限制。
- 某项工作需要在烤箱中进行处理，烤箱处于闲置状态，但当前温度未达到要求。
这只是一些典型约束条件的例子，对于这些约束条件，简单的忙、闲、休班资源模型是不够的。每家工厂都有自己的一套限制设施产能的约束条件。
利用简单资源模型的调度工具采用三种基本方法之一为资源分配任务：启发式、优化和模拟。
一种常见的启发式方法是工作排序法，它从优先级最高的工作开始，为该工作分配所有任务，并对每项工作重复这一过程，直到所有工作都排定为止（在前面的例子中，先排定蓝色工作，然后是红色工作）。这种简单的工作排序方法既可以从发布日期开始向前排序，也可以从到期日期开始向后排序。 请注意，向后排序（虽然在总体规划中很有用）在详细排程中通常会出现问题，因为由此产生的排程很脆弱，工作流中的任何中断都会导致工作延迟。这种简单的 "一次完成一项工作 "排序启发式无法适应复杂的操作规则，如尽量减少更换或根据尺寸或颜色等属性开展生产活动。不过，随着时间的推移，已经开发出了许多不同的启发式方法，以适应特殊的应用要求。使用启发式方法的排程工具包括西门子公司的 Preactor 和 SAP 公司的 PP/DS。
将任务分配给资源模型中的资源的第二种方法是优化，在这种方法中，任务分配问题被表述为一组排序约束条件，这些约束条件必须在满足目标（如尽量减少延迟或成本）的同时得到满足。然后，使用约束编程（CP）求解器 "求解 "该数学表述。 CP 求解器使用启发式规则搜索可能的任务分配，以满足排序约束并改善目标。 请注意，没有算法能在合理的时间内优化资源模型的任务分配数学表述（该问题在技术上被归类为 NP Hard），因此现有的 CP 求解器依靠启发式方法找到 "实用 "但非最优的解决方案。虽然 PP/DS 采用了 ILOG 的 CP 求解器来为资源分配任务，但 PP/DS 的大多数安装都依赖现有的启发式方法来分配任务。
在简单资源模型中分配任务的第三种方法是模拟方法。在这种情况下，我们模拟作业在工厂资源模型中的流动情况，并利用调度规则将任务分配给可用资源，如最小转换或最早完成。与优化方法相比，这种方法有几个优点：首先，它的执行速度更快，只需几分钟而不是几小时就能生成计划。西门子公司的 Preactor 400 就是一个采用这种方法的工具。
无论使用哪种方法将任务分配给资源，生成的计划都会假定系统中存在所有随机事件和变化。这些工具没有提供评估进度表相关风险的机制。
数字孪生
第三种也是最新的工厂排程方法是工厂的流程数字孪生体。 数字孪生体是组成工厂的流程、设备、人员和装置的数字复制品，可用于系统设计和运行。系统中的资源不仅有繁忙、闲置和下班状态，而且是有行为的对象，可以在系统中移动，并与模型中的其他对象交互，从而复制真实工厂的行为和详细约束条件。数字孪生为调度带来了新的逼真度，这是现有的基于资源的建模工具所不具备的。
Simio 数字孪生系统
Simio 数字孪生体是一个基于对象、数据驱动的三维动画工厂模型，它与来自企业资源规划系统、制造执行系统和相关数据源的实时数据相连接。下面我们将总结 Simio Digital Twin 作为工厂调度解决方案的主要优势。
双重用途：系统设计和运行
虽然这里的重点是通过利用现有工厂设计进行更好的调度来提高产量和准时交货率，但与传统调度工具不同的是，Simio 数字孪生系统还可用于优化工厂设计。用于工厂排程的 Simio 模型也可用于测试我们对工厂做出的改变，如增加新设备、改变人员配置水平、合并生产步骤、增加缓冲库存等。
可执行的计划
任何排程解决方案的基本要求都是提供可在实际工厂中执行的可操作排程。 如果向工厂车间发送了不可操作的生产排程，生产人员别无选择，只能忽略该排程，并根据本地信息做出自己的决定。
由于 Simio 数字孪生系统的基础是基于对象的建模工具，因此工厂模型可以尽可能详细地捕捉到所有这些约束条件。这包括复杂的约束条件，如材料处理装置、复杂的设备、具有不同技能组合的工人以及复杂的排序要求、
在许多系统中，长期以来形成了控制生产流程的操作规则。 这些操作规则与关键系统约束同样重要；任何忽略这些操作规则的计划都是不可执行的。 Simio 建模框架具有灵活的基于规则的决策逻辑，可用于执行这些操作规则。 结果就是既尊重系统物理约束又尊重标准操作规则的可执行计划。
快速执行
