2022 Simio Sync：实际应用

在自体细胞疗法制造领域，患者的自体细胞被用于治疗疾病，很少有条件是一成不变的。制造过程具有独特的复杂性、时效性和不断变化性。在本演讲中，我们将展示如何在 CAR-T 生产现场使用 Simio 快速理解可变和不确定的输入，同时逐层建立准确和可预测的模型。我们在 Simio 中结合使用了仪表盘报告和甘特图视图来自动可视化和验证模型的行为，使我们能够高效地对输入进行实验。

估算表征实验室的容量是一项挑战，尤其是当人们拥有多种技能和多种应用的测试装置时，更不用说还有不同加工配方的动态需求组合。我们使用 excel 表和小定律进行典型的静态容量计算。当企业询问我们是否能满足潜在方案的需求时，问题就出现了。excel 模型无法满足预期，因为我们无法在不依赖历史数据的情况下确定资源将如何相互作用。此时，我们决定对 Simio 建模软件进行评估。在 Simio 软件和编程协助服务的帮助下，我们构建了一个模型，模拟特性实验室在遇到不同情况时会如何应对。经过几个月的合作，我们建立了技术人员、设置和需求之间的互动模型，为回答管理层的问题提供了一个模型。

为采矿等重工业中的可移动资产（运输卡车、装载机、铲车等）开发仿真模型既复杂又耗时。它依赖于多个系统和数据源，并与整体运营相互影响。

车队管理系统监控并记录可移动资产的运行数据。然而，这些数据是实时收集的，但只能事后查看，导致操作被动。对收集到的数据进行分析，可以就利用率、可用性、闲置时间等提供有价值的见解，但缺乏实时响应能力。因此，在调度、计划、目标遵守和整体系统性能方面，它都存在不足。

通过将数据驱动的仿真技术与车队管理系统相集成，仿真模型将成为一种预测分析工具，将历史数据和实时数据融为一体。集成解决方案可支持性能优化、提供准确的计划和调度、跟踪目标遵守情况、支持前瞻性资产管理并改善成本管理。

利用专有的数据驱动建模方法，仿真模型使用车队管理数据自动建立仿真模型，包括运输网络。这种方法可以应用标准化的方法，减少构建此类模型所需的时间和成本。复杂的模型逻辑被我们的专有方法所取代，该方法完全由使用 Simio® 仿真软件的运营数据驱动。

本次会议将展示这种技术如何使行业距离受益于数字孪生更近一步。

NATRIUM 示范工厂将于 2020 年代末在怀俄明州建成。为了使反应堆能够正常运行，需要进行中途换料，以交换燃料组件。Natrium SIMIO 换料过程的目的是模拟换料过程中的燃料组件。该模拟用于了解换料中断要求和影响变量。

许多制造商的业务都有两个相互竞争的主要目标。第一是在更短的时间内尽可能多地生产，从而最大限度地提高系统产能。第二个目标是提高服务水平，即缩短交货时间。这两个目标都需要相互矛盾的生产管理技术。最大化系统容量意味着减少转换和设置时间，这就忽略了交货日期的重要性，而交货日期对于维持服务水平协议非常重要。本讲座将讨论如何利用 Simio 内置的调度逻辑实施这些生产管理技术，并通过源对象的到达逻辑将其与订单选择相结合。

洛克希德-马丁航空技术公司的大部分工作都涉及大型部件的组装，这些部件需要在单个制造区域内花费数百或数千个工时进行组装。在部件装配期间，建造区可能会发生许多变化，例如每天的班次变化、每月的人力变化、人员工作分配、部件短缺、质量保证检查以及由此产生的返工或差旅工作等等。为了准确预测航空公司履行合同交付承诺的能力，需要在用于评估交付信心的 Simio 模型中考虑这些复杂因素。本讲座将概述洛克希德马丁航空公司为更准确地模拟这些复杂行为而使用的许多建模方法和技术。

这项工作的总体目标是扩大仿真分析的使用范围，改善对内部客户的决策支持。为了支持这一目标，我们探索使用一个由网络接口、数据库和 Simio API 组成的系统，结合数据生成的模型来模拟生产设施中新型设备的使用情况。该系统远程运行一个通用的 Simio 模型，该模型由一组数据表驱动，这些数据表定义了工厂的关键资源、位置和工作量。任何可以访问内部网络的团队成员都可以使用界面提示来定义他们的系统，并运行一个预建实验，以帮助评估投资新设备是否能在他们的工厂获得足够的投资回报。本报告将介绍一些方法和工作过程中的经验教训。

