想象一下，在一个生产系统中，所有的生产决策都是根据一套完全集成和连接的设备和人员所提供的实时信息进行优化的。整个系统以最佳方式利用现有资源实现生产目标，并根据不断变化的条件实时自动调整。所有工作都通过系统自动安排，所有设备都自动记录其性能，并计划和安排自己的维护工作，以尽量减少对系统的影响。整个系统会自动记录性能数据，并报告给相关人员。此外，该系统还能及时进行前瞻性预测，并提供有关计划性能的可靠管理信息，包括所有计划订单的预期交付时间和生产成本等关键绩效指标。管理人员可以即时获取重要的当前和前瞻性信息，以推动业务发展。这就是未来智能工厂（第四次工业革命）的愿景。
智能工厂的时代已经到来。支撑智能工厂的技术在不断发展，并逐渐成为主流。每个组件都是我们熟悉的技术，如今已在许多工厂中应用。然而，详细的工厂模型或工厂数字孪生系统可提供计划运营的前瞻性，支持持续不断的改进计划，这一直是实现智能工厂所缺少的重要组成部分。Simio 智能自适应流程数字孪生技术提供了这一关键组件。
成功规划和运营工厂的一个关键要求是了解工厂在不同输入条件下的生产能力，如一周的产品组合、可用的生产资源、特定的劳动力限制、维护要求等。无论是新建工厂，还是只想更有效地管理现有工厂，都是如此。因此，关键是要能够开发一个虚拟工厂模型，其中包含工厂的所有物理限制以及业务规则和决策逻辑，以复制工厂的真实行为。这样，所有利益相关者（规划人员、运营人员、管理人员等）都能进行假设分析，了解工厂的真实产能以及对特定运营变量（在其直接控制范围内外）的行为和敏感性。
这一虚拟工厂模型也可作为数字化转型过程的一部分，用于评估所有源数据的详细程度、系统间的关联性以及数据的可用性（时间和速度）。工厂要想在数字化成熟度曲线上更上一层楼，为成为智能工厂做好准备，就必须实现源系统间的数据标准化和同步化，以确保决策和执行的准确性。作为数字化转型过程的一部分，工厂还必须协调各部门之间以及类似工厂之间的人员和流程，以确保基于整体最佳实践的一致、高效的执行。在标准化和相关数据的支持下，这些最佳实践将为成为由实时自主决策驱动的智能工厂奠定基础。
然后，虚拟工厂模型可以与来自企业系统、物联网设备、自动化设备等的实时数据相连接，成为工厂的数字孪生体，随着数据的变化自动适应环境。此外，它还会根据工厂的当前状况和未来需求，近乎实时地创建详细的可执行计划，以实现完全自主的决策和执行。工厂中每个资源的详细任务清单以及流程中每个步骤的材料需求，可通过直接集成到企业系统或通过云平台（公共或私有）在整个企业内共享。
在当今世界，企业不仅要在价格和质量上竞争，还要在按时可靠地交付产品的能力上竞争。 因此，一个良好的运营生产计划会影响企业的吞吐量、销售额和客户满意度。尽管企业在企业资源计划（ERP）和制造执行系统（MES）等信息技术方面投入了数百万美元，但在详细的生产计划方面，这些投资仍然不足，导致大多数公司不得不重新采用 Excel 和计划板等手工方法。与此同时，减少库存、缩短交货期、增加产品定制、SKU 扩散和柔性制造等行业趋势使生产排程任务变得更加复杂。制定可行的计划需要同时考虑材料、劳动力、设备和需求。对于任何人工计划方法来说，这个门槛都太高。要制定可靠的计划，就必须进行数字化转型，以支持自动化和可靠的排产。
有效工厂排产的核心理念是可执行排产的概念。一个可执行的计划不仅要充分考虑到系统中的详细限制和操作规则，还要与事件时间线同步，因此生产人员可以在工厂中完全执行，而无需额外的人工干预。 许多计划安排解决方案的问题在于，它们忽略了一个或多个详细的限制，在设定的时间桶（每天或每周）中进行计划，因此无法在工厂车间中按照规定执行。一个不可执行的计划要求操作员介入并推翻计划计划，以适应系统的实际约束条件。 此时，计划不再被遵守，而操作员无法看到的本地决策会对系统 KPI 产生影响。
