变异在制造过程中造成拥堵和延迟的作用在文献中已有详细记载，但在日常的生产计划和排程中通常被忽视。高级计划与排程（APS）工具在生成排程时完全忽略了系统中的变化。在某些情况下，需要花费数小时的计算来生成计划；然而，时间确定性的基本假设使得该计划从一开始就不现实和乐观。 由于忽略了变化，APS 工具生成的计划所承诺的比能实现的要多。
为了说明这一点，我们将以一个非常简单的排程问题为例，该问题由一台机器组成。作业平均每小时到达机器一次，处理时间为 55 分钟。作业到达两小时后被取走。让我们看看在我们这个简单系统中处理前三个作业的简单确定性计划。基于确定时间的甘特图如下所示：
请注意，我们的计划表看起来不错；我们的机器利用率为 92%，每个 55 分钟的作业之间有 5 分钟的休息时间，所有作业在计划完成时间和到期日之间都有 65 分钟的松弛时间（虚线表示）。由于我们有超过计划完成时间的松弛时间来缓冲任何不可预见的问题，因此从初步看来，这对于我们计划中的三项工作来说是一个稳健的计划。
虽然我们在创建这个计划时假设了所有的变化，但现实生活中的系统有很多变化来源。例如，每项工作的加工时间通常都不一样，采购或制造的部件可能会晚到，从而耽误工作的开始，机器可能会出现故障，工作人员可能不会出现。这些通常都是我们无法控制的，它们会降低进度，导致我们的绩效低于计划。
现在，让我们来研究一下，当我们在到达和处理时间上增加可变性时，简单的单机系统的长期行为会发生什么变化。现在，我们假设数据代表预期值，而实际时间围绕这些值变化。为了简化数学分析，我们将假设任务到达时间和机器处理时间都呈指数分布。根据这一假设，我们可以使用基本的排队理论来计算单台机器上的长期调度行为。
在我们的系统中加入变化因素后，简单的排队分析表明我们的系统性能非常差。虽然我们的机器长期利用率保持在 92%，但机器的使用情况变化很大。机器操作员经常长时间工作而不休息，而在其他时间则因长时间闲置而工作饥渴。每份到达的工作 平均要等 10 个小时 只有16% 的订单能 按时完成。我们的实际生产能力与以前完全相同，只是库存水平和准时率非常糟糕。基于确定性值的计划看似可行（好），但考虑到变化因素后就变得不可行（糟糕）了。
这种现象解释了现有的 APS 工具与在充满变化和不确定性的复杂制造系统中安排工作的现实之间的差距。确定性工具生成的计划无法正确处理工厂车间的实际情况。
Simio 基于风险的计划和排程（RPS）是下一代 APS，专门用于考虑风险和不确定性。RPS 使用专门建立的系统离散事件仿真模型，以充分捕捉系统中的详细限制和变化。然后，RPS 通过两种方式使用该模型。第一种是生成详细的时间表/计划。在这种情况下，模型以纯确定性模式执行；机器不会损坏，流程时间始终保持不变，材料按时到达等。这是所有 APS 系统假定的乐观观点，并生成确定性计划/日程表。生成计划表后，RPS 会复制相同的仿真模型，并打开变化功能，进行概率分析，以估算与计划表相关的潜在风险。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。使用 RPS，我们会生成与之前类似的甘特图，只不过现在我们添加了彩色编码的风险度量，以显示错过计划到期日的巨大风险。
虽然进度松弛度超过工期可能看起来很 "安全"，但从这个简单的例子中我们可以看出，我们的工作存在很高的延迟风险（只有 16% 的机会按时完成）。
通过提供与特定计划/时间表相关的固有风险的前期可见性，Simio RPS 提供了必要的信息，以便在运营计划中尽早采取行动，降低风险和成本。Simio RPS 对预期进度表现提供了现实的看法。可以比较具体的替代方案（如加班或加快供应商外部材料/部件的供应）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。
下载 PDF 版本C.丹尼斯-佩格登（Dennis Pegden）博士- Simio 首席产品官
Simio 创始人兼首席产品官。Dennis 领导了 SLAM、SIMAN、Arena 和 Simio 仿真工具的开发。他与人合著了三本仿真教科书，并在调度和仿真等多个领域发表过论文。