1. 课程导入与工程全景

在制造企业里，APS（Advanced Planning and Scheduling，高级计划与排程）系统上线后最常见的尴尬是：系统里跑出来的排程结果“看起来很美”，但到了车间却执行不下去。计划员说“模型算出来的顺序不合理”，车间主管说“系统根本不懂我们现场的约束”，IT 说“参数都按调研结果配好了”。三方都没错，问题出在模型世界与物理现场之间存在系统性偏差，而缺少一套持续把偏差识别出来、量化、修正回去的工程方法。这正是本课程要解决的核心问题。

一、什么是 APS 排产模型校准与现场优化

先拆开两个概念。模型校准，是指以现场实际执行数据为基准，对 APS 模型中的参数、约束、逻辑进行识别、量化和修正，使模型输出与现场可行解逐步收敛的过程。它处理的对象是“模型与现实的差距”，典型内容包括：设备产能参数偏高、换型时间被低估、物料齐套约束缺失、班次日历与实际出勤不符、工序间转运时间被忽略等。

现场优化，则是在模型已经能较真实反映现场的前提下，反过来用模型去改善现场：调整批量策略、优化换型顺序、重排瓶颈资源负荷、压缩在制品、改善齐套节奏。它处理的对象是“现场本身的效率空间”。

两者不是先后关系，而是双向咬合：校准让模型可信，优化让现场受益；现场改善后实际数据又变化，需要再次校准。这个循环就是本课程反复强调的价值闭环。

二、边界：校准不是什么

明确边界比罗列功能更重要，因为大量 APS 项目失败于边界失控。

• 校准不是重新实施 APS。 它不推翻已有的数据模型和排程引擎，而是在既有模型上做参数级、约束级、逻辑级的修正。重新实施是“换地基”，校准是“调水平”。
• 校准不是把模型改成现场现状的复刻。 如果现场本身存在大量不合理操作（如随意插单、凭经验跳序），把模型完全对齐现状，只会把混乱固化。校准的目标是“对齐真实约束”，不是“对齐所有习惯”。
• 现场优化不等于无限压缩交期。 优化的目标函数通常是多目标的：交付准时率、设备利用率、在制品库存、换型损失。单压交期往往以牺牲换型效率和设备稳定为代价。
• 校准不替代 MES/SCADA 的数据采集。 校准依赖现场数据，但数据采集是 MES 的职责；校准工程负责的是“如何用这些数据反推模型参数”。

三、从模型到现场的整体工程框架

本课程把整个工程划分为五个相互衔接的层次，它们构成一条从数据到价值的完整链路。下图给出全景框架，后续各章节将逐层展开。

四、为什么必须做校准：一个典型偏差场景

假设某注塑车间，APS 模型中 A 产品切换到 B 产品的换型时间配置为 30 分钟（来自设备手册）。但现场 MES 记录显示，近 20 次实际换型平均耗时 52 分钟，标准差 11 分钟。原因包括：模具预热等待、首件调试、物料搬运。如果模型仍按 30 分钟排程，一天排 8 次换型，就会低估 176 分钟产能，相当于凭空多出近 3 小时负荷。排程结果必然“看起来能完成、实际完不成”。

校准的做法不是简单把 30 改成 52，而是：先按产品对（A→B、B→C…）分别统计换型时间分布，识别是否存在“同色系免清洗”等特殊规则；再把换型时间从固定值改为依赖前后产品属性的矩阵；最后用历史排程回测，验证修正后模型预测的换型总时长与实际的偏差是否收敛到可接受范围（例如 ±10%）。这就是校准层“偏差识别—参数反推—回测验证”的标准动作。

五、本课程的组织逻辑

后续章节将沿着上面五层框架展开：先讲数据层如何取到可信的现场数据，再讲模型层的关键参数与约束如何表达，然后重点展开校准层的偏差识别、参数反推、回测验证方法，接着进入优化层的瓶颈分析、换型优化、批量与齐套策略，最后落到价值层的指标监控与持续改进机制。每一章都会给出可操作的参数、示例数据和判断依据，而不是停留在概念层面。

APS 排产模型校准与现场优化，本质上是一项让数字世界持续逼近并反哺物理世界的工程。它既需要理解排程算法，也需要理解车间现场；既要有数据，也要有判断。本课程的目标，是让你具备独立完成一轮完整校准闭环的能力。