有效调度的第二个核心理念是适当考虑工厂中的可变性和计划外事件，以及相应的对产量和准时交货的不利影响。大多数排产方法都完全忽略了系统中的这一关键因素，因此产生的乐观排产计划在实践中无法实现。 一开始可能可行的排产计划，随着机器损坏、工人请病假、材料延迟到达、需要返工等情况的发生，会随着时间的推移而退化。乐观的承诺无法兑现。
第三个考虑因素是不可行的计划对供应链计划的影响。工厂排产只是生产计划流程的最后一步，生产计划流程始于基于实际和/或预测需求的供应链计划。 总计划流程会生成生产订单，通常会确定整个生产网络每个计划期的物料需求。在此过程中，网络中每个工厂的生产订单都是根据生产能力的粗略模型生成的。主计划流程对工厂真正限制因素的了解非常有限，由此产生的生产需求往往高估了工厂的生产能力。随后，工厂调度人员必须根据设备、劳动力等方面的实际限制，制定详细的计划来满足这些生产要求。工厂为使计划可行而进行的调整对供应链计划人员并不透明。这就造成了核心业务计划职能的脱节，而在这一职能中，需要在资源和系统上花费巨资。工厂数字孪生可以包含在网络模型中，以支持网络或总体规划流程，确保在所有层面和时间跨度上的可行性。同一数字孪生还可用于短期、中期甚至长期规划，这些规划可在云端实现完全自动化，并分发给所有利益相关者。
首先，我们来讨论一下目前最常用的三种解决运营调度问题的方法：1) 使用计划板或电子表格的手动方法；2) 资源模型；3) 工厂数字孪生体。
目前工厂运营排程最常用的方法是手动方法，通常辅以电子表格或计划板。 使用手动排程通常不是公司的首选，而是自动化系统失败的结果。
为复杂的工厂手动生成计划是一项非常具有挑战性的任务，需要详细了解所有设备、劳动力和运营限制。最令人头疼的五个缺点包括
使用自动化方法进行工厂排程的公司通常使用基于工厂资源模型的方法。 资源模型由关键资源列表和根据估计任务时间分配给资源必须处理的任务的时间段组成。 资源列表包括生产所需的机器、夹具、工人等、下面的甘特图描述了一个简单的资源模型，其中有四个资源（A、B、C、D）和两个工作（蓝色、红色）。蓝色工作的任务序列为 A、D 和 B，红色工作的任务序列为 A 和 B。
图 1 - 简单资源甘特图
资源模型中的资源由资源 "状态 "定义，"状态 "可以是繁忙、闲置或脱班。当资源忙于处理一项任务或处于休班状态时，其他任务必须等待分配到该资源（例如，红色任务等待蓝色任务在资源 A 上完成）。基于资源模型的调度工具都有相同的工厂产能表示，区别仅在于如何将任务分配给资源。
所有这些工具都有一个共同的问题，那就是约束模型过于简单。 虽然这种模型在某些简单的应用中可能有效，但工厂中的许多约束条件都无法用简单的资源忙、闲、下班状态来表示。请看下面的例子：
这些只是典型约束条件的几个例子，对于这些约束条件，简单的忙、闲、休班资源模型是不够的。每个工厂都有自己的一套限制设施产能的约束条件。
利用简单资源模型的调度工具采用三种基本方法之一为资源分配任务：启发式、优化和模拟。
一种常见的启发式方法是工作排序法，即从优先级最高的工作开始，为该工作分配所有任务，并对每项工作重复这一过程，直到所有工作都排定为止（在前面的例子中，先排定蓝色工作，再排定红色工作）。这种简单的工作排序方法既可以从发布日期开始向前排序，也可以从到期日期开始向后排序。 请注意，向后排序（虽然在总体规划中很有用）在详细排程中通常会出现问题，因为由此产生的排程很脆弱，工作流中的任何中断都会导致工作延迟。这种简单的 "一次完成一项工作 "排序启发式无法适应复杂的操作规则，如尽量减少更换或根据尺寸或颜色等属性开展生产活动。不过，随着时间的推移，已经开发出了许多不同的启发式方法，以适应特殊的应用要求。使用启发式方法的排程工具包括西门子公司的 Preactor 和 SAP 公司的 PP/DS。
