当一家新西兰金属加工公司需要将其专利产品的产量从 600 台扩大到 26,000 台时，他们面临着一个关键的战略决策。他们能否在保持陆上生产和降低单位成本的同时，实现这一巨大的规模扩张？他们与 LMAC 集团合作，利用 Simio 仿真软件开发了一种数据驱动型方法，而不是根据假设做出资本投资决策。
本案例研究探讨了 LMAC 集团如何利用仿真技术对整个生产流程进行建模、识别限制因素、测试优化方案，以及设计能够实现宏伟生产目标的未来工厂。该项目展示了仿真技术如何通过在实际实施前提供具体数据来改变制造决策，最终降低风险并优化资本投资。
LMAC 集团成立于 2005 年，是一家由新西兰所有并运营的生产力咨询公司。LMAC 的顾问遍布新西兰、澳大利亚、亚太地区和欧洲，专门帮助企业通过战略性运营改进实现高绩效。他们的方法整合了精益方法、流程优化和技术实施，以推动组织和行业层面的转型。
"我们为自己的独立性感到自豪，"领导这个项目的 LMAC 代表 Adam 解释说。"我们的工作是帮助企业了解他们的战略、为实现该战略而需要经历的转型，然后根据他们应该进入哪些软件、哪些自动化或哪些市场，提供独立的建议"。
本案例中的客户是一家总部位于新西兰的金属制造公司，专门从事金属产品的工程设计、制造和生产。他们开发了一种专有产品，并利用现有设施、设备和劳动力成功完成了 600 件产品的试生产。该产品已被市场证明是成功的，因此急需大幅扩大生产规模以满足需求。
这家金属制造公司面临着复杂的扩大规模挑战，有多重限制和目标：
生产流程涉及多个步骤：用激光将金属板切割成部件、折叠、组装和精加工。现有的设备足以满足试运行的需要，但显然需要进行改造才能实现大幅扩展的目标。
"亚当解释说："他们现在面临的挑战是如何扩大生产规模。"试验本身非常成功。但是为了达到他们所需要的规模，他们实际上必须考虑建立一个新的工厂，或者至少以某种方式优化他们目前的工厂。
LMAC 集团与 Simio 合作开发了一种全面的仿真方法来回答这些关键问题。该项目采用了结构化方法：
团队首先使用设计软件绘制整个生产流程图，记录生产流程中的每个步骤。他们收集了以下方面的详细数据
这些数据为建立精确的模拟模型奠定了基础。
LMAC 与 Simio 合作开发了一个详细的仿真模型，代表了从原材料到成品的整个生产流程。该模型包括
材料流建模：模拟跟踪金属板材从初始存储到切割操作（将较大的板材切割成多个较小的组件），再到组件存储，经过各种加工站（折叠、成型等），最后到组装和成品存储。
工人行为建模：该模型最复杂的方面之一是准确地表现工人的行为，包括
"参与该项目的 Simio 解决方案工程师 Chiara 解释说："在对工人本身进行建模时，这个特定模型面临的最大障碍是，我们如何正确地确定在机器上抓取和从货架上拣选的优先级。
存储机架建模：团队开发了复杂的流程逻辑，以模拟整个工厂内部件从货架上的存储和检索：
机器处理：该模型准确反映了每台机器的能力，包括
基线模型建立后，团队设计了实验来测试各种优化方案：
工人分配策略：测试不同的工人分配和任务优先级排序方法，以优化资源利用率。
轮班模式修改：在不增加设备的情况下，评估实施多班制对提高产量的影响。
设备改造：评估为受限制的特定机器增加产能的潜在影响。
存储能力调整：测试增加关键点的存储能力是否会改善整体流量。
每种方案都根据吞吐量（完成单位）、机器利用率、工人利用率以及生产瓶颈的识别情况进行评估。
模拟项目的实施涉及几个关键阶段和技术挑战：
团队采用迭代、分层的方法来构建仿真模型：
"Chiara 解释说："我们刚开始建模时，最重要的是将模型分解成易于管理的子项目。"我们必须从整体流程的外观入手。一开始并不太关注工人的分配，而是从正确建模流程和存储区域开始。
