2. 生产排程的核心要素与数据基础
生产排程不是把订单按交期排个队那么简单。它本质上是在一组有限资源上，为每道工序确定开始时间和占用资源，使交期、产能、成本等目标尽可能好。要建立可计算的排程模型，第一步是把车间里的“人、机、料、法、模”翻译成结构化的数据对象，并明确它们之间的约束关系。本节围绕资源对象、工艺路线与BOM、各类时间参数、约束条件以及数据质量五个方面展开。
一、资源对象：排程模型的“演员表”
排程模型中的资源对象至少包括订单、工序、机器、人员、模具和物料六类。订单是需求载体，通常带有订单号、产品、数量、交期、优先级等属性；工序是订单在工艺上的分解单元，一道工序对应一次资源占用；机器是主要产能资源，需要描述其可加工的工序类型、可用日历和产能；人员决定某些工序能否开工，尤其是需要特定技能等级的岗位；模具和工装是典型的“共享且需换装”的资源，同一模具在不同机器间切换需要安装与拆卸时间；物料则决定工序能否开始，存在齐套约束。
这些对象之间不是孤立的。一个订单包含多道工序，每道工序指定可用机器集合、所需人员技能、所需模具和物料清单。排程时真正被“占用”的是机器时间段、人员班次、模具时间段和物料库存。建模时建议为每类资源建立独立的资源表，再用关联字段把工序与资源连接起来，而不是把所有信息塞进一张宽表。
二、工艺路线与BOM：结构与数量的双重约束
工艺路线描述“怎么做”：工序顺序、每道工序的加工内容、可选设备、标准工时、换型关系。BOM描述“用什么做”：父件与子件的数量关系。两者共同构成排程的结构基础。工艺路线决定工序之间的先后约束（串行、并行、可选路径），BOM决定物料需求的计算逻辑——只有子件齐套，父件工序才能开工。
实际建模中要注意工艺路线的“可选性”。同一道工序可能有多台机器可选，也可能存在替代工艺路线。若把可选机器简单写成一台，模型会失去优化空间；若写成任意机器，又可能引入不可行组合。合理做法是为每道工序维护“可用机器集合”，并在模型中用分配变量选择其一。BOM则要注意层级展开与提前期，多层BOM需要逐层计算物料可用时间，而不是只看最终产品的库存。
三、时间参数：加工、换型、准备与批量
排程模型里最容易出错的是时间口径。加工时间通常指单件加工时间，工序总加工时间等于单件时间乘以批量；准备时间与换型时间不同，准备时间往往与批次相关（如开机预热、首件检验），换型时间则取决于前后两个任务的属性差异，例如从产品A切换到产品B需要更换模具和调整参数，而从A切换到同族产品C可能只需简单调整。
换型时间具有“顺序依赖”特征，这是排程建模的难点。若忽略顺序依赖，模型会低估换型损失；若对每对产品都单独建模，变量规模会迅速膨胀。工程上常用换型矩阵表达：行和列分别是前后任务的产品族，矩阵元素为换型时间。对于同族内换型可设较小值，跨族设较大值，从而在精度与规模之间取得平衡。
批量与转移批量也需要区分。加工批量决定一次投入多少件，转移批量决定多少件完成后可以流向下道工序。若转移批量小于加工批量，工序之间可以重叠进行，形成“重叠生产”，缩短总周期。建模时若把两者混为一谈，会高估生产周期。示例性地，某工序加工批量为100件、单件工时2分钟，若转移批量为25件，则每25件完成即可转移，下道工序可提前开工，而不是等100件全部完成。
四、约束条件：交期、优先级与加班
交期是最常见的硬约束或软约束。硬约束要求完工时间不晚于交期，软约束则允许拖期但计入惩罚。优先级用于在产能冲突时决定谁先占用资源，通常与交期、客户等级、订单金额相关。允许加班则是产能的弹性扩展：在正常班次之外增加可用工时，但需要付出加班成本，且加班时长有上限。
建模时建议把交期分为“承诺交期”和“内部计划交期”，前者对外刚性，后者可留缓冲。优先级不要只用一个整数，而应结合拖期惩罚权重，使模型在冲突时能自动权衡。加班变量应显式建模为决策变量，并设置上限和单位成本，而不是在数据预处理阶段直接把产能放大，否则会失去成本与产能之间的权衡能力。
五、数据采集与清洗：模型可信度的地基
排程模型的效果高度依赖数据质量。常见问题包括：工时数据来自理论值而非实际统计、换型矩阵缺失或过时、机器可用日历未扣除保养和故障、物料库存与在途数据不同步、订单交期频繁变更但未留版本。这些问题会让模型输出“数学上最优、现场不可行”的方案。
清洗时应遵循几条原则：工时数据优先使用近期实际统计的中位数而非平均值，以降低异常停机的影响；换型矩阵按产品族维护，并定期用实际换型记录校正；机器日历要区分计划保养、临时故障和正常可用；物料数据要区分现有库存、在途量和已分配量。对于缺失值，不要简单填零，而应标记为“待确认”，并在排程结果中提示风险工序。
把上述要素组织起来，排程模型的输入可以概括为：订单表、工艺路线表、BOM表、资源表（机器、人员、模具）、时间参数表、日历表和库存表。输出则是每道工序的开始时间、结束时间和资源分配。数据基础越扎实，后续的优化算法才有意义；反之，再精巧的模型也只是在错误的数据上做运算。