随着餐饮服务业的不断发展，餐厅正试图跟上因店外和得来速业务的涌入而产生的变化速度。在得来速系统中，管理 "干扰因素 "以尽量减少窗口和点餐板的延误已变得越来越普遍，因为客户的订单越来越复杂，他们对等待的容忍度也越来越低。优化吞吐量和服务速度已成为许多理念的重点，其中包括通过 "停车程序 "处理 "例外情况 "或 "干扰因素"。计算机模拟是一种有价值的、可衡量的方法，可用于确定机会领域，并迅速扭转解决方案的影响。利用 Simio，Profititality Labor Guru 创建了餐饮服务概念模型，用于测试和确定最佳设计，包括设备布局、劳动力部署和装配程序，还包括用于模拟停车程序的独特决策逻辑。该模型在流程中使用决策树和搜索来确定测试方案的变化结果。我们将讨论该模型的核心逻辑是如何创建的，如订单路由和流程逻辑，用于在模型运行时根据可变因素重新路由订单，并收集所有餐厅都应跟踪的独特数据点，以优化其得来速业务。

确定模拟现实世界流程的最佳建模方法往往很棘手--最明显的方法不一定是唯一的选择，也不一定是最有效的。一个常见的错误是被建模的材料（例如离散实体）所迷惑，从而认为离散仿真模型是唯一的选择。

为了说明这一概念，我们使用三种不同的方法构建了一个简单的装瓶厂模拟模型，每种方法的详细程度各不相同。第一种方法使用离散模型将每个瓶子表示为一个独特的实体，而第二种方法则将瓶子体积的移动近似为连续流。还可以更进一步，通过使用 Simio 的标记功能和流程，从模型中移除所有实体，从而在模型中不存在任何实体的情况下控制瓶子的情况。

这三种仿真方法在准确性、运行速度和所需开发时间等方面的结果进行了比较。每种方法都能提供不同程度的洞察力，成功确定哪种方法足以满足您的目的，可以节省大量的开发时间。

Optimax 制造航空航天、国防和消费电子领域最新突破性技术背后的光学器件。Optimax 开发了高度工程化的工艺以及卓越的制造和镀膜能力，用于太空应用、高功率定向能系统和半导体行业的先进光学器件。Simio 被用于设计一种与零件无关的工艺，可将生产时间缩短约 600%。离散随机工作流程和表格设计结构是 Optimax 决定使用 Simio 而不是大多数竞争对手的原因。仿真是针对零件不可知性而开发的，流程方程的设计允许多种零件规格和机器配置。利用 Simio 中嵌入的表格结构及其实验功能，Optimax 能够测试多种不同的工艺结构和零件流，从而实现稳健的动态设备设计。

丹佛斯的工程技术使未来世界能够以更少的投入实现更多的产出。我们满足人们对基础设施、食品供应、能源效率和气候友好型解决方案日益增长的需求。在丹佛斯电力解决方案公司，我们在许多领域都使用 Simio。我们在评估现有装配线、喷漆线和收货部门的性能时都使用了仿真技术。在当今环境下，不确定性和波动性对企业造成了影响，因此经常需要对全球经济变化做出快速反应。Simio 帮助我们对这些变化做出快速反应。近年来，我们利用 Simio 就会对质量、交付和安全产生重大影响的扩建项目做出决策。我们将分享其中的一些例子，以及 Simio 的一些功能（如数据表和附加流程）如何帮助我们开发出非常接近现实的仿真模型。我们还将分享在开发小型和大型仿真模型过程中遇到的一些挑战和汲取的经验教训。

碳捕集与封存（CCS）是指捕集通常来自大型点源的废弃二氧化碳（CO2），将其运输到封存地点，并将其封存在不会进入大气的地方（通常是地下地质构造）。由于二氧化碳捕集与封存（CCS）供应链的投资和运营成本较高，这项技术尚未被广泛采用，但随着排放权的价格越来越高，这种情况必将改变。管道与液化二氧化碳的海运相结合，被认为是一种有效的二氧化碳捕获与封存解决方案，既灵活又能经济地将大量二氧化碳运送到封存地点。准确预测网络成本对供应链的最佳设计决策至关重要。考虑到网络的互动性、可变性、储存要求和运营政策，模拟是一项伟大的技术，可准确预测各种设计方案的供应链成本范围。

Seegrid 与 Simio 合作开发了一个灵活的仿真模板，支持其解决方案设计团队的协作使用。

Covid-19 让整个世界措手不及。没有哪个行业可以说自己没有受到 COVID 的影响；每个行业都受到了不同程度的影响。为了在危机中生存下来，公司必须迅速响应世界卫生组织的建议和消费者的期望。航空公司也不例外！首先，航空公司必须缩小运营规模，以便在旅行需求几乎消失的那几个月里最大限度地减少现金消耗；然后，当旅行需求重新开始时，航空公司又面临着重新调整运营规模的挑战，以便做好准备应对那些重新回来并重拾旅行信心的客人。受到严重影响的一个领域是值机领域，因为每个国家在接受公众入境时都有不同的法律和要求；此外，由于这些要求每天都在变化，而且没有人有应对这种情况的基准，因此，这种情况下的人员安排就成了一个问题，影响了旅客办理登机手续的时间。在这次演讲中，我将向大家介绍旅客面临的问题、我们航空公司在努力为旅客解决这一问题时所面临的挑战，以及我们如何使用模拟模型来帮助我们确定在最繁忙机场的大厅为旅客提供服务的理想人数。