"我们需要使用流程逻辑来添加某种决策制定，以便能够修改他们的行为，并说，好的，根据你的搭乘能力，也就是最大数量，我想让你什么时候去挑选产品？我想让你在有 25 件产品时挑选吗？我想让你在所有 50 件都有货时再去？还是我只想让你一次挑选一件？琪亚拉如是说。
团队在实施过程中遇到并克服了多项技术挑战：
存储机架建模：起初，团队使用服务器对存储区域进行建模，但事实证明这种方法具有局限性。他们转而使用带有自定义流程逻辑的机架，以便在需要时中断保持和释放产品。
"我们随后过渡到使用机架。但我们如何才能在特定时间只中断特定产品的保留呢？Chiara 解释说："为此，我们使用了 SIM 位的支持，以了解我们希望用来中断保温的基本流程逻辑是什么。
工人优先级：开发逻辑以确保工人优先处理最关键的任务，而不是陷入低效模式。
"我们需要考虑到所有这些因素。这个特定模型的最大障碍是，在对工人本身进行建模时，我们要了解如何正确地确定在机器上抓取和从货架上拣选的优先级。基娅拉指出。
批量移动建模：创建灵活的逻辑，以表示工人根据产品特性分批移动不同大小的物料。
团队将模型的输出结果与 600 台试运行的已知生产结果进行了比较，从而对模型进行了验证。这确保了模拟在用于预测未来情况之前，准确地代表了当前的生产系统。
模拟项目提供了一些有价值的见解和业务影响：
基线模拟证实，当前的工厂配置无法在规定时间内实现 26,000 件的目标产量。这验证了需要对流程进行重大优化或对新设备进行资本投资。
该模型确定了生产过程中的具体制约因素：
工人分配效率低下：模拟显示，工人有时在某些区域利用不足，而在另一些区域却造成瓶颈。通过可视化工人的流动和利用情况，团队发现了改进任务分配的机会。
机器能力限制：该模型突出显示了限制总体吞吐量的特定机器，为潜在的产能提升提供了明确的目标。
"显示机器利用率等信息的仪表盘在这方面非常强大，因为我们能够显示我们一天或一周能生产这么多。但是，我们要看看机器在哪些地方缺料，在哪些地方出现了停机，"Adam 解释说。
存储容量限制：模拟确定了流程中存储容量不足造成瓶颈的点。
情景测试发现了几个优化机会：
轮班模式的影响：实施两班制作业大大提高了产量，且无需资本投资。
改善工人分配：修改工人分配规则改善了流程，减少了等待时间，提高了整体效率。
批量大小优化：调整物料运输的批量大小，优化了整个工厂的工人流动。
也许最重要的是，模拟为资本投资决策提供了数据驱动基础：
投资回报率计算：通过在实施前模拟新设备或设施改造的影响，公司可以更准确地计算预期投资回报率。
降低风险：测试多种方案的能力实际上降低了与重大资本投资相关的风险。
分阶段实施规划：模拟有助于确定哪些改进会产生最大的影响，从而确定分阶段实施的优先次序。
LMAC 集团与 Simio 的合作成功提供了全面的仿真解决方案，回答了金属制造公司关于扩大生产规模的关键问题。该方法展示了仿真技术如何缩小当前能力与未来需求之间的差距，降低风险并优化投资决策。
"亚当总结道："我们在这里开发的很多逻辑，包括工人、机架、第一台服务器，因为第一台服务器只需输入一个工件，就能生产出多个工件......这确实为我们提供了一个基础，使我们能够将其应用于其他客户，因为我们在这里讨论的很多挑战在制造业中都很常见。
项目的下一阶段将包括为拟议中的未来状态工厂开发一个详细的三维模型，其中包括物料流、劳动力流动和设备布局。通过该模型，可以精确计算资本投资的投资回报率，并为实施规划提供支持。
本案例研究中展示的方法对面临类似规模挑战的制造企业具有广泛的适用性，特别是那些寻求在全球竞争的同时保持国内生产的企业。关键的可转让要素包括
随着全球制造企业在优化运营、降低成本和快速响应市场需求方面面临越来越大的压力，类似 LMAC 集团和 Simio 所展示的模拟方法将成为战略决策和卓越运营方面越来越有价值的工具。