1 引言
工业 3.0 推动了制造业的计算机化和自动化，从而产生、存储和分析了大量事务和执行层面的数据，用于微调和改进系统性能，创建了工厂的数字影子（数字快照）。作为工业 3.0 转型的一部分，数据分析被用于发现和交流有意义的模式和趋势。对历史信息进行数据分析固然有用，但却十分乏味，而且试图通过回顾后视镜来帮助企业对未来做出决策。
在当今世界，企业需要高度灵活，以应对不断变化且日益不确定的商业环境，同时还要处理快速增长的产品、服务、材料、技术、机器和人员技能组合。一个成功的制造供应链需要对独立运行和凝聚在一起的每个元素进行统筹、协调和同步。随着工业 4.0 的发展，计算机被连接起来并进行通信，目的是最终在极少人工参与的情况下做出决策和运行，但企业在管理这些多方面的复杂数字化转型项目时却举步维艰。以下是利益相关者和转型项目在实现高度敏捷和 "智能"（低接触/无接触）制造供应链的过程中面临的一些主要挑战：
- 了解当前流程和制约因素 虽然人们在工厂和供应链中工作已有一个多世纪的历史，但要充分了解并详细阐述所有流程仍然十分困难，因为许多信息都被公司内部的部门或不同组织结构分割开来。要了解这些信息，首先要确定在采购材料、生产和向客户分销产品过程中的所有物理限制因素。此外，还有许多不同的文件描述了管理流程的业务规则，这些规则往往与当前的实际情况相矛盾。在大多数组织中，大量的执行诀窍和详细的决策逻辑仍然是部落知识，很难在任何系统中复制，因为它们都包含在车间里做出这些日常决策的人的头脑中。
- 确定最佳数据源，汇总准确的相关数据 了解企业各系统之间当前的数据质量和相关性是一项重大挑战，因为不同系统中相同字段的数值经常不同，难以确定准确性。根据系统应用的不同，系统之间的详细程度和记录频率也不尽相同，这使得数据的关联和汇总变得更加复杂。同步不同的数据源以确保它们都具有时间相关性（相同的时间戳）是一项挑战，因为有些系统的运行接近实时，而有些系统则以批处理为导向，每天只运行一次。确定数据源和数据流以建立相关数据管道，从而支持流程建模、控制、仪表盘和分析，是转型过程的关键。
- 识别和探索转型和现代化的领域 很难准确识别和确定某些流程变革和优化能够为提高工厂或供应链绩效带来的价值。某些绩效或价值收益往往被夸大，导致在没有详细了解对业务的要求和潜在影响的情况下，为未来的增长和新产品对产能和物理基础设施的扩展进行大量资本投资。旨在提高效率和绩效的自动化和数字化计划也具有挑战性。这些项目通常都是孤立开发的，因此无法达到预期目标：无法实现整体预期价值和推进业务实现数字化转型目标所需的预期流程转型。
- 准确预测未来行为和绩效 转型通常涉及业务的多个并发方面，包括但不限于人员、流程、设备、新产品、销售、全球影响力和分销。如果不了解拟议的变革对业务运营的端到端影响，就有可能达不到预期目标，从而浪费资金在无法实现预期价值的投资上。这包括了解自动化（机器人、AMR、物料处理等）的影响，评估替代方案以了解各种方案的投资回报率，以及将未来结果可视化并展示给所有利益相关者，以获得认同并做出决策。
根据多年的模拟和分析经验，要实现和促进数字化转型并应对上述挑战，最有效的方法显然是创建和使用详细的模拟虚拟模型或离线流程数字孪生模型（即工厂和/或供应链）。该模型可作为预测性解决方案，用于设计和分析当前及未来的流程。虚拟模型还可以连接到企业系统的实时数据，成为在线流程数字孪生体，用于运营部署和近实时决策，作为一种规范性解决方案。Simio 仿真解决方案白皮书 》对底层技术进行了更详细的介绍，该白皮书 也可在 Simio 网站上查阅。
本白皮书介绍了Simio智能自适应流程数字孪生解决方案以及使用该技术可支持的各种数字化转型工作流。在数字化和业务转型项目的生命周期中，不同阶段会出现不同的需求。单一集成的业务流程数字孪生模型可以促进对当前和未来绩效的持续评估。此外，流程数字孪生模型还可以部署在云端，为正在进行的操作提供运营决策支持以及调度和协调。
请下载以下 PDF 文件继续阅读...
下载 PDF 版本