为资源模型中的资源分配任务的第二种方法是优化，即把任务分配问题表述为一组排序约束，这些约束必须在满足目标（如尽量减少迟到或成本）的同时得到满足。 然后使用约束编程（CP）求解器对数学表述进行 "求解"。CP 求解器使用启发式规则搜索可能的任务分配，以满足排序约束条件并改善目标。需要注意的是，目前还没有一种算法能在合理的时间内优化资源模型的任务分配数学公式（这一问题在技术上被归类为 NP Hard），因此现有的 CP 求解器只能依靠启发式方法找到 "实用 "但非最优的解决方案。此外，它通常在 1 天或 1 周的时间范围内求解，因此由于使用了每台设备订单处理时间的估计运行时间，任务开始和结束时间与工厂运营的实际事件时间日历并不完全同步，仍需要计划人员进行人工干预。虽然 PP/DS 采用了 ILOG 的 CP 求解器来为资源分配任务，但大多数 PP/DS 安装都依赖现有的启发式方法来分配任务。
在简单资源模型中分配任务的第三种方法是模拟法。 在这种情况下，我们模拟工厂资源模型中的作业流，并利用最小转换率或最早到期日等调度规则将任务分配给可用资源。 与优化法相比，这种方法有几个优点。 首先，它的执行速度更快，只需几分钟而不是几小时就能生成计划。另一个关键优势是，它可以支持将任务分配给资源的自定义决策逻辑。
无论采用哪种方法将任务分配给资源，生成的计划都会假定系统中不存在所有随机事件和变化。因此，由此产生的计划是乐观的，会导致对客户交付时间的过度承诺。这些工具没有提供评估进度表相关风险的机制。
第三种也是最新的工厂排程方法是工厂流程数字孪生体。工厂数字孪生体是组成工厂的流程、设备、人员和装置的数字复制品，可用于系统设计和运行。系统中的资源不仅有繁忙、空闲和下班状态，而且是有行为的对象，可以在系统中移动，并与模型中的其他对象交互，以复制真实工厂的行为和详细限制。这些模型还包括车间使用的业务规则和详细的决策逻辑，以尽可能接近现实，确保可行性。工厂数字孪生为排程带来了新的逼真度，这是现有的基于资源的建模工具所不具备的。
Simio 工厂数字孪生体是一个面向对象、数据驱动的工厂三维动画模型，与来自企业资源规划系统、生产执行系统和相关数据源的实时数据相连接。工厂数字孪生体完全由企业数据生成和驱动，能够适应环境的变化，如额外的设备、新的劳动力和技能要求、新的零件/SKU 等。
为使工厂数字孪生体复制物理工厂的真实行为，模型逻辑包括以下内容：
工厂数字孪生系统可模拟未来，提供系统的预测性和规范性分析，对工厂的预期生产和交付绩效提供全面的前瞻性视图。这样，工厂数字孪生系统就能生成详细、可行的运行计划，包括所有相关资源任务清单和生产流程中每个环节的相关物料需求。工厂数字孪生系统还可对已定义的目标（如交货日期和成本）进行风险评估，以突出系统中所有订单的相关风险，从而使计划人员能够积极采取行动，避免或尽量减少客户服务问题。
工厂数字孪生系统的主要优势之一是能够为整个端到端系统的所有流程（即混合、存储、灌装、质量保证、材料、劳动力）提供一个可行的计划，同时考虑需求（订单）、产能和材料。它可确保工厂内的所有流程完全同步，因为每项任务或事件都要确认材料和资源的可用性，以确保执行时间表完全可行。Simio 数字孪生系统的决策和优化方法是完全透明的（玻璃箱方法），而现有的优化算法和纯人工智能引擎通常会产生不透明的结果（黑箱方法）。这使得规划人员能够理解并调整约束条件、规则和决策逻辑，从而找到更好的工厂运营方法，并实现持续学习和流程改进。
