构建运营韧性：混合模式装配线中的数字孪生方法

《Journal of Industrial Information Integration》：Building operational resilience: a digital twin approach in mixed-model assembly line

　　弗吉尼亚·法尼 | 伊拉里亚·布奇 | 莫妮卡·罗西 | 罗密欧·班迪内利
佛罗伦萨大学工业工程系，意大利

在混合模型装配线中，中断现象给在高变异性环境中运营的行业带来了重大挑战。这些挑战在时尚行业尤为突出，因为SKU（产品系列代码）的频繁更换、高度定制化以及生产需求的动态变化使得运营的韧性变得复杂。为了解决这些问题，本文提出了一种数字孪生（DT）应用框架，旨在识别和减轻运营中断。该框架通过一个时尚行业的案例研究得到了验证，证明了其在管理机器故障和质量问题等中断方面的有效性。从理论角度出发，本研究将中断分为供应链运营管理（SCOM）的几个维度，并区分了运营层面和供应链层面的问题。此外，该框架还为关于数字孪生在管理混合模型装配线中断中的作用的持续讨论做出了贡献。更广泛地说，它将自身置于关于工业4.0技术（如数字孪生）如何作为向工业5.0转型推动力的讨论中。具体而言，本研究强调了数字孪生作为韧性关键促进者的作用，而韧性是工业5.0的一个基础支柱。从管理角度来看，通过提出的结构化方法来管理中断，可以提高公司的绩效。通过跨系统整合信息并将原始数据转化为可操作的见解，数字孪生通过基于模拟的优化来增强决策能力和恢复行动的评估，从而提高韧性。这种对韧性和优化的关注使该框架成为应对现代生产环境复杂性的综合工具。未来的研究可以将其应用范围扩展到供应链层面的中断，从而扩大其影响范围。

1. 引言
近年来，中断的概念在供应链运营管理（SCOM）领域受到了广泛关注，因为组织面临着前所未有的挑战和不确定性，这些挑战影响着战略和运营层面。这一不断发展的背景表现为快速的技术进步、市场波动和监管变化，要求公司重新思考传统的商业模式和框架[1]。这加剧了对敏捷战略框架的需求，这些框架使公司能够快速有效地应对不可预见的变化[2]。从运营角度来看，中断要求重新评估流程、工作流和资源配置，以确保组织在面对快速变化和不可预测的情况时保持适应性和韧性。公司越来越多地采用数据驱动和灵活的系统来应对波动的条件[3]。其中，数字孪生（DT）作为物理资产和过程的虚拟副本，能够实现实时监控、模拟和生产过程的优化。通过整合异构数据源，数字孪生支持持续监控和预测能力，为高变异性和定制化生产环境提供适应性和前瞻性[4,5]。全球动态事件，如地缘政治冲突、疫情和气候变化的影响，突显了中断管理的重要性，特别是供应链的韧性。COVID-19疫情暴露了全球供应链的脆弱性[6,7]，而地缘政治紧张局势和与气候相关的事件进一步增加了供应链连续性的压力。这些因素共同强调了需要强大的风险管理策略和能够承受并应对各种中断的适应性、有韧性的供应链[8,9]。同时，大量文献探讨了通过数字孪生在工厂层面应对中断的情况，重点关注机器故障、质量问题和安全管理[10]。然而，这些研究往往以技术或资产为中心，很少从SCOM的角度出发，忽略了内部工厂动态与生产计划之间的相互作用。这一差距在混合模型装配线上尤为明显，因为运营中断会显著影响生产力和效率，而产品种类的增加又会增加流程的变异性和延迟的可能性[11]。混合模型装配线的复杂性还因即时生产实践而加剧，这种做法旨在最小化库存成本，但反而增加了额外的脆弱性[12]。即使是很小的中断也可能停止生产，影响成本、交付性能和客户满意度，尤其是在高度定制化的行业（如时尚）中[13]。由于中断可能在生产过程中传播，因此越来越需要能够快速识别和响应的工具和框架[14]。

在这种情况下，数字孪生代表了一种有前景的解决方案。作为物理资产和过程的数字副本[15]，数字孪生可以在生产现场管理中断中发挥重要作用。通过持续收集关于机器状态、周期时间和材料可用性等关键方面的实时数据，数字孪生使组织能够及早发现中断的预警信号，例如即将发生的设备故障或材料短缺。此外，通过利用预测性模拟，数字孪生可以评估中断对生产线的潜在影响，并支持决策者在不冒险造成实际运营停顿的情况下测试替代响应策略[16]。例如，在某个工位发生机器故障时，数字孪生可以模拟对整个生产流程的影响，并建议最佳调整以最小化生产力损失[17]。这种监控、预测和调整生产过程的能力使数字孪生成为在复杂、高变异性环境中运营的公司的变革性工具[18]。然而，尽管数字孪生在管理运营中断方面具有潜力，但目前文献中很少有研究探讨其在混合模型装配线中的具体应用。鉴于这种生产线的独特挑战——高变异性和流程间的相互依赖性增加了中断的影响[19]，本文旨在通过提出一个专注于识别和减轻混合模型装配线中断的数字孪生应用框架来填补这一空白。

