3. 生产周期计划的数据基础

生产周期计划不是凭经验“拍脑袋”排出来的，它的可靠性取决于四类底层数据：环境参数、生长模型、设备能力和人力工时。这四类数据分别回答四个问题——作物在什么条件下生长、长到什么程度需要多久、设备每天能干多少活、人每天能完成多少工序。只有把它们采集准、整理成统一口径，排出的周期计划才具备可执行性。本节围绕“采什么、怎么采、怎么整理成可用数据”展开。

一、四类数据的采集对象与采集方式

环境参数是植物工厂中最容易实现自动采集的一类数据。核心对象包括温度、相对湿度、光照（PPFD 或 DLI）、CO₂ 浓度、营养液 EC/pH、液温等。采集方式通常有两种：一是通过环境传感器接入控制器，按固定间隔（如 5 分钟或 10 分钟）自动记录；二是人工巡检记录，用于校准或补充传感器盲区。采集时要注意三点：传感器安装位置要代表作物冠层实际环境，而不是靠近空调出风口或灯具正下方；记录要带时间戳和设备编号；对光照要区分“灯下 PPFD”和“日累积光积分 DLI”，后者才是与生长模型对接的关键量。

生长模型数据不是直接“测”出来的，而是通过批次观测积累出来的。典型做法是：在每一批种植中，定期（如每 3 天）抽样测量株高、叶片数、鲜重或干重，记录对应的环境累积量（如累积 DLI、累积有效积温）。经过多个批次后，就能拟合出“环境累积量—生长指标”的关系曲线，例如某叶菜从定植到采收需要累积 DLI 约 12～15 mol/m²（示例假设值，实际因品种而异）。这类数据的关键是“批次可追溯”：每一组生长观测都要绑定当批次的环境记录，否则模型无法建立因果关系。

设备能力数据包括育苗架位数、定植床位数、采收工位数量、环控机组处理能力、灌溉系统流量等。采集重点是“单位时间处理量”和“可用时间窗口”。例如育苗架每层可放 200 穴盘，育苗周期 18 天，那么育苗环节的日周转能力约为 200×层数÷18。设备能力还要记录故障停机、清洗消毒占用的时间，否则计划会偏乐观。

人力工时数据通过工序写实获得。选择典型批次，用秒表或工时记录表统计播种、间苗、定植、采收、包装等各工序的单株或单盘耗时，再乘以批量得到工序总工时。要注意区分“纯作业时间”和“含等待、搬运、清洁的宽放时间”，后者通常按纯作业时间的 15%～25% 估算（示例比例）。

二、数据整理的关键动作

采集到的原始数据往往口径不一，直接用于排程会出问题。整理阶段要完成四个动作。

第一，时间基准对齐。环境数据按 5 分钟记录，生长观测按 3 天一次，工时按批次统计，三者时间粒度不同。整理时统一折算到“天”这一计划粒度：环境数据按日汇总为日均温、日累积 DLI；生长观测按天插值；工时按批次总工时除以生长天数得到日均工时占用。

第二，单位统一。光照统一用 DLI（mol/m²·d），温度累积统一用有效积温（℃·d，以作物生长下限温度为基准），工时统一用“分钟/株”或“分钟/盘”。单位不统一是排程错误的高发原因，例如把灯下 PPFD 直接当 DLI 使用，会高估光照供给约一个数量级。

第三，批次绑定。每一批作物从播种到采收建立一个批次编号，环境记录、生长观测、工时记录都挂在该编号下。这样后续做生长模型拟合时，才能把“这一批经历了多少累积 DLI”与“这一批长了多少天、多重”对应起来。

第四，异常值处理。传感器故障、停电、设备检修会造成数据缺口或异常跳变。整理时要标记缺口区间，用前后均值插补或直接剔除该时段，并在数据表中保留“数据质量”字段，避免把异常值带入模型。

三、从数据到计划参数的换算示例

整理后的数据要转成计划可直接使用的参数。以育苗环节为例：育苗架 4 层，每层放 200 穴盘，育苗周期 18 天，则理论日周转量为 4×200÷18≈44 盘/天。若考虑 10% 的空位损耗和清洗占用，实际可用周转量按 40 盘/天取值。再以定植工序为例：写实测得纯作业 0.6 分钟/株，宽放系数取 1.2，则工时定额为 0.72 分钟/株；若日计划定植 3000 株，则需 3000×0.72÷60≈36 人·小时，按每人每天有效作业 7 小时计，约需 5.1 人，实际排班取 6 人并留出机动。

四、数据质量的日常维护

数据基础不是一次建好就一劳永逸。建议建立三项日常机制：传感器每月用便携式仪器比对一次，偏差超过 10% 即校准；每完成一个批次，把实际生长天数、实际工时与计划值对比，偏差超过 15% 时回查数据并修正模型参数；设备能力数据在每次检修或改造后更新。这样，周期计划的数据基础会随着批次积累越来越贴近实际，计划精度也随之提高。

需要强调的是，本节给出的数值均为教学示例或合理假设，实际生产中应以本场品种、设备和人员写实结果为准。数据采集与整理的价值不在于数据量多大，而在于口径一致、批次可追溯、能直接换算成计划参数——做到这三点，后续的周期排程才有稳固的落脚点。