作为制造环境整体数字化转型过程的一部分，工厂数字孪生系统还提供了一种系统化的方法来改进（修复）和标准化不同企业系统（ERP、MES、Excel 等）中的数据。人们经常发现，不同系统中的数据包含不同程度的细节，或者相同字段的数据不一致。不同企业系统中的数据经常在不同时间刷新或以批处理模式运行，导致数据也带有不同的时间戳，从而进一步破坏了因准确及时的数据可用性而实现的流程同步。
工厂数字孪生还提供了一种机制，通过评估工厂内部或同一企业中相同工厂之间部署的所有最佳实践来协调人员和流程。这样，企业就可以选择最佳的程序和方法，在所有类似的工厂中实施和培训，为自动化和资源流动性创建基线。下图 3展示了 Simio 工厂数字孪生系统与现有或计划中的企业系统的交互和数据流。
图 3 - Simio 工厂数字孪生系统的部署和数据流
下面我们将进一步总结 Simio 工厂数字孪生系统作为工厂设计和运营调度解决方案的主要优势。
虽然这里的重点是通过利用现有工厂设计进行更好的排产来提高产量和准时交货率，但与传统排产工具不同，Simio 工厂数字孪生系统还可用于优化工厂布局和设计。用于工厂排程的 Simio 模型也可用于测试工厂的变化，如增加新设备、改变人员配置水平、合并生产步骤、使用 DDMRP 补充方法增加缓冲库存或引入新的产品 SKU。
任何排产解决方案的基本要求都是提供可在实际工厂中执行的可操作排产计划。 如果向工厂车间发送不可操作的生产排产计划，生产人员别无选择，只能忽略排产计划，并根据当地信息做出自己的决定。
要使计划具有可操作性，就必须捕捉到系统的所有细节约束。由于 Simio 工厂数字孪生系统的基础是面向对象的建模工具，因此工厂模型可以尽可能详细地捕捉所有这些约束条件。这包括复杂的制约因素，如材料处理装置、复杂的设备、具有不同技能组合的工人以及复杂的排序要求。
在许多系统中，长期以来形成了控制生产流程的操作规则。这些操作规则与关键系统约束同样重要；任何忽略这些操作规则的计划都是不可执行的。这包括一些操作决策，如产品 ABC 只能在机器 1 或机器 2 上运行，而产品 XYZ 可以在同一机器工作中心区域的机器 2 或机器 3 上运行，同时还要考虑成本核算或运行效率。Simio 建模框架具有灵活的基于规则的决策逻辑，可用于执行这些操作规则。作为运行仿真模型的一部分，这些规则和约束会在事件日历的每个点上进行评估，以确保所有材料和资源任务也与实际生产执行时间表完全同步。这样就能得到一个可操作的时间表，它既尊重了系统的物理限制，又符合标准操作规则和执行时间表。
在大多数组织中，计划的有效期都很短，因为计划外事件和变化的发生会使当前的计划失效。 当发生这种情况时，必须尽快重新生成和分发新的计划，以保证生产顺利进行。手动或基于优化的计划再生方法需要数小时才能完成，这是不现实的；在这种情况下，车间操作员通常会接管并执行他们自己的本地计划决策，而这些决策可能与全系统的关键绩效指标不一致。当随机事件发生时，Simio 工厂数字孪生系统可迅速做出反应，生成并分发新的可执行计划。计划再生既可由调度员手动触发，也可由 MES 或物联网设备等操作系统触发的系统事件自动触发。
在其他排程系统中，模型和排程的唯一图形视图是资源甘特图。相比之下，Simio 工厂数字孪生系统可为模型结构和由此产生的计划提供强大的交流和可视化功能。理想情况下，企业中从车间到顶层的任何人都能查看和理解模型，以便对其结构进行验证。一个好的解决方案不仅能提高生成可执行计划的能力，还能将其可视化，并在组织的各个层面进行解释。
