智能排产

定义

智能排产是在传统 生产计划与排产-APS 基础上，引入机器学习、运筹优化、实时数据驱动等技术，实现更灵活、更动态、更优化的生产排程。

传统排产的局限

问题	表现	根因
静态规则	排产后不再调整，与实际脱节	缺乏实时数据反馈
无法响应异常	设备故障/急单插入后手忙脚乱	无动态重排能力
忽略设备状态	把故障设备也排进去	不感知实时OEE
人工经验依赖	调度员凭经验排产，难以传承	缺乏知识沉淀
局部最优	只看当前工序，忽略全局	缺乏端到端优化

AI增强的排产架构

数据层              优化层              执行层
┌──────────┐    ┌──────────────┐    ┌──────────┐
│ 订单需求  │    │  ML预测引擎   │    │          │
│ 设备状态  │───→│  OR优化引擎   │───→│  MES下发  │
│ 物料可用  │    │  规则约束引擎  │    │  看板展示  │
│ 工艺约束  │    └──────────────┘    └──────────┘
└──────────┘
     ↑               ↑                    │
     │          反馈闭环（实际vs计划偏差）    │
     └────────────────────────────────────┘

ML预测引擎

• 订单交期预测：基于历史数据预测每张订单的实际完工时间
• 设备状态预测：基于 MTBF 预测设备可用性
• 加工时间预测：基于产品类型、设备、工艺参数预测实际工时

OR优化引擎

• 混合整数规划(MIP)：精确求解，适合中小规模问题
• 约束规划(CP)：擅长处理复杂约束关系
• 启发式/元启发式：遗传算法、模拟退火，适合大规模问题

规则约束引擎

• 硬约束：设备能力、模具唯一性、安全限制
• 软约束：优先级偏好、人员技能匹配

关键输入数据

数据	来源	作用
订单需求	ERP-企业资源计划	知道要做什么、什么时候要
设备状态/OEE	SCADA-数据采集与监视 + MES	知道设备能做什么、效率如何
物料可用性	WMS-仓储管理系统 + ERP	知道有没有原料
工艺路线	PLM-产品生命周期管理 + MES	知道怎么做、有哪些工序
模具/夹具	MES / 工厂主数据管理	知道工装约束
换型时间	MES 历史数据	知道换线成本

优化目标

通常是多目标优化，需要帕累托权衡：

1. 交期满足率最大化（最重要的目标）
2. 产能利用率-Capacity Utilization最大化（减少闲置）
3. 换型次数/时间最小化（相似产品排在一起）
4. 总延迟最小化（无法全部准时时的妥协策略）

技术路线（渐进式落地）

阶段	方案	投入	效果
L1 规则引擎	按优先级+最早可用时间排产	低	比人工快，但不够优
L2 启发式	遗传算法/模拟退火	中	全局更优，但求解时间长
L3 混合优化	OR(MIP/CP) + ML预测	高	精确+高效，工业级方案
L4 强化学习	在线学习+实时重排	高	最灵活，但训练不稳定

实时重排机制

定时重排（每2小时）+ 事件触发重排
  ├── 设备故障 → 移走该设备上的任务 → 重排受影响的工单
  ├── 急单插入 → 评估影响 → 局部重排
  └── 工单延迟 → 调整后续计划 → 通知下游

大数据工程师的角色

1. 数据整合：打通 ERP/MES/WMS/SCADA 的数据孤岛
2. 特征工程：从历史数据中提取加工时间、换型时间、设备效率等特征
3. 预测模型：训练交期预测、工时预测模型
4. 实时数据管道：用 实时数据流水线 保障数据的实时性
5. 效果监控：排产准确率、交期满足率的 可视化看板

关联指标

• 生产计划与排产-APS — 传统排产的基础知识
• OEE-设备综合效率 — 设备状态是排产的核心输入
• 产能利用率-Capacity Utilization — 排产优化的目标之一
• ERP-企业资源计划 — 订单数据的来源
• MES-制造执行系统 — 排产结果的执行系统
• 实时数据流水线 — 保障排产数据的实时性