本研究通过提出一个基于数字孪生的框架来贡献于现有文献，该框架整合了三个关键要素。首先，它引入了数据驱动的阈值逻辑来触发恢复行动，超越了基于规则的或纯粹反应性的方法，通过基于模拟的优化来实现。其次，它采用迭代应用逻辑，根据不断变化的生产条件定期重新校准数字孪生及其决策规则。第三，它引入了人工参与的执行机制，将数字孪生定位为决策支持工具，而不是完全自动化的系统。总体而言，这一贡献主要是方法上的，对高变异性生产环境中的中断管理具有重要的运营和管理意义。因此，以下是研究问题：
RQ1 - 如何通过基于数字孪生的方法有效管理生产系统中的运营中断？
RQ2 - 所提出的方法在高变异性混合模型装配线环境中有多有效？

通过这样做，它为工业4.0技术如何作为向工业5.0转型的催化剂的研究做出了贡献[20]。该框架旨在提高生产运营的韧性和适应性，使公司能够主动应对中断并保持运营连续性。为了验证其适用性和有效性，在时尚行业进行了案例研究，展示了基于数字孪生的框架如何应对生产需求变化和时尚制造所需的高定制化水平的独特挑战[21]。通过探索数字孪生的这种目标应用，本研究旨在为希望在其生产环境中利用数字孪生技术的实践者提供可操作的见解。本文的结构如下：理论背景介绍了主题并为研究奠定了基础；研究方法概述了使用的方法；提出了框架及其在案例研究中的应用；结果和讨论部分分析了发现及其意义；最后，结论总结了贡献并指出了未来研究的潜在方向。

2. 理论背景
2.1 SCOM中的中断
中断可能发生在组织的各个层面，特别是在运营层面和供应链层面，每个层面都带来了不同的挑战，需要针对性的管理方法。理解这些类型中断之间的区别对于制定有效的响应和缓解策略至关重要[22]。供应链层面的中断带来了一套独特的风险，这些风险可能会影响整个组织的生产能力[23]。供应链中断可能导致关键材料或零部件的短缺，直接威胁到生产的连续性，并造成延误，从而影响产品交付和客户满意度[24,25]。物流和运输挑战进一步加剧了这些问题，因为它们可能会干扰原材料和成品的及时交付。在这种情况下，有效的库存管理变得至关重要[26,27]。组织必须保持一定的灵活性，以在短缺或过剩的情况下平衡库存水平，避免可能出现缺货或库存积压的情况，从而增加持有成本[28,29]。在这种情况下，知道何时允许中断蔓延或采取缓解措施尤为重要，因为库存管理决策可能对生产效率、成本和客户满意度产生重大影响[30]。此外，供应链内的中断通常会削弱与供应商的关系，突显了需要清晰的沟通和强大的风险管理策略以确保连续性[31]。这些供应链挑战凸显了业务连续性规划的重要性，这种规划使组织能够以有组织的方式管理和应对紧急情况。

相比之下，运营层面的中断会对组织的内部流程和资源产生直接和立即的影响，导致生产中断，可能延迟产品或服务的交付[32]。这些中断会降低工作流程的效率，从而增加成本，影响整体运营预算[33]。通常需要调整人员配置来应对这些运营挑战，因为员工可能需要适应新的流程或解决不可预见的问题[34]。技术故障或系统崩溃也是严重影响生产力的因素，影响组织满足客户需求和保持服务质量的能力[35]。在这种情况下，定义中断的“超时值”或阈值变得至关重要，因为它允许组织决定何时采取缓解措施，以及何时让中断继续进行[36]。通过建立这样的阈值，管理者可以防止小规模中断升级为影响多个生产阶段的更严重问题[37]。然而，当中断超过这个预定值时，需要迅速有效的干预来保护整体生产力并限制停机时间。在这方面，确定应在何时控制中断或允许其通过生产过程需要仔细分析和实时监控。

表1总结了文献中发现的中断类型，根据它们的SCOM领域（即运营和/或供应链）进行分类。

表1. 文献中的中断类型
| SCOM层次 | 中断类型 | 描述 | 参考文献 |
|----------------|------------|---------|------------------|
| 运营 | 沟通错误 | 部门或机器之间的信息传递错误。 | [18,28,[38],[39],[40] |
| 运营 | 机器故障 | 机器故障导致计划外停机 and 延迟 | [7,18,18,28,38,[41],[42],[43],[44],[45] |
| 运营 | 新产品引入 | 将新产品整合到现有工作流中导致的中断 | [46] |
| 运营 | 质量问题 | 生产质量不一致导致缺陷和浪费 | [47,48] |
| 运营 | 资源分配不平衡 | 设备、劳动力和材料分配不当 | [18,28,39,42,49] |
| 运营 | 工作流程效率低下 | 流程瓶颈 | [7,28,[40],[41],[42],[45,50] |
| 供应链 | 需求波动 | 市场波动导致的需求或供应变化 | [6],[7],[8],[16,18,18,27,28,38,43,45,49] |
| 供应链 | 环境和外部因素 | 极端天气、地缘政治事件或疫情等外部因素 | [2,6,8,11,19,21,23,24,27,45,[51],[52],[53] |
| 供应链 | 物流中断 | 由于物流延误、运输故障或材料短缺引起的中断 | [6],[7],[8],[23,24,28,39,[42],[43],[44],[45],[49] |
| 运营/供应链 | 数据挑战 | 不准确或延迟的数据影响决策过程 | [54],[55],[56],[57],[58] |
| 运营/供应链 | 技术中断 | 数字基础设施或自动化机械故障 | [4,42,48,59,60] |