Simio 甘特图可直接链接到工厂的三维动画视图；在甘特图中沿着时间刻度右击资源，Simio 会立即显示该资源在工厂中的动画视图--显示计划中该时间点的机器、工人和在制品。从这一点出发，调度员可以向前模拟时间，观察计划在实际系统中的展开情况。Simio 工厂数字孪生系统的优势首先在于能准确、快速地生成可执行的计划。而工厂数字孪生系统的最大优势在于，它能够将工厂结构、模型逻辑和生成的计划传达给任何需要了解的人。
排程工具的主要缺点之一是无法处理计划外事件和变化。 相比之下，Simio 工厂数字孪生体可对这些计划外事件和变化进行精确建模，不仅能提供详细的排程，还能分析与排程相关的风险。
在生成计划时，随机事件和加工变异会被自动禁用，从而生成一个确定性计划。与其他确定性计划一样，该计划在按时完成方面是乐观的。然而，一旦生成了这个计划表，同一模型就会在启用事件和变异的情况下执行多次，从而根据系统中的不确定性生成多个计划表的随机样本。 然后，随机生成的计划表集就会被用来推导风险度量，例如每个订单按时发货的可能性。这些风险度量值会直接显示在甘特图和相关报告中，从而提前告知调度员哪些订单有延迟风险，以便采取相应措施，确保重要订单有很高的准时发货可能性。
供应链计划流程基于工厂的粗略产能模型，在考虑到工厂的真实产能和运营限制的情况下，向生产设施发送的工作多于可轻松生产的工作，这种情况并不罕见。 当这种情况发生时，产生的详细计划会有一个或多个延迟的工作和/或延迟风险高的工作。 那么问题来了，排产人员可以采取什么措施来确保重要工作都能按时交付。
虽然其他排程方法也能生成排程，但 Simio Factory 数字孪生系统更进一步，它还提供了约束分析，详细说明了系统中每个作业花费的所有非增值（NVA）时间。这包括等待机器、操作员、材料、材料处理设备或任何其他阻碍项目生产的制约因素的时间。 因此，如果计划表显示某个项目将会延迟，制约因素分析就会显示可以采取哪些措施来减少非增值时间并按时发货。例如，如果产品需要花费大量时间等待设置操作，则可能需要安排相关操作员加班或增加产品促销活动以缩短设置时间。
尽管在离散生产设施的四壁内进行调度是一个重要的应用领域，但在离散制造之外还有许多调度应用。 许多制造应用涉及带有存储/混合罐的流体流动、批量加工以及离散部件生产。与其他仅限于离散制造的调度工具相比，Simio 工厂数字孪生系统已应用于许多不同的应用领域，包括混合模式制造、总体规划、产能规划等。灵活的 Simio 建模框架使这些应用成为可能。
工厂数字孪生是一个与实时系统数据直接相连的详细仿真模型。传统的仿真建模工具连接 ERP、MES 和其他数据源的实时数据的能力有限。相比之下，Simio 在设计之初就将数据集成作为首要要求。
Simio 提供灵活的关系型内存数据集，可直接映射到模型组件和外部数据源，从而支持数字孪生系统的实施。这种方法允许与各种数据源直接集成，同时实现 Simio 工厂数字孪生模型的快速执行。
在全球应用中，通常有多个生产设施分布在世界各地，生产相同的产品。虽然每个工厂都有自己独特的设施布局，但在设备和工人等资源以及处理逻辑方面通常会有很大的重叠。 在这种情况下，Simio 提供了特殊功能，可根据映射到描述资源和流程的建模组件的数据表自动生成每个工厂的数字孪生模型。 这大大简化了企业内多个工厂数字孪生模型实施的开发工作，还支持通过数据表编辑重新配置每个工厂数字孪生模型，以适应资源和/或流程的不断变化。
以下部分将对 Simio 工厂数字孪生系统的一些主要解决方案组件进行深入介绍。解决方案组件和交付成果将根据每个客户的详细功能要求和项目范围进行调整和商定。