建立和驱动仿真模型通常需要大量数据。高效、适当地使用这些数据对模型的成功至关重要。项目开始时，使用数据生成或数据驱动方法的路径可能并不清晰。不过，现在改用以数据为导向的策略还为时不晚。Simio 具备的功能可以最大限度地减少重复工作，缓解这种过渡。本讲座将介绍如何将现有模型的建模方法从传统方法转变为数据驱动和数据生成的一些技巧和窍门。将通过建立和引用数据表和表关系、利用自定义对象和快捷操作来增强制造示例模型。这样，模型的数据组织就很有逻辑性，并可通过数据轻松扩展。

Simio 的神经网络功能为人工智能领域带来了许多新机遇，包括使用离散事件模拟 (DES) 为神经网络或其他机器学习算法生成合成训练数据。许多机器学习算法需要大量的训练数据，而 DES 可以提供这些数据。此外，还可以调整 DES 模型的输入参数，以提供平衡的训练数据，从而创建稳健的机器学习模型。除了合成训练数据，DES 模型还可用于在生产部署前评估机器学习模型。在本讲座中，Simio 将用于生成训练数据、训练神经网络、使用神经网络路由订单，以及评估神经网络路由在供应链中的影响。

该模板模型重点介绍了在调度应用程序中使用运输工具进行物料移动和物料补给策略的情况，并展示了 Simio 确定的一些最佳实践。具体来说，我们将重点介绍如何建立完全由数据驱动的模式和流程，同时体现物料流建模的一些独特方面。该模板不仅能够调度资源、工人和材料，还能模拟移动原材料、中间材料和成品材料所需的运输工具。

模型中的表格模式基于 ISA-95 和 ISA-88 标准。该模型可设置为非常详细的模型。此外，运输车可以被建模为 "推车"，需要工人来移动车辆；运输车也可以被建模为 "AMR"，带有电池充电功能，可在自由空间沿路径移动，并可避免碰撞。该模板还可设置为实时工作调度器。该模型可设置为向车辆发送开始运输任务的命令，并在运行过程中利用 IIOT 连接更新模型中车辆的位置。

许多系统都依赖于上游和下游资源之间的有限缓冲空间（即水箱）。要正确反映水箱的容量，需要使用事件日历来跟踪流入和流出这些水箱的流量。Simio 将展示我们在数据驱动框架中捕捉这些限制因素的最佳实践。一些独特的限制因素包括储罐清洁、有限的连接（即多对多，但不是所有对所有）、高效的流程逻辑活动（例如，如何让 Simio 对象等待以避免转换）以及一些逻辑优化技术，以保持较低的计算时间。

为了应对市场波动，企业纷纷采用制造系统设计，以此来提高制造系统的灵活性。然而，这是一个非常困难和复杂的过程。幸运的是，离散事件仿真（DES）可以在这方面提供帮助。然而，离散事件仿真（DES）在这一领域尚未普及。

为了在这方面提供帮助，并且为了（1）减少 DES 从业人员为制造系统建模的时间，以及（2）使仿真模型在建模方法上标准化，并在行为上通用化，可以使用仿真模型自动生成器，这只有通过使用仿真模型才能实现。

本讲座的重点是仿真对象的开发、保证仿真对象的通用性、使用子类来提高未来建模的效率，以及仿真的可视化方面。

数字孪生系统应使公司能够了解、模拟和可视化这些决策将如何影响其制造和生产计划，从而做出实时决策。本讲座将讨论我们如何与一家制造公司共同探索将 Simio 用作数字孪生系统的可能性，以帮助该公司在生产系统方面做出决策。首先，我们要确定生产系统中经常出现的一些场景或用例，并确定数字孪生在多大程度上可以帮助解决这些场景。其次，我们利用一些简化的生产系统模拟在 Simio 中创建这些场景，并分析 Simio 中的数字孪生如何有利于决策制定。本讲座的重点是基于状态的维护方案，以及从设备当前的生产状态出发模拟生产。

在离散事件仿真中，决策是通过每次运行前定义的规则集（如调度）做出的。现实世界中有些系统的决策难以用这种方法建模，这可能导致局部决策 "最佳"，但对整个系统而言却是近视的。本讲座介绍了一种将 Gurobi 优化求解器集成到 Simio 模型中的技术框架。在运行过程中，Simio 会定期执行 Gurobi，根据模型的当前状态做出决策。然后，Simio 模型在继续运行时会使用该结果。这两种技术的集成提供了一种建模方法，既保留了优化的全局决策功能，又保留了离散事件仿真处理不确定性和复杂性的能力。