总体而言，理解中断的复杂情况需要多层次的方法，因为每个类别都带来了自己的风险和机遇[61]。通过区分运营和供应链中断的特点，并认识到技术、经济、社会、监管、人口统计、环境和健康相关中断的不同影响，组织能够更好地设计出灵活和适应性强的策略，以促进韧性[62]。在当今的环境中，这种准备不僅是一种竞争优势，更是应对不确定性的必要条件[63]。这一概念指的是重大的、往往是不可预测的变化，这些变化挑战了现有的结构和实践，正在重塑各个行业的战略和运营决策。从战略上讲，中断迫使组织重新考虑其长期目标、商业模式和竞争策略[19]。这不仅涉及对当前中断的反应，还包括积极建立适应未来变化的能力，无论是逐渐发生还是突然出现的变化。因此，组织有责任创建敏捷的战略框架，以便在需要时迅速调整。这种敏捷性不仅仅是反应性的，而是战略思考的核心组成部分，使企业能够将颠覆性力量转化为增长和创新的机会，而不仅仅是将其视为威胁[64]。数字孪生用于管理运营中断
通过整合人工智能（AI）、机器学习（ML）和数字孪生（DT）等先进技术，组织可以优化其运营流程、简化决策过程并及早发现效率低下问题。这些技术不仅提升了整体性能，还充当了重要的安全防护措施，使公司能够灵活调整运营以应对出现的中断[21]。为了管理和缓解运营中断的影响，像数字孪生这样的先进技术工具已成为强大的解决方案[45]。数字孪生是对物理对象、系统或过程的高保真虚拟复制品，它通过传感器收集的连续数据反映其实时状态、状况和行为，为管理生产的复杂性提供了许多优势[60]。数字孪生可以从生产线收集实时数据——监控机器状态、周期时间、物料库存水平和其他关键变量。通过持续监控，数字孪生能够及早发现中断的迹象，例如即将发生的机器故障或可能导致延迟的瓶颈[65]。通过提供及时的数据，数字孪生有助于在中断升级之前加以预防，为公司提供了一种保持生产连续性的主动方式。除了监控之外，数字孪生还在进行预测性模拟方面发挥着重要作用，使公司能够评估各种中断对生产工作流程的潜在影响[18]。例如，通过模拟机器故障或关键供应商延误的情况，公司可以在虚拟环境中测试应对策略，从而了解在不影响实际运营的情况下减轻潜在损失的最有效方法[64]。当特定站点发生中断时，数字孪生可以自动分析情况并提出替代的生产顺序或生产线重新组织方案，以尽量减少对整体生产力的影响[66][28]。这种能力在复杂的混合模型装配线上尤其有价值，因为即使是很小的中断也可能迅速引发连锁反应，导致长时间的停机时间和产量减少[64]。数字孪生带来的快速调整能力是单纯依靠人工干预难以实现的。

尽管数字孪生在各个行业中的应用日益增多，但在现有文献中，关于其在混合模型装配线上管理运营中断的具体应用仍然相对较少。由于人机交互和定制化的需求，将数字孪生集成到混合模型装配线中具有挑战性，尤其是在时尚、国防和航空航天等行业[48]。这些生产线需要频繁更新，而手工数据收集往往会导致不一致性[58,67]。尽管在高风险行业中的采用速度较慢，但数字孪生承诺能够优化工作流程、减少瓶颈并改善中断管理[68]。目前关于数字孪生的大部分研究集中在它们的战略规划或系统设计应用上，而不是解决运营层面的具体问题[44]。这一差距突显了进一步研究的一个重要领域，因为依赖复杂生产环境的行业可以从数字孪生如何增强生产现场韧性的见解中获益匪浅。由于其复杂性和管理多样化产品需求的精度要求，混合模型装配线特别适合从数字孪生提供的灵活性中受益[19]。虽然现有文献主要探讨了数字孪生在战略规划或高级模拟中的应用，但本研究通过将数字孪生框架应用于混合模型装配线，推动了该领域的发展。与理论或完全自动化的方法不同，我们的框架整合了数据清洗、中断聚类以及基于模拟优化的迭代重新校准优化阈值。该框架在有人参与的环境中经过了验证，适用于存在手工操作和高定制化的场景，而这些条件在当前的数字孪生实现中往往被忽略。

3. 研究方法
为了回答本研究提出的问题，采用了定性和定量应用研究设计，遵循图1所示的方法论方法。这一选择与先前结合概念开发、实证验证和制造环境中的基于模拟分析的研究一致[69]。

研究的定性部分基于对运营中断、数字孪生和供应链运营管理（SCOM）相关文献的分析。理论背景是通过针对相关贡献的集中和综合性回顾建立的，旨在识别关键的中断类型、决策逻辑以及数字孪生在运营应用中的差距。这种方法与那些基于结构化文献见解而非正式结构化学习规律（SLR）协议提出的概念性或应用导向框架的研究一致[70]。这一阶段的结果支持了研究问题1（RQ1），为所提出框架的设计提供了概念基础。案例研究方法遵循了探索性和解释性单案例研究的既定指南，特别适合在真实环境中研究复杂现象[71]。所选案例是一家位于时尚行业的混合模型手动装配线，该环境具有高度变异性、频繁的库存保持单元（SKU）更换以及对运营中断的显著敏感性。这使得它非常适合评估所提出方法在解决研究问题2（RQ2）方面的有效性。此外，案例研究的定性部分还通过对直接参与混合模型装配线管理的关鍵决策者的半结构化访谈来支持[72]。具体来说，访谈对象是位生产计划者和一名精益专家，他们因在运营决策中的互补角色而被选中。生产计划者负责调度相关决策，包括生产组合定义和交货期限，而精益专家则专注于生产流程控制和性能监控，特别是生产力和标准时间方面。访谈分为两个阶段进行：在实施所提出框架之前，进行了访谈以深入了解现有的现状规划和控制实践；实施后，进行了第二轮访谈，以收集参与者对框架在决策和运营绩效方面的看法和影响。访谈内容被转录并通过三角验证过程进行分析，将访谈见解与公司生产数据相结合，符合案例研究中定性验证的既定方法论指南[73]。