模型的详细程度，包括物理约束、业务规则和决策逻辑，将在项目的功能需求规格（FRS）阶段确定，以确保所生成的 Simio 计划精确到能够满足操作要求和期望的程度。该模型还将用于执行一些 "假设 "分析，以测试当前应用的操作策略和决策逻辑。可以根据特定的关键绩效指标（如准时交货、最低成本、系统运行时间等）对运营进行优化。如果有必要的数据，Simio 可以将基于活动的成本计算作为模拟和优化引擎的一部分。图 4举例说明了 Simio 仿真模型的图形表示方法，显示了一个假设生产运营的简单演示模型。
图 4 - 典型仿真模型设备视图截图
Simio 与外部数据源（如 ERP 系统、MES 系统、物联网设备，甚至基于 Excel 的数据源）之间建立了数据导入和导出的集成能力，以创建工厂数字孪生系统，提供基于事件的实时调度。利用 Simio 基于仿真的调度功能，开发出一个虚拟工厂模型，用于描述生产系统内详细的资源和材料限制。然后，将虚拟工厂模型与外部数据源连接，使模型成为工厂数字孪生体。如果需要，这个集成的 Simio 工厂数字孪生系统现在可以近乎实时地运行和生成计划。这意味着，当生产车间发生事件时，可以快速重新运行生产计划，以绕过可能的瓶颈和限制重新安排订单。
例如，集成可以采用 Web 服务、API 调用以及直接将表格绑定到数据库系统和 Excel 来将数据导入模型。库存、生产订单、路由、物料清单、订单状态和机器状态都可以通过这种入站集成来获取数据，从而创建生产计划。
在 Simio 中生成计划后，使用适当的集成技术将计划导出到外部数据系统。图 5是导入 Simio 工厂数字孪生系统的数据表视图。数据表的结构非常灵活，可以复制客户系统的数据格式。
图 5 - Simio 中集成的数据表示例截图
三维仿真模型开发完成并与相关企业系统集成后，Simio 工厂数字孪生系统将创建一个计划表，并通过 Simio 计划表用户界面提供给计划人员进行交互。每个资源（包括设备、劳动力、工具、运输等）的详细任务清单以及流程中每个步骤的物料需求都会生成并导出回相关企业系统，如 ERP 和/或 MES 系统。如图 6 所示，Simio 计划器用户界面将计划显示为订单（实体）视图，显示生产订单及其基于仿真模型中捕获的规则和决策逻辑分配给每个特定资源的情况。此外，与每个订单相关的风险评估（如每个订单按时交付的概率）也以图形方式显示。
图 6 - Simio 用户界面显示甘特图上的资源使用情况
Simio Scheduler 用户界面还将生成资源视图，以查看每个资源需求和限制条件下的订单生产情况，并以图形方式显示延迟订单，如下图 7所示。
图 7 - Simio 用户界面在甘特图上显示订单工作流程
这些甘特图是交互式的，调度员可以使用甘特图添加停机时间、更新订单优先级和更改工作资源计划。然后可以重新运行计划，根据更改显示新的生产计划。还可以通过使用外部系统的某些触发器来自动更新数据，从而自动创建新的计划。生产计划流程也可以完全自主运行，以支持高度自动化和智能工厂计划，这是工业 4.0 革命的一部分。
Simio 工厂数字孪生系统提供一套可定制的报告和交互式仪表板，以支持排产人员分析和分发排产计划。排程可以打印成一系列报告，作为当班的调度或任务清单分发给车间的操作人员，或导出到现有的企业系统进行电子分发和执行。图 8是一个仪表盘示例，以交互方式显示调度清单和各种资源的使用情况。这些仪表盘可根据用户的要求进行完全配置。
图 8 - 可根据需要定制开发的 Simio 仪表盘示例
如下图 9所示，操作员还可以使用每日计划等标准报告，查看每个生产资源上将要执行的下一项工作。
图 9 - 可根据需要定制配置的 Simio 表格报告示例
