仿真历来应用于系统设计项目，其基本目标是评估替代方案，预测并改进系统的长期性能。在这种情况下，仿真已成为一种标准的商业工具，并有许多成功案例记录在案。除了这些传统的系统设计应用外，仿真还可以通过预测和改进系统的短期性能，在调度方面发挥强大的作用。在制造领域，数字化互联工厂是一个主要的新趋势，它提出了许多传统仿真工具无法满足的独特要求。Simio 在设计之初就将重点放在传统应用和高级调度上，其基本理念是一个 Simio 模型可以同时满足这两个目的。本文将重点介绍 Simio 仿真在工业 4.0 环境中的应用。
Simio 是一个基于智能对象的仿真建模框架。智能对象由建模人员创建，然后可在多个建模项目中重复使用。对象还可以存储在库中，便于共享。建模新手可能更喜欢使用库中的预建对象，但系统的设计使建模新手也能轻松创建自己的智能对象。Simio 对象可以是机器、机器人、飞机、顾客、医生、坦克、公共汽车、轮船或其他任何你在系统中可能遇到的东西。模型是由代表系统物理组件的对象组合而成的。Simio 模型看起来就像真实系统。
对象是使用面向对象的概念构建的。但与其他面向对象的仿真系统不同的是，建立对象的过程非常简单，而且完全是图形化的。使用 Simio 获得专利的对象架构，无需编写程序代码即可创建新对象。有关Simio的更多信息，请参阅Kelton、Sturrock和Smith，或Joines和Roberts，或Pegden和Sturrock的著作（Kelton、Smith和Sturrock 2018；Joines和Roberts 2015；Pegden和Sturrock 2013）。
Simio 旨在支持系统设计和调度方面的应用，其优势使其成为日益数字化的制造环境的理想选择。将仿真成功应用于排程所需的独特功能包括：用于访问企业数据的数据集成功能、详细的事务记录、基于云的详细排程结果部署以及基于变异性和不确定性的排程风险分析（基于风险的计划和排程或 RPS）。Simio 在设计之初就将这些功能纳入了其基于对象的架构中。
在接下来的章节中，我们将首先概述工业 4.0 带来的挑战，讨论其他排程方法，然后重点介绍 Simio 解决方案，以解决与工业 4.0 环境相关的独特问题。
第四次工业革命 "或工业 4.0 是指在制造业中实施数字化。作为一种自然趋势，它是技术不断改进的结果，使流程资源得以实现自动化和接口化。通过增加数据连接，它们能够对环境做出智能反应，测量和收集数据，以便做出决策，进而采取行动。
工业 4.0 所采用的技术包括物联网（IoT）、大数据分析和人工智能（AI）。云计算和系统集成使自主机器人和增材制造等组件进一步融合和合作，从而实现工业收益。
互联工厂或 "智能工厂 "利用这些第三平台技术，要求信息技术（IT）和运营技术（OT）、机器人技术、数据和流程的融合。有关工业 4.0 的更多信息，请参阅 Pegden 的著作《兑现承诺：基于仿真的排程将如何改变您的业务》（Pegden 2017）。
计划和调度这两个术语有时可以互换使用；但是，在制造业背景下，计划是定义要完成的工作的过程，而调度则是对这些任务进行排序、为每项任务选择开始和结束时间以及分配有限资源以完成计划工作的过程。调度过程将计划转化为逐步执行的任务序列，以实现某些指定目标，例如在指定的到期日之前完成每项工作。
最初的计划通常是根据每项工作的简单准备时间，采用后向排序法生成的。例如，如果某项工作必须在指定日期前完成，且计划提前期为三周，那么它必须在到期前至少三周开始执行。如果该工作有前置工作，它们都必须在该工作要求的开始日期前完成计划（基于其准备时间）。这种向后排序的过程一直持续到所有工作的规定开始时间确定为止。通常情况下，这种计划流程采用固定的计划期（如一周），将每项工作的开始时间分配到计划期的开始时间。计划流程还可以执行物料计划，以确保在每个计划期开始时都有所有必要的物料。这就是典型的 ERP/MRP/APS 系统的作用。
