本案例研究探讨了麦肯锡公司利用 Simio 仿真技术为一家大型汽车制造商实施高级排产解决方案的情况。该客户在优化多条生产线的生产顺序方面面临巨大挑战，传统的排产方法无法有效搜索可能排产的巨大解决方案空间。麦肯锡开发了一个智能数字孪生系统，将 Simio 的仿真能力与定制的遗传算法优化技术相结合。在实施过程中，吞吐量提高了 13%，而无需额外的资本投资，这证明了基于仿真的优化技术在生产环境中的强大作用。本案例研究详细介绍了这一成功数字化转型举措的技术方法、实施挑战和可量化的业务成果。
随着工业 4.0 的到来，数字技术的快速发展改变了制造业的运营模式。在这一新模式中，数字孪生模拟已成为优化复杂生产环境的关键技术。全球管理咨询公司麦肯锡公司（McKinsey & Company）在实施智能数字孪生系统方面积累了丰富的专业经验，该系统结合了真实世界数据馈送、第一原理模拟、人工智能和数学优化。
麦肯锡为一家大型汽车制造商找到了通过先进的排产优化来显著提高产量的机会。该客户拥有三条平行生产线，生产具有复杂相互依存关系的多个 SKU。客户使用传统的先进先出（FIFO）排产方法，由于生产排序不够理想，导致效率严重低下。
"麦肯锡公司 QuantumBlack 产品经理 Benjamin Braverman 指出："数字孪生仿真正在通过实现实时监控、预测性维护和高级仿真来推动知情决策，从而彻底改变工业 4.0。麦肯锡公司 QuantumBlack 产品经理 Benjamin Braverman 指出："我们面临的挑战是开发一个系统，该系统可以在数百万个可能的生产序列中进行有效搜索，以确定最佳时间表，从而在不需要额外资本投资的情况下最大限度地提高产量。
这家汽车制造商面临着跨越三条平行生产线的复杂排产挑战。每条生产线都生产多个不同的 SKU，其中二号线和三号线相互依赖，使排产过程更加复杂。客户需要优化两小时的生产窗口，在此期间，三条生产线将处理约 65 个 SKU。
最根本的挑战在于搜索空间的巨大。由于各条生产线平均生产 32 种不同的 SKU，团队计算得出，从订单中随机连续的 65 种 SKU 可以产生约 10^59 种不同的可能计划。每次模拟运行大约需要一分钟，这意味着穷举式线性搜索大约需要 10^53 天--大约是宇宙寿命的一半。
生产计划优化解决方案需要
"麦肯锡公司量子黑高级数据科学家 Wim de Villiers 解释说："优化速度成为搜索空间的最大瓶颈。团队需要一种智能方法，既能有效探索广阔的解决方案空间，又不需要对所有可能性进行详尽的评估。
麦肯锡开发了一套综合解决方案，将 Simio 的制造仿真软件与先进的优化技术相结合。解决方案架构由三个关键部分组成：
数字孪生模拟是该解决方案的基础，由两个关键层组成：
"Braverman 指出："通过利用 Simio 等商业解决方案以及使用 Python 构建定制解决方案，我们已经为客户构建了数十个可扩展的数字双胞胎，预测准确率高达 99%。
第二个关键组件是优化层，它为智能数字孪生提供了 "智能"。在评估了贝叶斯优化、随机梯度下降、强化学习和遗传算法等多种优化技术后，团队选择了遗传算法优化作为应对这一挑战的最合适方法。
遗传算法优化方法有以下几个优点：
遗传算法的工作原理是
"开发人员解释说："这种方法允许我们进行并行探索，因为每前进一步，当我们获得一个新的群体时，该群体的所有成员都可以并行评估。
最后一个组件是集成层，它将模拟和优化组件与实时生产系统连接起来。这使得
技术架构利用 Simio Portal，该门户网站通过 REST API 托管 Simio 模型。团队开发了一个定制的 Simio Portal Python 客户端，允许遗传算法调用 Simio API、将计划写入数据库、触发模拟并检索结果。
实施过程需要仔细整合多个技术组件：
实施的设计是模块化和可互操作的，允许在不重构底层模拟的情况下交换不同的优化技术。这种方法使团队能够对不同方法进行基准测试，并针对具体挑战选择最有效的方法。
在所有生产线上的实施都取得了重大改进：
对于客户之前投入大量精力进行优化和平衡的 1 号生产线，该解决方案仍然实现了 0.35% 至 5% 的吞吐量改进。鉴于 1 号生产线的设计宗旨是无论 SKU 组合如何，都能保持良好的性能，这一点尤其令人印象深刻。
2 号线和 3 号线受到的优化关注较少，而且最近才开始生产新的 SKU，因此它们的改进幅度更大：
该解决方案展示了几项关键能力：
"开发人员指出："吞吐量的提升是通过一个完全黑盒的优化器实现的，结合客户已有的 Simio 模型，可以轻松扩展到其他生产线。
麦肯锡为一家钢铁制造商实施了类似的方法，该解决方案使每家工厂的产量损失降低了 1-2%，为每家工厂节省了约 3000 万美元。
遗传算法的实施是专门为生产调度优化而设计的。该方法受自然选择的启发，采用基于种群的方法：
事实证明，遗传算法优化方法对这一挑战特别有效，因为
与 Simio 的集成是通过 Simio Portal 实现的，它提供了与仿真模型交互的 REST API。工作流程遵循以下步骤
这种架构可以高效地并行评估多个计划，在运行时间限制内最大限度地增加可评估的候选计划数量。
麦肯锡利用 Simio 仿真技术实施的高级排程解决方案展示了数字孪生仿真在制造环境中的变革潜力。通过将复杂的仿真能力与智能优化技术相结合，该解决方案在无需额外资本投资的情况下显著提高了吞吐量。
模块化、可互操作的架构确保该解决方案可以轻松扩展到其他生产线和设施。与工艺无关的优化方法意味着相同的方法可应用于不同的生产工艺，而无需在优化器中编码特定的工艺知识。
未来的发展可能包括
正如本杰明-布拉夫曼（Benjamin Braverman）所指出的："我猜想，最大的赢家将是那些不仅将这些系统嵌入单个用例，而且将其贯穿整个价值链，并真正将其视为一种运营方式的企业。
本案例研究展示了基于仿真的优化如何改变生产运营，并通过提高效率和产量带来巨大的商业价值。通过利用 Simio 强大的仿真功能并将其与先进的优化技术相结合，麦肯锡创建了一个解决方案，使制造商能够实现新的卓越运营水平。