包括甘特图、仪表盘和报告在内的所有调度结果都可发布到 Simio 门户网站，供整个企业的操作员、管理人员和利益相关者查看。使用标准网络浏览器或平板电脑等支持触摸的移动设备即可访问结果，无需任何软件。Simio Portal 是一个为第三方服务供应商（如物流服务供应商、材料供应商和外包制造商）提供可视性和即时计划更新的平台。现在，生产流程和延伸供应链中的所有利益相关者都可以访问所需的信息，以确保活动的适当同步，从而为生产流程提供全面支持。在完全基于云的部署中，门户网站还可用于计划人员执行日常操作细节计划，以便在计划或重新计划时向所有利益相关者提供结果。结果可以很容易地筛选到特定组别，各部门有权限查看特定报告。数字孪生还可以作为一个完全集成的自主系统进行部署，对来自其他企业级系统或设备的商定事件触发做出反应，以实现完整的智能工厂运营模式。图 10是显示资源甘特图的门户屏幕示例。该门户可在 Microsoft Azure 公共云和内部私有云版本上使用。
图 10 - Simio 门户视图截图
与传统的仿真建模工具不同，Simio 的设计从一开始就注重与现有 ERP/MES、设备和自定义数据源的数据集成，以实现数字孪生的创建。这一要求推动了 Simio 数据和建模功能的设计。
Simio 工厂数字孪生系统作为信息系统的一部分进行集成，管理企业的日常业务。Simio 既能与提供工单输入、工作路线、人员配置水平（静态数据）的事务性信息系统绑定，也能与跟踪资源状态和将原材料转化为成品（动态数据）的运营信息系统绑定。Simio 工厂数字孪生系统与 ERP 和 MES 系统的关系如下图 11所示。
图 11 - Simio 作为流程数字孪生系统与企业系统连接
尽管交易数据可能来自许多不同的来源，但大多数关键数据都来自企业资源规划和制造执行系统。这些系统为管理生产提供两（2）个主要输出，然后将其用作 Simio 工厂数字孪生的输入。首先是生产订单主清单，如发布日期、到期日期和订单数量，以及满足客户需求所需的组件产品和最终产品。该清单还包含相关的辅助数据，如作业路线、物料清单等。第二个主要输出是材料采购计划，其中列出了需要从外部供应商采购的物品，包括预计到达时间，目的是将这些材料与生产计划相匹配。
在某些情况下，一些交易数据可能存在于 ERP 和 MES 系统之外的电子表格、数据库、平面文件甚至物联网设备中。Simio 可从这些不同来源导入交易数据。
Simio 提供三（3）项关键功能，用于将调度模型与事务和运营数据集成。首先是内存关系数据库，该数据库可进行完全配置，以匹配任何外部数据源的模式。第二种是开放式架构，可用于创建自定义连接器，使用不同的方法（如网络服务、表绑定等）从外部来源导入事务性或操作性数据。第三种是完全可配置的建模结构（对象），可映射到数据表中的关系数据。
这些功能结合在一起提供了一个建模框架，可以映射到任何外部数据，无论数据源或数据模式如何。Simio 的内存可配置关系数据库提供了企业数据与模型逻辑之间的关键接口。事务数据和业务数据被导入该数据模式，并保存在内存中，以便快速执行调度模型。模型逻辑既可以从该数据库读取数据，也可以向该数据库写入数据。
数据库模式是完全可配置的，可以与外部数据源的现有模式完全匹配，因此在导入和导出过程中无需转换数据。导入和导出操作是通过与外部数据源绑定的数据连接器完成的。 标准数据连接器可通过 Web API、数据库、Excel 和 CSV 文件连接到外部系统。 使用 Web API 数据连接器，Simio 可直接从 SAP 云集成平台、AVEVA MES 和 PTC Kepware 直接提取数据，并将数据推送到 SAP 云集成平台、AVEVA MES 和 PTC Kepware。