在大多数组织中，计划的使用寿命都很短，因为计划外事件和变化的发生会使当前计划失效。出现这种情况时，必须尽快重新生成和分发新的计划，以保证生产顺利进行。手动或基于优化的计划再生方法需要数小时才能完成，这是不现实的；在这种情况下，车间操作员将接管并执行他们自己的本地计划决策，而这些决策可能与全系统的关键绩效指标不一致。 当随机事件发生时，Simio 数字孪生系统可以快速响应，并生成和分发新的可执行计划。 计划再生可以由调度员手动触发，也可以由系统中的事件自动触发。
三维动画模型和计划表
在其他排程系统中，模型和排程的唯一图形视图是资源甘特图。相比之下，Simio 数字孪生系统能对模型结构和产生的进度表进行强大的交流和可视化。理想情况下，组织中从车间到顶层的任何人都能查看并理解模型，从而验证其结构。 一个好的解决方案不仅能提高生成可执行计划的能力，还能提高可视化能力，并在组织的各个层面对其进行解释。
Simio 甘特图可直接链接到三维动画设施；在甘特图中沿着时间刻度右键单击资源，可立即跳转到该部分设施的动画视图，显示计划中该时间点的机器、工人和流程中的工作。 从这一点出发，您可以向前模拟时间，观察计划在真实系统中的展开情况。Simio 数字孪生系统的优势首先在于它能准确、快速地生成可执行的计划。但是，数字孪生系统能够将其结构、模型逻辑和生成的进度表传达给任何需要了解的人，这才是它的最大优势。
风险分析
计划工具的一个主要缺点是无法处理计划外事件和变化。相比之下，Simio 数字孪生系统可以对这些计划外事件和变化进行精确建模，不仅能提供详细的计划，还能分析与计划相关的风险。
在生成计划时，随机事件/变化会被自动禁用，以生成确定性计划。与其他确定性计划一样，该计划在按时完工方面是乐观的。然而，一旦生成该计划表，同一模型就会在启用事件/变数的情况下执行多次，从而根据系统中的不确定性生成多个计划表的随机样本。 然后，随机生成的计划表集将用于推导风险度量，例如每个订单按时发货的可能性。这些风险度量可直接显示在甘特图和相关报告中，从而让排产人员提前了解哪些订单存在风险，并采取相应措施确保重要订单按时发货的可能性高。
制约因素分析
供应链计划流程以工厂的粗略产能模型为基础，将更多的工作发送到生产设施，而不是根据设施的真实产能和运营限制来轻松生产，这种情况并不少见。在这种情况下，详细的排产计划中就会出现一项或多项延迟的工作和/或延迟风险较高的工作，那么问题就来了，排产人员应该采取哪些措施来确保重要的工作都能如期完成呢？
尽管其他排程方法会生成一个排程，但 Simio Digital Twin 更进一步，它还提供了一个约束分析，详细说明了系统中每个作业花费的所有非增值（NVA）时间。这包括等待机器、操作员、材料、材料处理设备或任何其他阻碍项目生产的制约因素的时间。 因此，如果计划表显示某个项目会延迟，制约因素分析就会显示可以采取哪些措施来减少非增值时间并准时装运产品。例如，如果产品需要花费大量时间等待设置操作，则可能需要为该操作员安排加班。
多行业
尽管在离散生产设施的四壁内进行调度是一个重要的应用领域，但在离散制造之外还有许多调度应用。 许多制造应用涉及带有存储/混合槽的流体流动、批量加工以及离散部件生产。 与其他仅限于离散制造的调度工具相比，Simio 数字孪生系统已应用于许多不同的应用领域，包括混合模式制造以及物流和医疗保健等制造以外的领域。Simio RPS 灵活的建模框架使这些应用成为可能。
灵活集成
流程数字孪生是一个与实时系统数据直接相连的详细仿真模型。传统的仿真建模工具与 ERP、MES 和其他数据源的实时数据连接能力有限。 相比之下，Simio RPS 在设计之初就将数据集成作为首要要求。
Simio RPS 提供灵活的关系型内存数据集，可直接映射到模型组件和外部数据源，从而支持数字孪生的实施。这种方法允许与各种数据源直接集成，同时实现 Simio RPS 模型的快速执行。
数据生成模型
在全球应用中，通常会有多个生产设施分布在世界各地，生产相同的产品。 虽然每个设施都有自己独特的布局，但在资源（设备、工人等）和流程方面通常会有大量重叠。 在这种情况下，Simio RPS 提供了特殊功能，允许从映射到描述资源和流程的建模组件的数据表中自动生成每个设施的数字孪生。这大大简化了企业内多个数字孪生的开发工作，还支持通过数据表编辑对每个数字孪生进行重新配置，以适应资源和/或流程的不断变化。