研究的定量部分嵌入在框架的实证应用中。从公司的企业资源规划（ERP）和制造执行系统（MES）系统中收集的定量数据被用于通过基于模拟的优化方法来参数化和验证生产线的数字孪生模型[74,75]。具体的数字孪生和优化机制在案例研究部分（特别是框架应用部分）中有详细描述，其中介绍了该框架的技术实现。

4. 提出的框架
为了解决研究问题1（RQ1），开发了一个将数字孪生技术与实时数据收集和基于阈值的恢复行动相结合的框架，以管理运营环境中的中断（见图2）。该框架通过提供实时中断检测、优化阈值计算和自适应恢复行动设计的新型集成，推动了数字孪生应用的发展。虽然所提出的框架在概念上适用于不同的生产系统配置，但由于运营中断在这些环境中的影响更为显著，因此特别适用于混合模型装配线。在混合模型环境中，具有不同处理时间和工作站需求的SKU交替增加了生产流程控制的复杂性，使得中断的传播更加严重且难以预测。因此，定义触发恢复行动的优化、数据驱动的阈值变得尤为重要，以避免偏离计划的工作流程，同时保持生产线平衡、交货期限和生产力。这代表了与传统数字孪生模型的不同，后者通常应用静态中断规则或假设生产环境是均质的。通过实现工作站级的优化和基于中断类型及SKU变异性的动态重新配置，该框架填补了文献中关于在劳动密集型、高变异性环境中部署数字孪生的空白。

如图2所示，该框架整合了与数据相关的和与决策相关的流程，某些步骤（如中断聚类）将数据处理与决策制定联系起来。本质上，该系统从公司的ERP和MES中获取数据，以监控运营并在超过某些运营阈值时触发自动纠正措施。目标是使系统更具弹性和适应性。

在“数据管理”阶段，流程从ERP数据收集开始，整合生产调度、劳动力管理和生产周期的相关标准时间信息。这些数据经过彻底清洗以确保准确性和一致性，随后进行聚类分析以识别中断类型和相对分布。在确定优化阈值之前，这一步骤是必要的，超过该阈值的中断将变得显著并需要恢复计划。清洗后的数据用于更新主数据集，为主数字孪生的建立提供基础。在“中断管理”阶段，与数字孪生的集成变得至关重要。这一阶段涉及在数字孪生环境中复制生产线的功能，使用已更新的数据集，其中包含准确定义的标准时间和基于过去绩效数据的统计分布的历史处理时间。最初，在名义操作条件下运行数字孪生，通过将其输出与生产线的实际性能进行比较来验证其准确性。这一验证过程确保数字孪生可靠地反映了现实世界的运营情况，为进一步分析提供了可信的基础。一旦验证通过，数字孪生用于优化以确定相对于标准处理时间的阈值。这一阈值表示超出该阈值的偏差表示需要干预的重大中断。如果任务的处理时间持续超过这个优化阈值，则表明存在运营中断，例如机器故障或质量问题，这需要激活恢复计划。这种方法增强了数字孪生作为主动管理中断工具的能力，加强了系统的弹性和运营稳定性。

在“执行和控制”阶段，生产线在预设阈值被超过时自动执行嵌入的恢复动作。这些恢复动作根据检测到的中断类型进行定制，从而实现有针对性的响应，以最小化对生产的影响。例如，如果自动化机器出现故障，数字孪生建议的具体恢复动作会将延期的任务重新分配到另一台机器上，确保生产继续进行。通过递归执行恢复动作（必要时）并从公司的MES收集数据来实施这些动作。另一方面，框架应用的迭代性质由多种因素驱动，如生产组合的变化或根据收集的数据修改标准时间的必要性。框架迭代的频率由公司的具体运营需求决定。

5. 案例研究
5.1. 公司描述
为了回答研究问题2（RQ2），在一家时尚公司中应用了所提出的框架，以展示其在现实世界场景中的可用性。具体来说，本案例研究聚焦于托斯卡纳地区一家著名的时尚集团旗下的皮革制品公司，该公司专注于奢侈包的生产。生产工厂分为六个主要区域，如图3所示，遵循包制作流程的关键阶段。

仓库管理原材料、组件和成品，根据生产计划挑选物品。在切割部门，皮革被切割并送往准备部门，该部门作为混合模型装配线运作。同时，切割好的肩带皮革被送往肩带部门。配件部门作为一个分离点，将准备好的零件组织成10个包的装配批次。每个包含一个包所需材料的篮子根据SKU类型被分配到五条单模型装配线之一。