Simio Portal 还有一个 Web API，用于根据实时事件自动生成计划。 Simio Web API 用于触发计划生成。 在计划生成过程中，数据将首先从外部系统刷新。 计划完成后，数据将导出到外部系统，计划也可发布到整个组织中查看。下图 12 展示了各种高级集成选项。
排程模型的事务数据通常在每个计划期开始时从企业资源规划系统下载，在计划期内是静态的。相比之下，MES 运行数据是不断变化的，因此 MES 粘合剂通常是一个动态连接器。例如，MES 检测到的机器故障可能会自动触发 Simio，根据机器的预期停机时间生成新的计划。Simio 集成框架支持事务数据和操作数据的静态和动态绑定。
Simio 提供多种部署选项，以支持各种运行环境和工作方法。由于 Simio RPS 既是仿真（设计）解决方案，也是调度（运行）解决方案，因此在项目从仿真和分析（设计）阶段进展到调度和运行（操作）部署阶段时，不同用户角色的不同人员会使用它。根据要求，客户可在任何或所有部署选项中部署 Simio RPS，如下图 13所示。
在开发虚拟工厂模型的设计和分析阶段，通常倾向于在笔记本电脑或台式机上部署 Simio。这支持项目团队成员离线工作，因为模型存储为 XML 文件，便于在计算机之间传输，甚至可以在模型更新后通过电子邮件发送给团队成员，以供审查和测试。只要台式机或笔记本电脑能够接入客户网络，访问运行模型和生成计划所需的运行数据，那么这种台式机选项也适用于计划系统的运行部署。这种方案在解决方案的早期部署和测试阶段尤为有效，因为在基于云的平台上进行最终的企业部署之前，需要不断增强和更改模型，以便对计划进行微调。
Simio 的云解决方案（Simio 门户网站）既支持托管在 Microsoft Azure 上的公共云产品，也支持托管在企业内部的私有云版本，以符合最严格的企业 IT 部署和生产系统运营政策。要在企业内部托管 Simio 门户，客户需要采购所需的硬件基础设施，以便在自己的安全系统（防火墙）后创建托管环境。这也可以根据公司政策外包给私人托管服务。Simio 门户云解决方案还可用于实验，通过更改模型开发阶段的设定数据和参数来评估运营策略。
图 13 - Simio 部署选项
工业 3.0 推动了制造业的计算机化和自动化。由此产生了大量的交易和执行级数据，这些数据需要进行存储和分析，以微调和改进系统性能，从而创建工厂的数字影像（数字快照）。作为工业 3.0 转型的一部分，数据分析被应用到这些数据中，以发现和交流有意义的数据模式和趋势。虽然应用于过去数据的数据分析很有用，但真正的力量来自于将实时组件数据与工厂的虚拟模型连接起来，使其成为工厂数字孪生体。现在和未来，随着工业 4.0 的发展，计算机将相互连接和对话，最终在没有人类参与的情况下做出决策，Simio 工厂数字孪生体将成为这一过程的关键组成部分，因为它为数字化转型过程提供了以下关键功能：
Simio 数字孪生系统是未来智能工厂的关键组成部分。它既能提供系统状态的全系统汇总视图，又能及时预测未来的预期状态，如下图 14所示。
图 14 - 后向和前瞻性分析
Simio 与传统的仿真建模工具不同，它从设计之初就是作为工厂或供应链执行系统的一个实时组件来执行的。Simio 支持复杂的内存关系数据、与实时数据源的连接、复杂的动态决策规则、详细的资源、材料和任务记录，以及用于交流调度结果的可定制 Gantts、报告和仪表板。这些都是为工厂提供互联虚拟流程模型的基本功能。图 15描述了 Simio 虚拟工厂模型与 ERP 和 MES/IoT 的关系，以及智能工厂启用的关键功能。只有使用该模型，系统才能及时预测未来，并在实际系统中出现问题之前支持问题的识别和解决。ERP、MES/IoT 和虚拟工厂模型之间的互联互通是创建流程数字孪生系统的关键因素。
图 15 - Simio 数字孪生关系