在过去的几年中，使用仿真来改善工作场所和每项操作的效率已经取得了巨大的增长。尽管处理器速度以非常快的速度增强，但由于其广泛的计算和可视化要求，仿真一直在挑战处理器充分发挥其能力。

此外，随着64位仿真引擎技术的发展，仿真模型的大小和复杂性不断增加，内存需求不断增加，数据输入不断增大，连接需求也不断增加。此外，实时数据变得比以往任何时候都更容易获得，这极大地提高了仿真模型的准确性、有效性和可用性。

本文将讨论仿真模型的可重用性和可扩展性，以及它们在使用Digital Twin Studio数字孪生中使用的实时数据连接的预测性和规范性分析中的作用。

系统介绍

大型仿真模型如整个仓库、制造工厂、医院园区，配送中心DC以及其他类型的大规模环境都是复杂的、仿真计算密集型的，使用传统的单线程仿真软件环境需要更多的仿真时间来运行。以仓储仿真为例，它涉及多个AS/RS系统、标准货架、用于物料处理的AGV、自动化设备、高速输送线，最重要的是与仓库各个方面持续交互的工人资源，这些过程都涉及大量的计算。

要驱动这样的系统，数据必须来自WMS、WCS、PLC、RFID和其他通过WMS、SAP、条形码、RFID、RTLS或手动输入跟踪的数据点。如果要脱机运行，等待模型建好完成运行是完全可以接受的。而另一方面，当模型提供了实时预测分析时，包括多个场景仿真和蒙特卡罗运行时，模型运行周期时间变得至关重要。无论实现是为了保证仿真进度、预测瓶颈，还是其他生产效率与改进提示，都有两个关键因素影响整个解决方案：他们是仿真速度和模型准确性。

无论是使用较小的、独立的和相互作用的仿真模型，还是使用高度分布式的单一模型实现，在模型同步和实时数据可用性方面都会出现关键的挑战困难。正如后面所讨论的，有许多方法可以构建或使用分布模型，并在不影响模型有效性的情况下大大提高仿真运行速度。

另一方面，模型准确性的控制可能更具挑战性，特别是在使用实时数据时。在静态环境的情况下，建模者知道零件的工艺路线以及资源移动路线。可以使用已知数据和当前约束系统来控制仿真模型的行为。

在实时数据和实时预测环境的情况下，模型需要以一种能够随着系统增长、支持实时约束变化的方式进行设计搭建。在某些情况下，模型还需要能够自我扩展，以保持与实时数据之间的正确关系。换句话说，模型需要在一个智能环境中运行，能够根据来自外部数据源的数据反馈自动调整其约束条件或处理步骤，而无需人工干预。这是一个关键要求，使得系统能够作为交钥匙的自动化系统运行，在不断演化的同时，保持高度的有效性和准确性。

面对困难挑战

上述提到的技术虽然在不断发展，但已经成功实施，并克服了多个行业内的许多挑战。当仿真模型相互作用时，需要对仿真模型进行智能化同步，以保证仿真结果的完整性和模型的有效性。无论是使用多线程方法的单个系统，还是使用处理器同步的多个系统，同步都是必须控制的一个关键项。

除了同步优化的挑战之外，与外部实时数据系统交互的仿真必须保持与外部系统集成的完整性。换句话说，实时数据需要以一种防止歧义的方式清晰地映射到模型，同时提供有效的冗余等级。无论是从外部存储数据系统（数据库、SAP、WMS、ERP、EMR等）检索数据，还是通过PLC或RFID数据异步接收数据，仿真模型都会自动更新，并且使用变化条件的结果来实时识别瓶颈和需要改进的领域。

智能模型最具挑战性的问题是它们如何能够实现根据实时环境不断进化而不干扰模型的有效性。这种模型的开发方式可以适应传入的数据，并根据实际环境添加或删除约束。智能模型不断从当前环境中学习，实时调整并持续执行验证、分析和优化，以提供一个免人工干预的环境。下面展示了实时模型交互和学习型智能模型的范例。