这种后向计划方法中使用的提前期由处理时间和排队时间两部分组成。估计的排队时间通常比处理时间要长得多，其目的是捕捉作业必须等待系统中有限资源的时间。实际上，队列时间是未知的，是高度动态的，取决于系统的当前状态。但在计划阶段，这一变量会被忽略，而使用单一的静态队列时间来生成粗略的主计划。
将计划转化为详细的工作计划，并充分考虑到系统的有限容量，这是一个复杂的问题，没有已知的精确解决方案，因此我们寻求的是一个好的解决方案，而不是最优解决方案。在某些情况下，排程阶段是通过电子表格或排程板手工完成的。不过，也有一些有限产能调度工具是根据系统的数学模型或仿真模型专门设计的。
在智能工厂中，分散的生产流程和数字供应链有可能实现系统和流程的自我优化，因此，除了重要的网络安全方面，工业 4.0 的另一个基石就是调度。
在现有的生产运营中，例如使用 SAP 系统中的 ILOG 或 PP/DS，排程是通过数学模型来实现的，然后使用混合整数线性规划、基于约束的规划（CBP）或启发式（如遗传算法）来 "求解 "方程组，从而找到可能的最佳解决方案。
虽然 CBP 可以解决相对较大和复杂的模型问题，但在生成详细计划时，这种方法有一定的局限性。在某些情况下，流程中的复杂性无法准确建模，或者必须明确将细节排除在模型之外，以避免对底层求解器造成过大负担。此外，成功应用这些系统还需要丰富的经验和知识。
在工业 4.0 应用中，会不断从流程的各个方面收集大量数据。这意味着可以实时应用先进的处理技术来分析、重新评估和重新优化确切的情况。由于所有流程资源都是连接在一起的，因此这些决策可以直接应用到生产现场，几乎可以立即做出反应，对流程进行相应的调整。需要一种简单、快速和灵活的替代方法，以便在流程运行期间实时生成这些即时计划。
这就是仿真模型比数学模型更有利的地方。在仿真模型中，我们可以按照我们所希望的任何详细程度来描述系统内的逻辑。在工业 4.0 中，所有在工作中心内部和工作中心之间进行的复杂物料处理（自动导引车、传送带、机器人或其他设备）都可以进行详细建模。由于我们是在模拟模型，而不是在 "求解 "模型，因此我们可以在模型中加入尽可能多的细节，而不会对执行时间产生重大影响。
当模型 "运行 "时，它通过模拟作业按时间顺序在系统中的实际移动，表现出真实系统的行为。与数学模型不同的是，仿真模型还允许我们将系统行为制成动画，并看到系统随时间推移的执行情况。这不仅有助于对系统进行验证和确认，还能让利益相关者相信计划的有效性。图 1 显示了一个制造设施运行动画的屏幕截图示例。
仿真模型生成的计划质量取决于模型中使用的排程逻辑。在仿真执行过程中，有两个关键的调度决策会反复做出。第一项是资源选择决策，当一项作业可以利用两个或多个备用资源中的任何一个时，就会做出这项决策。请注意，这可能是一种资源，如机器、手术室、劳动力或物料搬运设备。在这种情况下，必须决定将哪种资源分配给作业。在某些情况下，作业（例如代表一个生产批量）可能会被拆分并分配给多个资源。第二个关键决策是作业选择决策，即当某个资源闲置，且有多个作业等待该资源处理时，在模拟中做出的决策。这里要做出的决定是下一个要处理的作业。这两个关键决策都是由特定模型的调度规则做出的。
资源选择规则和作业选择规则与仿真模型逻辑共同作用，生成调度计划。这些规则可以是非常简单的规则，如最小化依赖于序列的设置，也可以是更复杂的混合规则，将用于吞吐量优化的约束理论与针对到期日的按订单生产策略结合在一起。基于仿真的排程的一个重要优势是能够轻松地针对独特的排程情况纳入定制规则。
需要注意的是，数学模型和仿真模型的目标都不是提供最优排产计划（这是不可能的，因为排产问题是 NP-Hard），而是提供一个良好可行的排产计划，并遵守系统中的产能约束。在数学模型中，我们先建立一组方程，然后使用启发式找到一个 "好的 "可行计划。在仿真模型中，我们使用模型中的启发式决策规则来生成 "好的 "计划。Simio 提供了多种方法，让调度员对系统或计划表进行调整，了解这些变化对计划的影响，从而改进最初的建议。