本案例研究重点关注混合模型准备部门，该部门负责准备工厂生产的全部五种包模型。如表2所示，准备部门由15个工作站组成，这些工作站按照包制备所需的逻辑顺序排列。一些工作站是重复的（例如，WS2和WS2.1、WS4和WS4.1），它们作为相同的资源并行运行，用于增加容量并吸收那些处理时间较长或工作负荷集中的特定操作的变化性。每个准备批次在一个工作站上完全处理完毕后再转移到下一个工作站，每个工作站的处理时间计算为该工作站上处理特定SKU所需的所有任务的处理时间之和。生产周期根据SKU类型来确定哪些工作站处理产品以及处理顺序，有些工作站并行运行以处理不同类型的SKU。这种配置形成了一个部分并行、混合模型的流程，在特定工作站上的中断可能会根据SKU组合和并行容量的可用性不同而产生不同的影响。在这种情况下，管理准备部门中的中断尤为重要，因为其混合模型装配线设置需要灵活性来保持生产力。该公司面临的主要挑战是在最小化部门内部延迟的同时最大化每周生产力，生产力定义为在最终工作站完成的袋子数量。

表2. 混合模型生产线流程

工作站模型：WS1、WS2、WS2.1、WS3、WS4、WS4.1、WS5、WS6、WS7、WS8、WS9、WS10、WS11、WS12、WS13

如图4所示，工厂还包括一个专门的培训区，由三个工作站（WS1T、WS2T、WS3T）组成，在生产线（WS1、WS2、WS3）发生中断（如机器故障）时，这些工作站可以提供额外的容量支持。这个培训区的可用性引入了一个额外的决策变量，因为将任务重新分配到培训工作站可以减少停机时间，但也可能影响生产线平衡和整体流程稳定性。

下载：下载高分辨率图片（254KB）
下载：下载全尺寸图片

图4. 混合模型生产线和培训区布局

基于与关键决策者（生产计划员和精益专家）的半结构化访谈，准备部门中最常见的运营问题与机器故障和由于质量问题导致的返工有关。这些事件由操作员在任务执行结束后记录在MES系统中。主要的运营后果包括局部排队累积、延迟增加以及并行工作站和顺序工作站之间的临时不平衡。这些见解指导了在中断类型、决策变量和性能指标的选择上，这些将在后续章节中进行分析。

5.2. 框架应用

在详细说明应用步骤之前，有必要区分所提出框架的一般逻辑和其特定案例的应用。虽然该框架在概念上是通用的，但其在本研究中的实施反映了与所调查情境相关的具体选择。诸如使用培训生产线、选定的恢复措施、标准时间修正的±15%规则以及MES报告实践等元素是依赖于具体情境的，而数据驱动的阈值定义、中断检测和恢复措施触发的基本逻辑是通用的，可以转移到其他工业环境中。

5.2.1. 数据管理

正如框架中的“数据管理”步骤所描述的，首先从公司的ERP和MES系统中收集数据。从ERP系统中提取关键信息，包括生产计划（有序的生产组合）、生产布局（资源和机器分配）以及每个SKU的生产周期（定义处理SKU的工作站序列及其相应的标准时间）。从MES系统中收集的数据集包含了物品在不同工作站之间移动的详细信息。表3总结了MES数据集的结构。

表3. MES数据集示例

| 数据类型 | 描述 | 示例 |
|---------|-------|------|
| 移动记录日期 | 捕获数据记录的具体日期，标记每个物品从工作站进入和离开的时间。 | 18/04/2023 |
| 工作站ID | 表示每个任务完成的具体工作站或机器的标识符。 | WS1 |
| SKU ID | 表示正在处理的产品的代码，根据样式、材料或设计复杂性而变化。 | A |
| 工人人数 | 分配给每个操作的劳动力规模，可能会影响处理时间。 | 1 |
| 进入和退出时间戳 | 记录物品进入和离开工作站的确切时间，以便精确计算实际处理时间。 | 14:58:24 |
| 理论标准时间 | 基于行业和操作标准的每个任务的预定义基准时间。 | 00:30:50 |
| 实际处理时间 | 在每个工作站之间的测量持续时间，代表实际处理时间。 | 00:37:22 |
| 报告的问题 | 指示操作员在任务执行结束后是否报告了运营问题，并指明中断类型（例如，机器故障或由于质量问题的返工）。此信息手动记录在MES中，用于分类中断事件。 | |

收集了一年的生产数据后，进行了数据清洗以评估声明标准时间的可靠性。在此操作中，分析了ERP中的标准时间与MES记录的实际处理时间之间的差距。根据公司的看法，某些SKU的标准时间可能在工业化阶段定义不准确，导致记录的处理时间出现一致性的偏差——要么系统性地超过要么低于声明的标准值。为了解决这个问题，并符合公司的要求，当平均处理时间超过声明的标准时间超过15%或低于标准时间超过15%时，就会重新定义标准时间。这种细化是使用统计工具MiniTab?进行的，确保更新后的标准时间准确反映了实际生产性能。另一方面，中断被识别为处理时间和标准时间之间的偶发或随机偏差。通过对SKU-工作站对的历史分析，揭示了公司通过MES追踪的两种类型中断的统计分布。具体来说，在任务结束时，操作员可以报告正在处理的SKU的不合格情况，并指定中断的类型。这些中断被分类为机器故障或由于质量问题的返工，为公司提供了可操作的数据以更好地理解和解决这些问题。统计分析进一步表明，这些中断之间的时间间隔最好用指数分布来表示，这与之前的研究结果一致[76]。基于清理后的数据集和聚集的中断数据，数据集被更新为DT的输入。

