在以製造為中心的供應鏈中，工廠採購是推動產量和準時交貨的關鍵決策。 如果有一個以上的工廠可生產某種產品，那麼平衡供應鏈內各生產工廠的負荷就非常重要，以確保可用產能得到最佳利用，從而實現準時交貨。 採購決策通常使用主生產排程（MPS）軟件，將每項生產任務分配到特定工廠的時間段（例如，每周）、主生产排程的输出结果是每个生产基地每个时间段的生产任务清单。然后，详细生产计划编制工具会根据 MPS 的输出结果，为特定生产基地生成当前时间桶内的详细计划。
MPS 假设有固定的生产提前期，并使用基于简单产能衡量标准的粗切产能规划 (RCCP) 方法（例如然而，在 RCCP 方法和可用产能的简化测量中，MPS 忽略了许多重要的产能限制，如转换、工具、劳动力、材料处理和生产规则。 然后，MPS 采用启发式求解器（如 CPLEX）进行求解、尽管传统系统将其解决方案视为最优解，但启发式求解器通常并不能找到最优解，而只能找到搜索算法在解决问题的时间内（通常为几小时）所能找到的最佳解决方案。）此外，他们对产能和时间的粗略近似所产生的结果通常在实际系统中无法执行，因此会与必须考虑所有相关约束条件的实际生产计划错位。 下文说明了总体计划与详细工厂计划之间的这种错位，这也是导致供应链绩效不佳的主要原因。
这种错位会造成整个供应链的不一致，并可能导致计划、采购和运输到每个生产基地的材料都是错误的。在很多情况下，考虑到生产现场的实际生产限制，MPS 向生产现场发送的工件和相关物料会超过在时间桶内所能生产的数量。
如下图所示，即使 MPS 生成了一份可行的生产订单清单，人工时间桶的使用也会窃取系统的产能，因为分配订单集的生产必须在每个时间桶的末端加速或减速，以在时间桶内完成所有分配的工作。为了避免产能损失，工厂计划有时会增加临时计划外工单，这些工单不属于供应链主计划的一部分。这些临时订单通常与客户需求不符，从而导致错误产品的库存膨胀。
与此相反，Simio 的多工厂供应链解决方案平台能够在真实的时间范围内捕捉每个库存和生产地点的所有关键约束条件，并在整个供应链中生成一致、优化和可操作的计划。该解决方案结合了各生产基地的详细仿真模型，以准确捕捉系统的演变状态；结合了 DDMRP 补货逻辑，以生成补货订单；结合了神经网络，以动态估计各生产基地的生产提前期，然后用于优化各生产基地的生产订单分配。DDMRP 用于计划补货时间，神经网络（NN）用于优化候选生产基地之间的选择，两者的协同使用消除了单独的、长期运行的 MPS 软件模块将工作预先分配到各生产基地人工时间桶的需要，使生产计划能够沿着连续的时间框架进行。
如上所述，DDMRP 在供应链模型中用于生成补货订单，而补货订单又会生成生产订单。 当有多个候选生产基地可以供应补货订单时，就需要做出采购决策。如果首选生产基地始终拥有充足的库存缓冲量，那么用于确定 DDMRP 缓冲量大小的解耦提前期（DLT）就能确保从首选生产基地及时补货，避免出现延迟订单。但是，需求的变化有时会导致首选补货地点的库存过低或缺货，而首选生产地点的拥堵会导致补货订单的交付周期比计划时间更长，从而造成订单延迟。 在这种情况下，必须考虑备用补货地点，以平衡各地点的生产负荷。
每个候选地点都有一个约束提前期 (CLT)，它不同于 DDMRP 计划中使用的 DLT。CLT 是基于系统中的实际约束条件，并考虑到站点当前状态的前置时间。CLT 受库存水平、产品组合和转换、劳动力、工具等因素的影响。与 DLT 不同，CLT 会随着新订单到达生产现场和生产的进行而动态变化。例如，如果生产现场库存不足，并且有大量在制品，产品组合复杂，需要长时间的转换，那么新订单的 CLT 可能会比 DDMRP 计划中使用的 DLT 长很多。在这种情况下，可能需要选择一个 CLT 较小的替代供应商。
候选地点的 CLT 取决于当前的库存水平、任何已在处理过程中的补货订单的预计到达时间，以及如果必须在完成订单之前完成新的补货，预计的补货时间。如果新的补货来自生产环节，补货时间就是生产现场当前状态下的预计生产时间。如果补货来自供应商，那么 CLT 就是所选供应商的 CLT，该 CLT 可能会在供应链中回溯，最终到达生产现场。
计算 CLT 的难点在于根据生产现场的当前状态估算生产现场的生产提前期。然而，Simio 的神经网络功能为这一问题提供了理想的解决方案。然后，可以根据每个候选生产基地的预测CLT来优化采购决策，选择成本最低且能按时交货的生产基地。
虽然人工智能已被证明在解决回归难题方面非常有效，但人工智能面临的主要挑战之一是拥有训练算法所需的标注训练数据。许多人工智能应用之所以失败，就是因为缺乏良好的标注训练数据。在评估新系统时，标注的训练数据永远无法获得，即使是在现有设施的情况下，一旦系统引入新部件或流程变化，任何历史数据都会失效。然而，Simio 用于自动收集和标注合成训练数据的内置功能可以解决这个问题。供应链流程数字孪生系统可以自行生成训练神经网络所需的所有数据，从而根据现场的当前状态准确预测生产前置时间。
Simio 内置的人工智能功能支持定义、训练和使用经典的前馈回归神经网络。不过，如下图所示，您并不局限于这种机器学习算法，因为您还可以在 Simio 中导入和使用来自 50 多个第三方（包括支持 ONNX 模型交换格式的谷歌和微软）的任何机器学习回归模型。您可以在第三方工具中构建和训练模型，然后将其导入到 Simio 中，在模型中进行复杂的决策制定。此外，还支持导出为 ONNX 文件格式。您还可以使用 Simio 模型生成合成标注训练数据，导出供第三方工具使用。
Simio 解决方案平台在多工厂排程方面的优势首先体现在其精确的产能模型、连续的时间跨度、基于人工智能的工厂采购优化以及快速执行以生成与整个供应链一致的可操作排程。但是，Simio 解决方案平台能够将其结构、模型逻辑以及由此产生的生产计划传达给每个需要了解的人，这才是它的最大优势。与传统的静态 MPS 输出相比，Simio 通过计划的交互式三维动画提供了更多的运营洞察力，允许用户预览计划的工作流程。随着计划进度的展开，详细的动画会显示零件、工人、材料处理设备和其他关键限制因素的移动情况。Simio 还在排程日志中记录了所有约束操作的详细事务数据，这些数据可用于查看、过滤和生成自定义报告和仪表盘，并可使用 Simio 门户在整个企业内共享。这些日志中的数据包括物料、资源、订单和物料处理设备的信息，以及受系统限制的订单所花费的非增值时间。这些信息不仅对判断进度计划的质量非常宝贵，而且还能通过提供进度计划延误的根本原因信息来改进进度计划。
支持多工厂排程的 Simio 解决方案平台的 DDMRP、人工智能和流程数字孪生技术已经发展并成为主流。 有关 Simio 解决方案平台的更多信息，请参阅本白皮书：Simio 对象与其他面向对象建模工具的区别。有关 Simio DDMRP 功能的更多信息，请参阅本白皮书：Simio 支持的需求驱动型物料需求计划。 用人工智能驱动的供应链数字双胞胎取代传统 MPS 的时机已到。