挑战
执行摘要
Dijitalis Consulting 是一家领先的模拟和优化公司，其任务是为一家全球电子产品制造商优化自动导引车 (AGV) 投资。该客户计划对工厂进行重大升级，包括更换由 132 辆车组成的过时 AGV 车队，这些车辆经常造成生产延误。利用 Simio 强大的模拟功能，Dijitalis 创建了 72,000 平方米工厂的综合数字孪生制造模型，包括 15 条装配线、6 个 AGV 停放区和 169 个交付点。
模拟结果显示，只需要 95 台 AGV，比最初建议的数量少 37 台，从而节省了超过 150 万美元的资本支出。除了降低成本外，Simio 模型还成为了一种宝贵的持续改进工具，使客户能够在实施前对布局修改、流程变更和生产计划进行测试。本案例研究展示了基于模拟的决策如何在确保卓越运营的同时带来可观的投资回报。
客户背景
Dijitalis Consulting 公司于 2006 年在伊斯坦布尔成立，目前已为 15 个国家的 400 多家客户成功交付了 250 多个项目。该公司擅长建立数学模型，为汽车、制造、物流和纺织行业的客户分析物料流、识别低效率并测试设备改进情况。
该客户是一家全球性电子产品制造商，其生产设施占地 34,000 平方米，拥有 15 条装配线。他们现有的 132 辆 AGV 车辆已经过时，经常因卡在路径网络中而导致生产延误，无法按时交付物料。该公司正在进行重大投资，包括自动化仓库、新喷漆车间、提高产能和新的 AGV 车队。
挑战：超越简单的车队规模选择
客户在 AGV 投资方面面临着复杂的决策。虽然首要问题是购买多少台 AGV，但挑战远远超出了简单的车队规模：
供应商的不确定性
AGV 制造商的目标通常是销售尽可能多的车辆，而不会进行详细分析以确定最佳数量。他们很少开发复杂的模型来证明自己的建议，而是让客户根据粗略估计或过去的经验做出决定。
操作复杂性
该工厂的物料处理系统非常复杂：
- 15 条生产计划各不相同的装配线
- 6 个 AGV 停放点，服务于 169 个交付点
- 27 个物料组中有数千种不同的 SKU
- 更换频繁，需要精确的物料交付时间
多个相互关联的问题
客户需要回答许多相互关联的问题：
- 采用新的 AGV 系统后，生产计划是否可行？
- 生产过程中是否会出现缺货？
- 何时应该进行转换？
- 应该如何设计供应流程？
- 何时开始为新订单供应物料？
- 需要多少个 AGV 上料站？
- 路径网络中是否会出现死锁？
- 哪些区域会出现交通高度拥堵？
传统的电子表格计算无法考虑这些因素之间的动态互动，因此模拟成为全面优化的唯一可行方法。
解决方案
解决方案：使用 Simio 进行数据驱动的仿真建模
Dijitalis 采用 Simio 仿真软件的结构化方法，为工厂的物料处理操作创建了一个全面的数字孪生模型：
数据收集与验证
团队收集并验证了大量数据，包括
- 来自 AutoCAD 图纸的设施布局和尺寸
- 所有产品的材料清单
- 仓库和物料存储位置
- AGV 规格和停车站
- 生产计划和转换
供应流程设计
经过仔细分析，团队设计了一个推式供应系统，而不是拉式系统。这一决定基于以下几个因素：
实施的实用性：拉动式系统需要计算数千种不同 SKU 的最佳再订购点和数量，因此实施和管理都不切实际。
操作简单：推式系统只需要一个参数--在转换前多少分钟开始为下一个产品供应物料。
存储可用性：装配线有足够的存储空间来适应推送系统的方法。
该流程使用生产计划数据、托盘信息和物料清单来计算剩余生产时间，并在转换前的适当时刻触发下一个产品的物料供应。
在 Simio 中开发仿真模型
Simio 仿真软件的面向对象结构和数据驱动功能有助于创建精确、灵活的模型：
数据驱动方法
模型利用 Simio 的数据表功能进行导入和管理：