第1步：搭建模型

将模型分类为可以相互连接的仿真模型有三种方法：

    ·  模型输出供给一个或多个模型，这样的输入模型

    ·  多线程环境中的严格同步的仿真模型

    ·  在整个系统中使用同步模型法进行分布式处理的模型

当使用实时数据连接时，方法论并不像建模方法那样重要。当使用实时数据和控件如RFID、GPS和其他RTLS时间系统时，要搭建并定义仿真模型，以允许外部跟踪系统自动更新和修改模型行为和约束。换句话说，如果一辆叉车被确定要转移到一个新的托盘位置，那么模型应该足够智能，允许这一移动并自动根据新的托盘位置自动更新模型约束。

可以用多种方式使用同一组模型：

  1. 实时可视化：   显示每个物品的位置、进度和系统中每个实体的分析数据。

  2. 预测模式：       在背景中持续运行模型，消耗历史数据，处理实时约束条件，并生成预测分析，同时提供关于操作未来状态影响的警报和通知。

  3. 解决方案模式：优化未来状态，处理改善操作预测未来状态所需的变更。无论是重新调度作业、劳动力或交付，更新 WCS 或 PLC 逻辑重新排序生产线，还是修改流程和处理约束，处方模式都能提供优化的未来状态，最大限度地减少人工干预，且无需离线分析。

第2步：构建具有实时连接的智能化模型

无论模型是连接到 HL7 数据源（医疗数据系统）、WMS、WCS、ERP 还是 RTLS 系统，每个模型都需要能够自我修改，以支持数据流。自我修改的模型能够检测外部环境的变化，并不断演化以支持新的约束条件。一个不断演化的模型的例子包括：向急诊科 (ED) 部门添加新房间、改变仓库中的拣选路径、增加新的货架、将新机器设备插入生产流程，或者生成新的装配类型对象。

动态自我演化的仿真模型是使用 Simcad  构建的，这是一个动态环境，模型在仿真运行过程中会自动更新并修改其约束条件和流程。此外，由于 Simcad Pro 允许模型基于历史数据自动重新计算分布，它被用作驱动蒙特卡洛分析的基础仿真引擎，并应用于预测性和处方性分析环境中，处方性分析环境，也可以称之为自生成解决方案环境。中。

动态自我演化的仿真模型是使用 Simcad Process Simulator 构建的，这个动态环境使得模型能够在仿真过程中自动更新并修改其约束条件和流程。同时，由于 Simcad Pro 允许模型基于历史数据自动重新计算分布，它作为基础仿真引擎驱动蒙特卡洛分析，并被融入预测性和处方性环境中。

一、实时可视化

1.  该模型视图提供了对跟踪环境的实时可视化。每个实体（设备、产品、人员、资源等）都以可视化方式呈现，并配备了悬停功能或报告仪表盘，使用户能够查看系统中每个实体的状态和属性。
 

2. 模型指标实时计算，并通过基于当前模型约束的 Web 仪表盘显示给用户。
系统的跟踪、可视化和指标通过 Web 接口发布，以便用户可以访问界面，并在桌面和移动设备上查看信息。系统的可视化表示可以根据底层硬件基础设施和可视化需求以 2D 或 3D 空间展示。

3. 此功能实现了对系统实时动态的全面监控和分析，支持用户在不同设备上随时获取系统状态，确保及时了解当前操作的详细信息及相关指标。

二、预测分析

该模型具有从当前环境中学习和自我进化的能力，以便更好地提高其预测值。

模型基于在其设置中定义的初始约束开始。这被认为是系统启动过程，每个模型每次安装时都执行一次。这些初始运行有两个主要目的：

    ·  生成初始的当前模型状态
    ·  模型进展，包括停机时间、周期时间、到达模式以及其他生产模式等

随着数字孪生系统的预测模型的演化，以下运作过程会发生：

    ·  周期时间、到达模式、停机时间等因素的一般分布在每次运行时进行计算。历史分布基于变化因素和与数据有效性相关的模式进行计算。例如，远期历史数据的权重较小，而当前日常事件的影响较大。已知的数据集，如近未来的调度或运输需求，也会影响生成的分析结果。。

