1. 课程导入

在离散制造与流程制造现场，排产往往是最容易“卡住”的一环：订单交期频繁变更、设备产能有限、物料到料时间不确定、换型时间被低估、人员班次与技能约束交织在一起。传统依靠Excel和人工经验的排产方式，在订单量少、产品结构稳定时还能勉强应对；一旦进入多品种、小批量、急单插单频繁的环境，计划员就会陷入“救火式”调度，交期承诺失真、在制品堆积、设备利用率与准交率难以兼得。本课程围绕AI智能排产与制造计划优化展开，帮助学习者建立从业务问题到算法模型、从数据准备到系统落地的完整认知。

一、核心定义：什么是智能排产与制造计划优化

制造计划优化关注的是在给定时间范围内，如何把需求、产能、物料、人员、工艺路线等约束统一建模，生成可执行的生产计划。它通常包含主生产计划（MPS）、物料需求计划（MRP）、能力需求计划（CRP）以及车间作业计划等层次。智能排产则是在车间作业计划层面，借助运筹优化、约束满足、启发式算法、强化学习或机器学习等方法，对工序、设备、人员、模具、时间窗进行自动分配与排序，使交期、成本、利用率、换型次数等目标达到更优平衡。

两者不是替代关系，而是“计划—排产—执行”的闭环：计划决定“做什么、做多少、什么时候要”，排产决定“谁来做、在哪台设备做、按什么顺序做”。AI的价值在于当约束规模变大、扰动变频繁时，仍能快速给出可解释、可调整、可滚动更新的排产方案。

二、为什么需要AI：传统排产的典型痛点与价值

传统人工排产的核心问题不是“计划员不努力”，而是问题规模与动态性超出了人脑实时计算能力。一个中等规模车间可能同时存在数百个工单、几十台设备、多道工序和多种换型矩阵，任何一张急单插入都会引发连锁调整。AI智能排产的价值主要体现在四个维度：

• 速度：将原本需要数小时的排产压缩到分钟级甚至秒级，支持“What-if”模拟。
• 质量：在交期、成本、利用率、换型之间寻找更优解，而不是“先到先做”。
• 韧性：设备故障、缺料、人员缺勤时快速重排，减少对整体交期的冲击。
• 透明：排产结果可解释、可追溯，计划员从“排计划”转向“管规则、管异常”。

三、方法流程：从订单到可执行排产方案

一个可落地的智能排产流程通常包含六个步骤，下面用伪代码形式展示其主干逻辑，便于理解各环节的输入输出关系。

输入：订单集合 O、工艺路线 R、设备集合 M、班次日历 C、物料齐套信息 S
输出：工单-设备-时间 的排产方案 P

1. 数据清洗与约束提取
   - 校验 BOM、工艺路线、标准工时、换型矩阵
   - 识别硬约束（设备能力、交期、物料）与软约束（优先级、换型偏好）

2. 需求排序与优先级计算
   - 按交期、客户等级、订单金额、齐套状态计算优先级权重

3. 建立排产模型
   - 决策变量：工序在设备上的开始时间、结束时间、顺序
   - 目标函数：最小化延期惩罚 + 换型时间 + 在制品成本

4. 算法求解
   - 小规模：精确求解 / 约束规划
   - 大规模：遗传算法、禁忌搜索、规则启发式、强化学习

5. 仿真校验与人工微调
   - 检查设备冲突、物料齐套、班次边界
   - 计划员对关键订单进行锁定或调整

6. 下发执行与滚动重排
   - 工单派工到 MES，采集报工与异常
   - 按小时/班次滚动更新，触发重排

四、案例场景：某电子装配车间的排产改善

某电子装配车间有12条SMT产线、约300个活跃工单，产品换型时间从20分钟到90分钟不等。上线智能排产前，计划员每天花4小时手工排产，准交率约82%，换型次数高，急单插入后经常导致后续订单集体延期。引入APS后，团队先梳理了换型矩阵和物料齐套规则，再用约束规划求解，将排产时间压缩到8分钟，准交率提升到94%，换型次数下降约18%。关键不是算法多复杂，而是把“换型时间依赖前后产品组合”这一真实约束准确建模。

五、常见误区与复盘要点

复盘时建议关注三个指标：排产方案的可执行率、滚动重排频率、以及计划员对系统的信任度。只有三者同时改善，智能排产才算真正落地。

六、学习目标与课程框架

通过本课程，学习者应能够：理解制造计划与排产的基本概念和层次关系；掌握约束建模、目标函数设计和常用排产算法；能够结合业务场景选择合适的方法；了解APS系统与MES、ERP的集成方式；并具备诊断排产问题、设计优化方案和评估落地效果的能力。