在日程安排中，我们必须始终使用确定的任务时间，忽略计划外随机事件的可能性，否则就不可能生成详细的日程安排。经验丰富的调度员都知道，调度工具在计划期开始时生成的乐观计划，到计划期结束时往往无法实现。最初看起来可行的计划随着时间的推移会变得不可行，因为变化会降低性能。有时，任务需要的时间会比预期的长，工人会请假，原材料会晚到，机器会损坏，等等，所有这些都会降低原计划的可行性。原计划代表了 "幸福之路"，但在实践中却很少实现，导致承诺过高和交付不足。然而，仿真建模人员非常熟悉变化在决定系统性能方面所起的重要作用，我们不会考虑将变化排除在仿真设计模型之外；我们知道，这会导致对系统性能的乐观和不切实际的预测。
尽管仿真创建的进度表使用的是所有供应分布的预期值，因此具有确定性，但 Simio 利用变化知识将仿真创建的进度表提升到了一个新的水平。通过提供模型分布变化的透明度，用户能够分析更改模型规则、实体属性（如优先级）等对计划的影响，并有可能改进最初的建议。
Simio 利用内置于仿真模型中的变化来获取与特定确定性计划相关的风险，从而明确解决确定性计划的乐观预测问题。这种专利方法被称为基于风险的计划和排程（RPS）。RPS 用于生成在不确定情况下最大限度降低风险和成本的计划。RPS 通过风险度量来增强确定性计划，使决策者能够适当考虑系统中的潜在变化和不确定性。
RPS 使用 Simio 仿真模型来全面捕捉系统中的详细限制和变化。仿真模型可包括工业 4.0 环境中涉及的复杂加工和材料处理约束，如烤箱、叉车、传送带、移动操作员等，以及复杂的工作团队和自主机器人。
然后，RPS 通过两种方式使用该模型。第一种是生成详细的计划。在这种情况下，Simio 会以纯粹的确定性模式自动执行该模型；机器不会损坏，流程时间始终保持不变，材料准时到达等。请注意，在排程中使用设计模型时，无需移除变异和计划外事件，因为 Simio 会自动为您完成这些工作。这是所有排程系统假定的确定性（乐观）视图。生成计划后，RPS 会复制相同的仿真模型，并自动将变化添加回系统中，然后执行概率分析，以估算与计划相关的潜在风险。RPS 生成的风险度量包括达到用户定义目标的概率，以及预期、悲观和乐观的进度表现。图 2 显示了一个示例表，其中包括按时和按预算完成概率的风险度量，并按风险等级进行了颜色编码；灰色代表低风险，黄色代表中风险，红色代表高风险。
RPS 提供了与特定进度相关的内在风险的前期可见性，为在运营计划中采取早期行动以降低风险和成本提供了必要的信息。RPS 提供了对预期进度表现的现实看法。可以比较具体的替代方案，如加班或加快供应商提供外部材料/部件的速度，比较这些方案对实现进度目标的风险和降低这些风险的成本的影响，从而以最低的成本提供令客户满意的运营策略。
一旦建立了 RPS 模型，就可以使用 Simio 调度版进行部署。该版本的 Simio 具有可定制的界面，专门设计用于日常的 RPS 应用；所有与模型构建相关的功能都被移除，以便将界面重点放在与使用模型进行运营规划和调度相关的活动上。
Simio 使用模型进行运营规划和调度的速度和灵活性满足了智能工厂不断重新评估情况、预测结果和调整以获得最佳结果的要求。Simio 运营的另一个优势是我们出色的结果呈现，以甘特图和定制仪表盘的形式，清晰直观地呈现了整个工厂实时系统状态的计划和模型，以及价值更高的上下文信息。图 3 显示了 Simio 排程版中显示的带有风险度量的甘特图。这是查看所生成的日程表的多种可能方式之一。
虽然从理论上讲，任何通用仿真语言都可用作工业 4.0 中有限产能调度程序的基础，但这一应用领域有许多独特的特点，需要一些特殊的建模功能，而这些功能是专注于设计应用的仿真工具所不具备的。Simio 从一开始就内置了这些功能，包括以下内容：
Simio 的调度功能可用于多个应用领域。虽然在制造业中的调度应用显而易见，但 Simio 调度在运输/物流和医疗保健等领域也有重要应用。