5.2.2. 中断管理

DT是使用AnyLogic?仿真软件构建的，该软件常用于在现场实际情况中实施概念框架[77,78]。此外，还可以使用OptQuest优化引擎在该软件中进行基于仿真的优化。DT采用数据驱动的方法实现，因为它代表了框架的关键价值，确保其易于适应和迭代应用[69]。特别是，该框架是数据驱动的，每当底层生产数据更新时都可以轻松重新适应。每次迭代对应于框架的一次新执行，由关键运营条件的变化触发，例如生产组合的变化、基于收集的数据的标准时间修订或中断模式的持续变化。这样，DT及其相关的决策规则会定期重新校准，以反映当前的运营环境。在这种实现中，所提出的DT并不作为完全连续的实时系统运行，而是遵循一种迭代同步逻辑，更新由生产条件的相关变化触发。这种设计反映了所研究的混合模型手工装配环境的特点，其中数据可用性和决策制定本质上是周期性的，并且需要人类参与。DT被实现为准备部门的离散事件仿真模型，明确表示工作站、操作员、缓冲区和产品路线以及中断事件。仿真模型与通过AnyLogic?提供的OptQuest引擎实现的基于仿真的优化程序相结合。OptQuest作为优化算法，通过迭代运行仿真模型并评估相对于定义的目标函数的替代阈值配置来探索决策空间。在 presented案例研究中，交互次数设置为1000次，这被认为可以提供目标函数值和阈值设置的稳定收敛。优化的决策变量对应于中断激活阈值，而系统约束则由仿真逻辑隐式执行，包括工作站容量、路由规则和恢复措施的可行性。

首先，对现状（AS-IS）场景进行了建模和验证，代表了为期一周的15个工作站和安排好的顺序。根据公司的需求，考虑的关键绩效指标（KPI）是平均延迟和每周生产力。特别是，公司认为这两种KPI都会受到运营中断的负面影响，特别是机器故障和质量问题。每种类型的中断都需要特定的恢复措施：对于机器故障，物品可以转移到培训线上；对于质量问题，下一个工作站的操作员可以帮助完成延迟的任务以重新启动正常的工作流程。由于这些措施可能会中断正常流程，因此定义一个优化的阈值非常重要，以确定何时干预并偏离标准工作流程真正有益。为了评估不同中断管理策略的有效性，通过同时考虑生产力和延迟来评估系统性能，这两个指标在混合模型装配线中通常是相互冲突的运营目标。为了规避这个问题，采用了一个复合目标函数，定义为生产力和延迟的比率。这种表述方式可以同时最大化吞吐量，同时惩罚过长的流程时间，提供了一个符合公司运营优先级和决策逻辑的平衡性能度量。因此，复合目标函数用于指导基于仿真的中断阈值优化。据此，定义了两个TO-BE场景来评估计算阈值和优化KPI的最有效方法，如表4所示。

表4. 场景定义

| 场景 | 目标函数 | 阈值定义方法 |
|------|---------|------------|
| AS-IS | -- | -- |
| TO-BEX.1 | MAX（生产力 / 延迟） | 对所有WST唯一 |
| TO-BEX.2 | MAX（生产力 / 延迟） | 对每个WST特定 |

TO-BEX.1和TO-BEX.2场景采用的目标函数是最大化生产力与延迟的比率，允许同时考虑这两个KPI，但对阈值的定义不同。下标X表示框架应用的迭代次数。具体来说，在TO-BEX.1中，对所有工作站应用单一阈值以简化管理。相比之下，TO-BEX.2为每个工作站定义特定阈值，以评估定制阈值是否可以实现更好的性能。

关于阈值的定义，它们是根据标准时间的百分比计算的，以考虑混合模型装配线生产序列中包含的各种SKU。它们的最优值是通过基于仿真的优化运行得出的结果。从实现目标函数最高值的TO-BE场景开始，数据集更新为相应的最佳工作站阈值和相关恢复计划。在多个TO-BE场景产生可比的目标函数值但在生产力和延迟之间表现出不同权衡的情况下，最终选择由决策者根据其运营优先级做出。

5.2.3. 执行和控制

在前一步中定义的恢复计划在现场得到了实施，收集的结果与模拟结果一致。在执行阶段，恢复计划的执行并不完全自动化。相反，该框架采用了一种人工参与决策支持的方法。当工作站的处理时间超过优化阈值时，系统会生成警报，并通过位于工作站上的平板电脑显示给操作员。警报提示可能存在运营中断，并建议相应的恢复措施，根据报告的中断类型（即机器故障或与质量相关的问题）来选择。是否以及如何应用建议的恢复措施的最后决定仍由人类操作员做出，操作员可以根据当前运营环境评估建议。这种方法确保了灵活性，并保留了人类监督的重要性，特别是在手动和混合模型装配环境中，自动化规则可能无法完全捕捉到所有情境因素。根据现场结果和运营条件的变化（例如新的生产组合），公司需要对该框架进行第二次迭代，并按照相同的“现状”（AS-IS）和“未来状态”（TO-BE）场景结构来执行。第一次和第二次迭代的结果分别总结在表6和表7中。在本研究中，“迭代”并不指针对同一数据集的不同的解决方案或重复的算法运行，而是指将所提出的框架依次应用于公司不同时期采用的不同生产组合。具体来说，第一次迭代是指将该框架应用于初始生产组合（Mix 1），而第二次迭代则是基于公司在后续计划阶段采用的不同生产组合（Mix 2）进行的应用。表5报告了Mix 1和Mix 2中每个 SKU 的相对占比。

