なぜ重要か
典型的な課題
実際に何が失敗しているかを明確に示します。モデルが実際に起こることのために構築されるように。
ピーク週がシステムとSLAを破綻させる。
スロッティングの決定がシナリオテストなしに行われている。
人員計画が実際のパスとタスクの変動を反映していない。
成果
何が改善するか
シナリオバリアントと決定を評価するための測定可能な方法。
スループット
拡張なしで向上
SLAリスク
シナリオ計画により低減
労働力
業務量に基づきより適切に配分
成果物
何が得られるか
意思決定対応パッケージ：モデル、シナリオ、実行可能な展開パス。
成果物
- 倉庫シーンとプロセスモデル
- バリエーションシミュレーション
- ボトルネック特定とアクション
推奨機能
成果に必要な最小セットから始め、ユースケースが成熟するにつれて履歴データとライブデータにスケールします。
Studio 3Dプロセスアニメーションシミュレーション（Factory Sim）
実績
ケーススタディ
このユースケースの下に完全に示された実際のシナリオ。
換気・冷却機器メーカー（ポーランド、マゾフシェ県）
倉庫からの資材出庫：所要時間を最大60%短縮
コンテキスト
従業員150名以上、2交代制の工場です。製品は個別仕様の度合いが高く、そのためピッキングが複雑になります。倉庫のピッキングは1シフト平均800件で、分析したピッキングエリアでは10名が作業しています。
タスク
日ごとに計画される製品構成に合わせて、ピッキングリストを動的に作成することが課題でした。同社は、デジタルツイン上で倉庫のピッキングをシミュレーションしました。
作業
- 倉庫の対象区画のデジタルツインを構築しました。
- 搬送経路と、ピッキングの境界条件を定義しました。
- 運用パラメータと、ピッキングに使う搬送手段を設定しました。
- 工程データの構造を整え、データを取り込みました。
- 課題に合ったアルゴリズムを選び、最適なピッキングリストを作成しました。
結果
- 3つの状態をシミュレーションしました。製造オーダーの順にピッキングする最適化なしの場合（1,000秒）、アイランドアルゴリズムを使う場合（550秒）、ソートアルゴリズムを使う場合（200秒）です。
- 導入事例では、最適化によって元のプロセスの所要時間を最大60%短縮できるとしています。
利益
- 現在の製造オーダーを対象にしたピッキングシミュレーションは、数日で用意できました。
- 計画が変わったときは、更新した製造オーダーを取り込めば、アルゴリズムが数秒で新しいピッキングリストを出します。
- 材料や作業者が足りず、生産内容を変えなければならないときに役立ちます。