3. 产能约束建模：产能定义、瓶颈识别、产能利用率、约束理论(TOC)基础

产能约束是供应链计划系统中最核心的物理限制之一。在安全库存与场景仿真的联合优化中，忽略产能约束会导致计划不可执行、库存堆积在瓶颈前、交付承诺失效。本章从产能的精确定义出发，系统讲解瓶颈识别方法、产能利用率计算以及约束理论（TOC）在供应链计划中的应用。

3.1 产能定义与度量维度

产能（Capacity）指在给定资源、时间、工艺条件下，系统能够产出的最大合格产品数量。在供应链计划中，产能需要从三个维度进行定义：

3.2 瓶颈识别方法

瓶颈（Bottleneck）是限制整个系统产出率的环节。在供应链网络中，瓶颈可能出现在生产工位、仓储能力、运输通道或供应商端。以下是三种主流的瓶颈识别方法：

1. 负荷率法（Load Ratio Method）：计算每个资源在计划周期内的总负荷与可用产能之比，负荷率最高的资源即为瓶颈。公式：负荷率 = 总需求工时 / 可用工时 × 100%。
2. 队列长度法（Queue Length Method）：在仿真运行中，统计各工位前的在制品（WIP）队列长度，队列最长且持续增长的工位即为瓶颈。
3. 产出率法（Throughput Rate Method）：测量每个环节的实际产出率（件/小时），产出率最低的环节即为系统瓶颈。

def identify_bottleneck(resources, demand_hours):
    """
    基于负荷率法识别瓶颈资源
    :param resources: dict, {resource_id: available_hours}
    :param demand_hours: dict, {resource_id: total_demand_hours}
    :return: (bottleneck_id, load_ratio)
    """
    max_load = 0
    bottleneck = None
    for res_id, avail in resources.items():
        demand = demand_hours.get(res_id, 0)
        load_ratio = demand / avail if avail > 0 else float('inf')
        if load_ratio > max_load:
            max_load = load_ratio
            bottleneck = res_id
    return bottleneck, max_load

3.3 产能利用率与OEE

产能利用率（Capacity Utilization Rate）是实际产出与额定产能的比值，反映资源被利用的程度。在供应链计划中，产能利用率过高（>90%）通常意味着系统缺乏缓冲，对需求波动极为敏感；利用率过低（<60%）则意味着资源闲置浪费。

设备综合效率（OEE）是衡量单个设备或产线有效产能的黄金标准，由三个因子相乘得到：

OEE = 可用率 × 性能率 × 质量率。世界级制造通常要求OEE ≥ 85%。在场景仿真中，OEE系数直接用于将额定产能折算为有效产能：有效产能 = 额定产能 × OEE。

3.4 约束理论（TOC）基础

约束理论（Theory of Constraints, TOC）由Eliyahu Goldratt博士提出，核心思想是：任何系统的产出都受限于其最薄弱的环节（约束）。TOC为产能约束下的供应链计划提供了系统性的思考框架和操作步骤。

TOC五步聚焦法

1. 识别约束（Identify）：找出系统中产出率最低的环节（瓶颈）。
2. 利用约束（Exploit）：最大化瓶颈资源的利用率，确保瓶颈不空闲、不生产次品、不受非瓶颈干扰。
3. 服从约束（Subordinate）：非瓶颈环节的节奏必须服从瓶颈环节，避免在瓶颈前堆积过量WIP。
4. 提升约束（Elevate）：通过投资、工艺改进、外包等方式增加瓶颈产能。
5. 循环往复（Repeat）：约束被打破后，返回第一步，识别新的约束。

3.5 产能约束建模在供应链计划中的集成

在《产能约束驱动供应链计划系统》中，产能约束建模不是孤立存在的，而是与安全库存优化、场景仿真紧密耦合。以下是产能约束在系统中的集成架构：

3.6 产能约束建模的关键参数清单

在构建供应链计划系统的产能模型时，以下参数是必须采集和维护的：