- 带有坐标和时间表的生产线定义
- 带有订单顺序和批量大小的生产计划
- 带有精确坐标的 AGV 停放区域
- 从 AutoCAD 中提取的存储点位置
- 435 种不同路径的物料路径信息
- 387 种不同 SKU 的物料清单
高效创建模型
Simio 的功能包括
- 在精确坐标上自动创建 169 个供应目的地对象
- 定义可全局修改的自定义库对象
- 通过关系数据库结构整合生产数据
- 使用材料元素定义材料清单，无需创建数千个单独实体
可视化和分析
该模型具有强大的可视化功能：
- 设施和 AGV 运动的 3D 呈现
- 实时监控 AGV 利用率和位置
- 显示流量密度和等待时间的热图
- 详细跟踪物料流和库存水平
模型验证和改进
仿真揭示了几个可能导致运行问题的设计问题：
防止死锁
最初的设计包括在高流量区域设置双向单车道。模拟结果表明，这将导致死锁，因为来自相反方向的 AGV 会相互阻塞。团队建议改用相反方向的单向路径，以消除死锁风险。
交通优化
模拟生成的热图确定了
- 交通流量大的区域
- AGV 等待时间最长的地点
- 造成拥堵的交汇点
通过这些洞察，对布局进行了修改，从而改善了交通流量，避免了瓶颈。
场景测试和优化
利用 Simio 的实验模块，团队进行了 35 种情景测试，对以下不同组合进行了测试：
- 每个停车区域的 AGV 数量
- 每个区域的装载站数量
- 订单释放时间触发器（转换前几分钟）
主要关键绩效指标是生产延迟，目标是零分钟。次要关键绩效指标包括 AGV 利用率和停车区内作为维护或故障缓冲区的 AGV 数量。
业务影响
成果：节省 150 万美元，实现卓越运营
基于模拟的优化带来了可观的收益：
减少资本支出
最佳方案只需要 95 台 AGV，而不是最初建议的 132 台，这意味着车队规模减少了 28%。由于 AGV 的平均成本为 50,000 美元，因此节省的资本支出超过了 150 万美元。
优化资源配置
模拟确定了
- 每个停车区所需 AGV 的精确数量
- 每个区域所需的最佳装载站数量
- 转换前 16 分钟的订单释放时间已足够
平衡利用率
优化方案实现了 65-66% 的 AGV 平均利用率，在资源可用性和运营要求之间实现了有效平衡。模拟显示了全天的利用率模式，在上午的转换和下午的批量生产期间达到高峰。
零生产延误
最重要的是，优化配置确保了零因物料交付问题而造成的生产延误，在保持生产效率的同时最大限度地减少了资本投资。
超越初始优化：持续改进工具
Simio 模型的价值远远超出了最初的 AGV 机队规模：
持续决策支持
仿真模型成为持续改进的工具，用于
- 测试布局修改
- 评估流程变更
- 验证生产计划
- 评估推出新产品的影响
综合设施管理
单一模拟项目提供了多种工具：
- 资本支出和运营支出成本优化
- 路径网络僵局预防
- 供应管理优化
- 为新投资提供决策支持
- 基于参数的资源优化
面向未来的运营
随着客户产品组合和生产要求的不断变化，Simio 模型通过以下方式持续提供价值：
- 测试新生产计划的可行性
- 评估产品变化对物料流的影响
- 在潜在瓶颈出现之前加以识别
- 支持数据驱动决策
结论：模拟决策的力量
本案例研究展示了基于仿真的决策制定对资本投资规划和运营优化的变革性影响。通过用数据驱动分析取代粗略估算和供应商建议，Dijitalis 帮助客户
- 节省超过 150 万美元不必要的 AGV 采购费用
- 确保生产效率，实现零物料交付延迟
- 防止潜在的瓶颈和运营问题
- 为持续改进和决策支持创造有价值的资产
该项目展示了 Simio 强大的仿真能力如何在提供传统分析方法无法获得的洞察力的同时，实现可观的投资回报率。对于面临复杂物料处理挑战的制造和物流业务而言，仿真为优化投资和提高运营绩效提供了一种行之有效的方法。