Simio Digitaler Zwilling Simulation + KI-Optimierung
Die Macht der KI nutzen, um die Entscheidungsfindung und die operative Leistung zu verbessern
Höhere Optimierungsleistung mit KI
Simio ist das erste Unternehmen, das eine auf diskreten Ereignissen basierende Simulationssoftware für digitale Zwillinge mit nativer, integrierter Unterstützung für neuronale Netze anbietet. Unsere intern entwickelte Unterstützung für diesen leistungsstarken KI-basierten Optimierungsansatz erfordert keine Kodierung und ist direkt in die Simio-Simulationsengine integriert, so dass keine externen Anwendungen von Drittanbietern erforderlich sind. Unsere umfassende Unterstützung für Neuronale Netze umfasst die Möglichkeit, Neuronale Netze direkt in der Logik von Simio Process Digital Twin-Modellen zu definieren und für Inferenzen zu verwenden. Außerdem können Sie mit den integrierten Datenerfassungsfunktionen und dem Neural Networks Trainer powered by TensorFlow automatisch synthetische Trainingsdaten aus Simio-Modellen erfassen. Simio unterstützt den Import und die Ausführung von KI-Modellen von Drittanbietern, die den Industriestandard ONNX Inferenz-Engine verwenden, und die Simio-Funktionen zur Erfassung von Trainingsdaten können auch dazu verwendet werden, synthetische Trainingsdaten für die Verwendung mit KI-Tools von Drittanbietern zu erzeugen und zu exportieren.
Hauptmerkmale
Erweitern Sie die Modellintelligenz mit eingebetteter KI
- Binden Sie KI-Agenten ein, um komplexe Entscheidungslogik zu erfassen, Modelle zu vereinfachen und operative Prozesse zu optimieren, um die Leistung Ihres Systems zu verbessern.
- Führen Sie während der Laufzeit KI-Agenten aus, um auf der Grundlage des aktuellen Zustands optimierte Entscheidungen über die Ressourcenauswahl in jedem Anlagenmodell zu treffen.
- Anwendungsbeispiel für die Fertigung: Sagen Sie die Fertigstellungszeiten von Aufträgen über alle Produktionslinien hinweg genau voraus.
- Optimieren Sie die Beschaffungsentscheidungen in der Lieferkette mit Hilfe von KI-Prognosen für die Produktionsvorlaufzeiten und -kosten jeder in Frage kommenden Fabrik, unter Berücksichtigung der Auslastung und des Produktmixes an jedem Arbeitsplatz in der Fabrik.
- Dieser KI-basierte Ansatz macht die Annahme statischer Vorlaufzeiten, die Verwendung künstlicher Zeitfenster und die Verwendung von groben Kapazitätsmodellen, wie sie in herkömmlichen Masterplanungssystemen verwendet werden, überflüssig.
- Die Optimierung mit eingebetteten Neuronalen Netzen – anstelle von traditioneller Prozesslogik – innerhalb von Simio Process Digital Twins verkürzt die Zeit, die benötigt wird, um optimierte Planungs- und Dispositionslösungen in realen Betriebsabläufen zu erstellen.
AI Testing & Validation Testbed
- Testen und validieren Sie die Leistung und das Verhalten von KI-Algorithmen vor der Implementierung in einer risikofreien virtuellen Sandbox-Umgebung.
- Optimieren Sie die Leistung von KI-Agenten, indem Sie verschiedene Konfigurationen für maschinelles Lernen und Hyperparameter-Einstellungen evaluieren.
- Simio Process Digital Twins, integriert mit Algorithmen des maschinellen Lernens, können für Simulationen und Experimente verwendet werden, um betriebliche Prozesse zu entwerfen und zu analysieren. Simio Process Digital Twins können auch in realen Betriebsszenarien eingesetzt werden, um optimierte Planungs- und Terminierungslösungen zu gewährleisten.
Synthetische KI-Trainingsdaten erzeugen
- Simio Process Digital Twin-Modelle können saubere, beschriftete und vollständig realisierbare Daten erzeugen, die den gesamten Lösungsraum für das Training von KI-Agenten abdecken.
- Eingebettete und externe neuronale Netze von Drittanbietern können mit dem in Simio integrierten Trainingsalgorithmus Gradient Descent trainiert werden.
- Synthetische Trainingsdaten können zum Training an externe neuronale Netzwerke von Drittanbietern exportiert werden. Die trainierten Neuronalen Netze können dann zur Ausführung wieder in Simio importiert werden.
- Wenn sich die Betriebsbedingungen ändern – z. B. durch den Einbau neuer Geräte, die Einführung neuer Produkte oder Änderungen der Prozessabläufe – kann das Simio Process Digital Twin-Modell automatisch aktualisiert werden, um diese Änderungen widerzuspiegeln, und es können automatisch neue Trainingsdaten erstellt werden, um die KI-Agenten neu zu trainieren.
Integration von maschinellem Lernen und externen Optimierern
- Bei der Arbeit mit komplexen Process Digital Twins, die zahlreiche Inputs und Outputs umfassen – wie z.B. Stammdaten (Input), Umsatzprognosen (Input) und mehrere KPIs (Outputs) – kann der Einsatz von Machine Learning oder anderen KI-basierten Optimierungsansätzen zur Feinabstimmung von Systemparametern größere Verbesserungen der betrieblichen Effizienz und Rentabilität ermöglichen als die Simulation allein.