英国宇航系统公司（BAE Systems）就是 Simio 调度应用于制造业的一个例子。作为国防承包商，他们需要可靠地规划和预测生产资源，以便在预算范围内按时满足军方需求。合同经理们寻求更有效的生产资源风险缓解方法。他们需要准确及时的材料、劳动力和设备关键风险指标（KRI）。BAE 系统公司（BAE）使用了 Simio 的企业版软件，其中包括基于风险的计划和排程（RPS）功能。该功能将传统的计划和排程功能与用于风险分析的随机建模集成在一起。Simio 的调度软件为计划人员和调度人员提供了一个定制界面，用于生成计划、执行风险和成本分析、调查潜在的改进措施，以及在三维动画中查看这些参数。通过甘特图可以轻松查看流程的时间安排，并探索设备或员工的变化对时间安排的影响。
每当系统停机时间、员工可用性或其他因素发生变化时，Simio 用户（如 BAE）都可以运行模拟，从而实现 "把握脉搏 "的意识，以便快速调整并做出明智决策。具有调度功能的 Simio 企业版软件帮助 BAE 系统公司在截止日期前完成生产。BAE 现在使用 Simio 来应对各种预测和排程挑战，包括减少加班、制定培训目标、准备提案和评估资本投资。
Simio 还被应用于运行施耐德电气 Wonderware MES 的制造环境中。Wonderware MES 可实时跟踪在制品和已完工制品，为操作员提供系统当前和过去状态的可视性，可用于工业 4.0 应用。Simio 的调度软件会根据设备的计划工作来预测当前状态。通过直接与 Wonderware 集成，操作员可以了解过去、现在和未来的状态，并在计划因意外问题而不再可行时，查看计划进度和可行的替代方案。Simio 解决方案还能及时提供有关生产、废品和其他状态数据的管理反馈，为未来工厂采取适当、及时的补救措施提供支持。
工业 4.0 的兴起加快了对拥有昂贵和竞争资源的复杂系统的日常调度进行仿真的需求。这使得仿真的价值超越了其改进系统设计的传统作用，进入了提供更快、更高效的流程管理和提高绩效生产力的领域。有了 Simio，为评估和生成系统设计而建立的相同模型可以继续使用，成为在工业 4.0 环境中调度日常运营的重要业务工具。
DEVDATTA DEO 是 Simio LLC 的应用工程师。他提供技术支持、产品测试和咨询服务。他拥有罗切斯特理工学院工业与系统工程硕士学位。Devdatta 拥有电气元件制造业的工作背景，曾为制药、食品加工、运输和炼油/石油加工等行业的仿真项目提供支持。他的电子邮件地址是ddeo@simio.com。
ALEX D. MOLNAR 是 Simio LLC 应用工程师。他毕业于俄亥俄大学工程和教育专业，有机会加强了许多技术和人际交往技能。亚历克斯利用自己的独特技能，为 Simio 合作伙伴和直接客户提供技术支持和教育。此外，他还协助其他与产品相关的工作，如测试、客户之声和概念开发。亚历克斯还为公司的内部项目和战略做出贡献。亚历克斯的电子邮件地址是amolnar@simio.com。有关公司的其他信息，请访问www.simio.com。
Joines, J. A., S. D. Roberts.2015.Simio 仿真建模：工作手册》。4th ed.匹兹堡：Simio LLC
Kelton, W. D., J. S. Smith, and D. T. Sturrock.2018.Simio and Simulation：建模、分析、应用》。第 5 版。匹兹堡：Simio LLC
Pegden, C. D., D. T. Sturrock.2013.Rapid Modeling Solutions：仿真与 Simio 简介》。匹兹堡：Simio LLC
Pegden, C. D. 2017.兑现承诺：基于仿真的排程如何改变您的业务》。匹兹堡：Simio LLC
Sturrock, D. T. 2011.成功模拟》，持续博客和讨论。https://www.simio.com/blog/about-this-blog/.