因此，该框架在不同的运营条件下进行了两次测试，使用了来自ERP和MES数据的不同输入数据集，这些数据集对应于这两种生产组合。场景的特点如表4所示。第一个数字表示迭代次数，第二个数字与TO-BE场景的类型相关（例如，AS-IS1表示在框架的第一次迭代过程中应用表4中的AS-IS场景；TO-BE1.2表示在框架的第一次迭代过程中应用表4中的TO-BE2场景）。第一次迭代的结果显示，从AS-IS场景过渡到TO-BE场景后，交货时间和周生产率都有显著提升，这突显了所提出框架的有效性。TO-BE1.1场景下，交货时间减少了60.4%（516分钟），周生产率提高了21.9%（524个SKU）。这一结果表明，采用单一阈值方法能够有效平衡这两个关键绩效指标（KPI），从而显著提升性能。进一步的优化，即为每个工作站定制阈值，在TO-BE1.2中实现更好的结果：交货时间减少了62.9%（483分钟），周生产率提高了22.6%（527个SKU），表明针对工作站的阈值能够更有效地捕捉处理时间、工作量分配以及不同工作站之间的中断关键性的局部差异，而这些差异无法通过单一的全球阈值来有效表示。根据这些发现，决策者选择了实施TO-BE1.2场景，因为它被认为是最有效的。除了表6中报告的定量改进外，通过实施后的半结构化访谈收集的定性证据进一步揭示了该框架在实践中的感知和使用情况。决策者指出，引入明确的数据驱动的中断阈值提高了恢复决策的透明度，相比之前的AS-IS情况，之前的干预主要是反应性的，并基于个人经验。特别是生产规划者和精益专家表示，针对工作站定制的阈值（TO-BE1.2）更符合混合模型的实际运营情况，因为它们更好地反映了工作量、SKU多样性和不同工作站之间的中断关键性的差异。这种效果因生产线的结构特征而进一步增强，例如存在并行工作站和SKU依赖的路线分配，这些特征会导致非均匀的中断传播模式，需要本地化的决策规则来有效管理瓶颈。这种定性反馈与定量结果一致，表明TO-BE1.2在缩短交货时间和提高生产率方面表现更优。

在第二次迭代中，改进虽然不那么明显，但仍然显著。TO-BE2.1将交货时间减少了36.4%（635分钟），周生产率提高了13.7%（524个SKU）。TO-BE2.2在此基础上进一步将交货时间减少了41.5%（584分钟），周生产率提高了14.3%（527个SKU）。与第一次迭代相比，收益较小，这归因于AS-IS2的更强性能，其本身就优于AS-IS1，表明第二个生产组合内在上支持更高的生产率水平，为额外优化留下的空间较小。从分析角度来看，这种差异可以通过两种生产组合的结构组成来解释。Mix 1的特点是变异性更高，基线配置不平衡，这增加了适应性恢复措施的潜在好处。相反，Mix 2表现出更稳定和高效的基本性能，减少了额外优化机制的边际影响。在评估两次迭代中恢复行动计划的效果时，第一种生产组合表现最佳。具体来说，尽管TO-BE1.2和TO-BE2.2都达到了相同的最高周生产率（527个SKU），但第一次迭代的交货时间明显较低，为483分钟，而第二次迭代为584分钟。这使决策者得出结论，尽管生产组合2在AS-IS场景下可能提供更好的基本性能，但通过恢复措施实现的改进在生产组合1中更为显著和有影响力。因此，在数据转换（DT）运行后没有更新数据集，第一次迭代的数据集被保留用于“执行和控制”步骤。

定性见解也支持了对两次迭代之间差异的解释。根据实施后的访谈，第二种生产组合的更强基本性能减少了激活恢复措施的紧迫感和边际收益，证实了框架的有效性在很大程度上受到生产组合的结构特征和生产系统基线配置的影响。此外，决策者强调，在不确定性和变异性较高的情况下，该框架作为决策支持工具特别有价值，而不仅仅是一个自动优化机制。这种认知进一步强化了框架作为以人为中心的支撑系统的角色，它通过增强决策信心和对中断影响的共同理解来补充定量性能改进。尽管观察到了好处，定性证据也指出，有效采用该框架在很大程度上取决于操作员的适当培训和变更管理实践。决策者指出，如果没有适当的培训和参与，操作员可能会对变化产生抵触，尤其是在恢复措施是由数字系统建议而不是通过既定流程启动的情况下。在这种情况下，培训活动不仅在正确解释警报和恢复建议方面起着关键作用，还在建立对基于数据转换（DT）的决策支持逻辑的信任方面发挥作用。这些发现强调了在手动和混合模型装配环境中，补充技术和以人为中心的措施的重要性，以确保可持续采用。