- Simio bietet robuste Unterstützung für die Skalierung der Rechenleistung und des Arbeitsspeichers zur effizienten Bewältigung erhöhter Szenario-Replikationen/Durchläufe und gewährleistet so das Vertrauen in optimierte Lösungen.
- Mit Programmiersprachen wie Python können Skripte erstellt werden, um automatisch Replikationen von Simio Process Digital Twin-Modellen zu erzeugen und auszuführen, die von einem KI-Optimierungsalgorithmus oder einer Anwendung gesteuert werden. Die Ergebnisse können nach jedem Lauf an den Optimierer zurückgesendet werden, um zukünftige Replikationen zu beeinflussen.
- Dieser Ansatz ermöglicht es dem maschinellen Lernen und anderen fortschrittlichen Algorithmen, eng mit den digitalen Zwillingen von Simio Process zu interagieren und so die Stärken der diskreten Ereignissimulation und der Optimierung durch maschinelles Lernen zu kombinieren.
- Simio wurde von Grund auf so konzipiert, dass es eine nahtlose bidirektionale Datenintegration und eine optimierte Automatisierung mit Anwendungen von Drittanbietern und Programmiersprachen wie Python unterstützt. Dies ermöglicht eine enge Kopplung mit Simio Process Digital Twins, um schnell und automatisch neue Daten und Szenarien zu erstellen.
- Diese leistungsstarke Methodik unterstützt das Systemdesign, die Automatisierung von Arbeitsabläufen und die fortlaufende Systemoptimierung.
- Die Architektur von Simio ermöglicht es Webentwicklern und Datenwissenschaftlern, die Process Digital Twin-Technologie vollständig zu nutzen und Was-wäre-wenn- und Optimierungsszenarien zu erstellen, die die Entscheidungsfindung für alle Beteiligten im Unternehmen unterstützen.
Neuronale Netzwerke trainieren & testen
Das Training eines in einen Simio Process Digital Twin eingebetteten Neuronalen Netzwerkmodells, auch als Agent bezeichnet, ist ein unkomplizierter Prozess. Jeder Simio-Simulationslauf verwendet den eingebetteten Neuronalen Netzwerk-Agenten für die Inferenz und gewährleistet eine optimale Leistung, indem er automatisch synthetische Trainingsdaten erzeugt, um das Modell zu überwachen und neu zu trainieren.
-
Synthetische Trainingsdaten, die in einem Trainingsspeicher aufgezeichnet und gespeichert werden, werden von Simio zum Trainieren eines Feedforward-Modells eines neuronalen Netzes verwendet oder können zum Trainieren eines externen neuronalen Netzmodells, das in einer Anwendung eines Drittanbieters entwickelt wurde, exportiert werden.
-
Der in Simio integrierte Trainer basiert auf TensorFlow, einem der beliebtesten Deep-Learning-Frameworks und einer Open-Source-KI-Engine von Google.
-
Die fortschrittlichen Trainingsfunktionen von TensorFlow sind vollständig in Simio integriert, so dass ein nahtloser Trainingsprozess entsteht, ohne dass Daten in Drittanbieter-Tools importiert oder exportiert werden müssen.
Die Macht der diskreten Ereignissimulation + KI
Die Kombination von diskreter Ereignissimulation und KI zur Bewältigung komplexer betrieblicher Herausforderungen in Produktionsumgebungen und Lieferketten ist eine ideale Anwendung für diese Spitzentechnologie. Die agile Plattform von Simio für die Entwicklung von Digital Twins für intelligente adaptive Prozesse bietet alle Werkzeuge, die Sie benötigen, um Deep Neural Network-Agenten zu trainieren, zu testen und in Simio-Modelle einzubetten sowie bidirektional mit Algorithmen des maschinellen Lernens zu interagieren, um die Modellintelligenz zu erhöhen, die Optimierungsergebnisse zu verbessern und die Ausführungszeiten zu reduzieren.
Produktionsplanung Anwendungen
Die Kombination von diskreter Ereignissimulation mit KI ist besonders wertvoll bei Process Digital Twin-Anwendungen, die die Produktionsplanung betreffen. Neuronale Netze können so trainiert werden, dass sie kritische KPIs vorhersagen, z.B. sich dynamisch ändernde Produktionsvorlaufzeiten für eine einzelne Produktionslinie oder eine ganze Fabrik.
Supply Chain Management Anwendungen
Das End-to-End Supply Chain Management ist eine weitere ideale Anwendung für Process Digital Twins. Neuronale Netze können für kritische Entscheidungen bei der Beschaffung von Zulieferern eingesetzt werden, indem sie die Produktionsvorlaufzeiten für jeden in Frage kommenden Zulieferer vorhersagen und den kostengünstigsten Hersteller auswählen, der in der Lage ist, den Auftrag pünktlich auszuführen.
Die Agilität neuronaler Netzwerke
Neuronale Netze lernen, wie sich Umstellungen, sekundäre Ressourcen, Geschäftsregeln und andere komplexe Produktionsabläufe auf KPI-Vorhersagen auswirken.
Eliminieren Sie Master Production Scheduling Software
KI-basierte Beschaffungsentscheidungen in Fabriken mit Simio Process Digital Twins für Supply Chain Anwendungen machen eine Master Production Scheduling Software überflüssig.