    ·  执行多次 蒙特卡洛 运行，以避免由分布产生的变化，并建立一个将来运作有效的可视化模型。

    ·  通过 Web 启用的仪表盘直接显示预测模型生成的数据，为操作的当前状态和未来状态提供洞察意见。由于预测环境是基于由当前、历史和未来数据集驱动的实时约束生成的，因此其准确性非常高。

遵从实时调度：

是基于每个操作的当前状态和预测的未来状态生成的。调度偏差、延误和按时交付会动态计算并展示给用户。当发生意外事件或检测到调度延误时，系统会生成事件和警报。预测模型能够确定延误的发生量、原因，并预测对操作其他部分的潜在影响。

此系统通过实时数据和精确的预测分析，帮助用户不仅了解当前操作的状态，还能提前预见潜在的挑战，并根据预测结果进行有效调整。

第3步：指导性分析

在指导性模型模式下，实时优化和验证在后台进行。对于每种潜在的优化方法，类似于预测环境，都会运行一组蒙特卡洛模拟以确定解决方案的可行性。所需的运行次数由系统决定，并由模型收敛因素驱动，这些因素与优化值相关。

实时优化的例子包括：

• 确定仓库的最佳拣选路线和拣选计划；
• 修改货物存储和补货顺序；
• 修改制造环境中的调度、劳动力需求或维护计划；
• 根据手术室负荷、延迟和当前状态影响重新安排手术室病人。

在实时优化过程中，可能会确定多个潜在的改进方案。每个可行的解决方案都需要对实际系统进行一系列的调整，以确保预测结果有效。根据系统的配置，系统可以通过不同的方式响应优化建议：

1. 接受符合允许变更约束的请求更改，将变更传播到外部系统，并继续进行跟踪；

2. 向用户呈现多个选项，并允许由主管做出决策。当方案被接受时，系统可以将变更推送到外部系统，或者监控环境变化。在这种情况下，由管理人员负责对外部系统实施变更。

处方性分析的另一个关键优势是对调度遵从性的影响。随着不同优化选项的选择，系统展示了关于按时交付的未来展望，并且展示了从当前状态到变更的潜在影响。换句话说，每种优化方法都会影响按时交付和环境的效率。这些变化、延误或改进会根据受众的不同，显示在实时仪表盘上，显示的详细程度也会有所不同。

这一过程不仅帮助管理人员优化操作和资源配置，还能够提前预见潜在的调度问题并提供解决方案，从而提升整体运营效率和准时交付的可能性。

多种方式的协作模型

为了使系统有效运行，实施过程应分为多个相互连接的模型，这些模型协同工作以提供最终结果。模型可以用以下三种模式运行：

1. 同步模式
在同步模式下，多个模型在时间、约束和行为上进行同步，以提供更快的执行速度和更受控制的环境。运行的同步模型数量没有限制，并且可以使用多个硬件平台来加速执行过程。

2. 顺序模式
在顺序模式下，多个模型相互依赖，前一个模型的结果作为下一个模型的输入数据。当第一个模型完成后，它会生成下一个模型所需的输入数据集。第二个模型启动时，会重新加载其约束条件，自动计算其分布，并继续执行。需要注意的是，在顺序模式下，一个模型的运行可能包含多个蒙特卡洛模拟，这些模拟共同生成下一个模型的输入数据。

3. 顺序与同步模式的混合实现
在这种模式下，根据系统需求和结果定义，模型执行可以在执行周期内多次从同步模式切换到顺序模式。这样，可以灵活应对不同阶段的需求和优化目标。

在所有模式下，Digital Twin Studio 中的底层调度器负责处理所有必要的同步和顺序执行，如系统属性中所定义的那样。模型的同步工作现在成为控制系统的标准功能，因此减少了对模型开发人员实施更严格同步方法的要求。最终的结果是，执行速度、模型复杂度和整体系统准确性都可以扩展和优化。

这种设计提供了高度的灵活性和可扩展性，能够根据不同的系统需求和复杂度调整模型的运行方式，从而提升系统的效率和精度。

系统生成结果