除了性能提升外，基于数据转换的恢复行动的实施还引发了符合工业5.0原则的伦理考虑。特别是，使用实时监控和基于性能的任务重新分配可能会无意中增加对工人的压力，或者被视为监视，尤其是在准备部门等手动装配环境中。尽管在所研究的案例中没有发生职位流失，但某些决策的自动化可能会影响工人的自主权和公平感。因此，未来的实施应包括参与式设计机制，以确保以人为本的价值观贯穿于数字化转型过程中。虽然该框架已在混合模型装配线上得到验证，但其结构并不限于这种配置。在单模型或低变异性的生产系统中，也可以应用类似的基于阈值的干扰管理逻辑，尽管复杂性较低，因为干扰影响通常更局部化且更容易吸收。然而，在混合模型环境中，所提出方法的好处变得更加明显，因为干扰效应会在异构产品流中传播，决策权衡也更为关键。

为了回答研究问题1（RQ1），本文提出了一个数据转换（DT）应用框架，旨在识别和缓解混合模型装配线中的运营中断。通过在时尚行业的实际场景中实施该框架，证明了其在管理高变异性环境中的有效性，从而解决了研究问题2。从理论角度来看，本研究通过整合数据驱动的阈值逻辑、迭代适应机制和以人为中心的方法，为基于DT的统一框架做出了贡献。除此之外，该研究还完成了SCOM维度内中断的分类，区分了运营层面和供应链层面，如表1中所详细说明的。此外，该框架推进了关于工业4.0技术（如DT）作为向工业5.0过渡的促进者的持续讨论。通过专注于管理混合模型装配线中的运营中断并增强其韧性，它提供了来自实际工业环境的验证见解。从管理角度来看，该框架作为一个基于DT的决策支持系统，提供了一个结构化且严谨的方法来管理运营中断。这种方法在以混合模型装配线为特征的研究案例中特别有效，因为生产序列中SKU的交替使得实施恢复措施时重新平衡变得更加复杂。此外，公司认为的主要好处之一是“数据管理”步骤，因为它促进了异构信息源的整合，并能够快速优化每个工作站-SKU对的具体阈值。由于阈值以标准时间的百分比表示，且生产组合包含多个SKU，这一步确保了针对生产线复杂性的精确和高效的中断管理。利用数字化，该框架将原始数据转化为可操作的洞察。这种整合通过支持明智的决策和动态适应中断来增强韧性，强调了准确和及时数据在优化生产过程中的关键作用。此外，该框架有助于评估恢复措施（如使用额外容量），考虑其对原始生产流的影响。通过在DT内的模拟优化，可以分析各种场景，确保恢复策略不仅在应对中断方面有效，而且对整个系统的干扰最小。这种对韧性和优化的双重关注突显了该框架作为导航现代生产环境复杂性的综合工具的价值。例如，该框架的迭代应用表明，尽管某些生产组合可能自然提供更好的基本性能，但通过恢复措施实现的改进在很大程度上取决于生产系统的具体特征。从学术角度来看，该研究填补了当前文献中的一个空白，展示了如何将DT operationalize 到支持在以手动操作、SKU交替和劳动力变化为特征的环境中进行细致、实时决策。这一贡献对于那些数字化转型必须与高水平的工艺和定制共存的行业（如时尚和奢侈品制造）尤为重要。

尽管有几项贡献，这项研究也有其局限性。虽然案例研究被证明是有效的，但其结果特定于所研究的公司及其特定需求。所考虑的运营中断——机器故障和质量问题——反映了公司的环境和优先事项，忽略了文献中提到的其他潜在中断（如生产线平衡不当）。尽管这两种类别因其在研究环境中的关键性而被优先考虑，但其他运营中断（如通信错误、工作流程低效和资源分配不平衡）在本次实施中并未涉及。尽管如此，包括这些中断代表了未来研究的一个有前景的方向，允许在不同中断场景和工业环境中测试框架的灵活性。此外，虽然它在交货时间和生产率方面展示了显著改进，但框架的实施需要投资于仿真工具、ERP/MES数据整合和员工培训。尽管这些方面并非本研究的重点，但它们可能会对资源有限的组织的采用形成障碍，这表明未来的研究应该探讨在不同行业环境中实施数据驱动的数字化转型解决方案的成本效益权衡。因此，未来的研究可以致力于在一家或多家案例研究组织中复制所提出的框架进行测试。此外，该框架的模块化和数据驱动架构使其能够扩展到时尚行业之外的其他行业。例如，在航空航天、汽车或电子等行业中，产品和操作的多样性很高，同样的基于阈值的恢复和中断聚类方法可以通过对数据结构和中断类型的适当调整来应用。未来的研究还可以通过集成排序优化机制来进一步扩展该框架，特别是对于混合模型生产线。基于之前关于排序和运营控制联合优化的研究，这样的扩展可以使生产顺序能够动态适应中断情况，从而补充本研究中提出的基于阈值恢复的逻辑。此外，该框架还有潜力扩展到供应链层面，使其适用范围超越运营中断。通过关注供应链中断，该框架可以将重点从工作站和操作员等资源转移到供应链中的关键节点，如供应商、客户以及材料和信息流的各个阶段。

**披露声明**
作者未报告任何潜在的利益冲突。

**数据可用性声明**
本研究期间生成和/或分析的数据集可根据合理请求从相应作者处获得。

**作者贡献声明**
Virginia Fani：撰写——审稿与编辑、撰写——初稿、可视化、方法论、调查、数据管理、概念化。
Ilaria Bucci：撰写——审稿与编辑、撰写——初稿、可视化、方法论、调查、数据管理、概念化。
Monica Rossi：撰写——审稿与编辑、监督、概念化。
Romeo Bandinelli：撰写——审稿与编辑、监督、概念化。