生产计划与排产-APS
概述
高级计划与排产（Advanced Planning and Scheduling，APS）是智能制造体系中连接ERP-企业资源计划与MES-制造执行系统的关键纽带。传统MRP运算基于无限产能假设，无法反映真实生产约束；APS通过引入有限产能模型、多目标优化算法和实时数据驱动，实现从战略层到执行层的全链路计划协同。
APS系统通常分为两个层次：高级计划（AP） 负责中长期需求与产能平衡、供应链网络优化；详细排产（DS） 聚焦车间级短期排程，精确到机台、模具和操作人员。
核心原理
有限产能建模
APS的首要前提是构建准确的产能模型：
- 资源日历：定义每台设备、每条产线的工作时间窗口，支持多班制、节假日和维保计划。
- 工艺路线约束：基于PLM-产品生命周期管理中的BOP（Bill of Process），明确工序前驱后继关系、首检要求和转移批量。
- 能力剖面：将产能按时间轴展开，形成能力-负荷可视化图表，直观识别瓶颈时段。
多约束同步考虑
实际排产需同时满足多类约束：
| 约束类型 | 说明 |
|---|---|
| 设备约束 | 机台能力、模具寿命、夹具数量 |
| 人员约束 | 技能矩阵、持证上岗、排班规则 |
| 物料约束 | 原料库存、在途量、安全库存 |
| 模具约束 | 模具共享、使用寿命、预热时间 |
| 换型约束 | 换模序列、清洗时间、颜色排序 |
目标函数
APS排产优化可面向多种目标：
- 最小化总完工时间（Makespan）：适用于订单交付压力大的场景。
- 最小化换型次数：适用于注塑、涂装等换型成本高的行业。
- 最大化设备利用率：适用于资本密集型产线。
- 最小化延迟订单数：面向客户承诺交付期。
- 加权综合目标：通过权重系数平衡多个目标。
关键算法
启发式规则
最常见的排产规则包括：
- SPT（最短加工时间优先）：减少在制品积压。
- EDD（最早交付期优先）：优先满足紧急订单。
- CR（临界比规则）：CR = 剩余时间 / 剩余工作量，值越小越优先。
- 换型优化规则：按颜色深浅、材质相似度排序，减少清洗和调整时间。
元启发式算法
对于复杂的多目标排产问题，APS通常采用：
- 遗传算法（GA）：将排程方案编码为染色体，通过选择、交叉、变异迭代优化。适用于大规模组合优化。
- 模拟退火（SA）：以一定概率接受劣解跳出局部最优，适合求解离散车间调度。
- 粒子群优化（PSO）：在连续空间中搜索最优参数，常用于混合流水线调度。
- 禁忌搜索（TS）：通过禁忌表避免重复搜索，对Job-Shop问题效果显著。
约束规划（CP）
约束规划是商用APS引擎的核心技术，如IBM ILOG CP Optimizer。其优势在于：
- 声明式建模，直接表达约束逻辑。
- 内置传播算法自动削减搜索空间。
- 支持可中断活动、可选活动和状态资源建模。
系统集成架构
APS与ERP的协同
ERP ──→ 需求预测 / 销售订单 / BOM / 库存数据 ──→ APS
APS ──→ 生产计划 / 采购建议 / 产能预警 ──→ ERP
APS从ERP-企业资源计划获取主生产计划（MPS）和物料清单（BOM），结合产能约束生成可行的车间排程，并将结果回传ERP驱动采购和发货。
APS与MES的协同
APS ──→ 派工单 / 工序序列 / 标准工时 ──→ MES
MES ──→ 实际完工报工 / 设备状态 / 异常事件 ──→ APS
APS将详细排程下发至MES-制造执行系统执行，MES实时反馈工单进度和设备状态，形成闭环。当出现设备故障、急单插单等异常时，MES触发APS重新排产。
数字孪生辅助排产
结合数字孪生-Digital Twin，APS可在虚拟环境中模拟排产方案的执行过程，提前发现潜在瓶颈和冲突，验证计划可行性后再下发。
实施路径
第一阶段：基础建模
- 梳理工艺路线和产能数据。
- 建立资源日历和约束规则库。
- 完成ERP基础数据清洗。
第二阶段：规则排产
- 基于启发式规则实现自动排产。
- 支持手工调整和锁定。
- 实现甘特图可视化。
第三阶段：优化排产
- 引入元启发式或约束规划引擎。
- 支持多目标优化和情景模拟。
- 实现与MES实时联动。
第四阶段：智能排产
- 融合机器学习预测加工时间和设备故障。
- 基于智能排产实现自适应排产。
- 支持跨工厂协同排产。
应用场景
离散制造——机加工车间
某汽车零部件企业拥有200+台CNC设备，加工工序涵盖车、铣、钻、磨。实施APS后：
- 排产时间从4小时缩短至15分钟。
- 设备OEE从62%提升至78%。
- 订单准时交付率从85%提升至96%。
流程制造——化工产线
某精细化工企业需要考虑反应釜清洗、批次追踪和配方切换约束。APS通过批次优化排产：
- 换型时间减少35%。
- 在制品库存降低22%。
- 能源消耗峰值削平15%。
关键成功因素
- 数据质量：工艺路线准确率≥95%，标准工时偏差≤10%。
- 组织协同：计划、生产、采购三方规则统一。
- 变革管理：从”经验排产”到”系统排产”的转变需要渐进推进。
- 持续优化：定期回溯排产准确率，持续调优算法参数。
总结
APS是制造企业实现精细化生产管理的核心引擎。从基础的规则排产到高级的智能优化，APS的实施是一个渐进式深化过程。成功的关键不在于算法的复杂度，而在于数据基础、业务规则和系统集成的扎实落地。与MES-制造执行系统和ERP-企业资源计划的深度集成，以及与数字孪生-Digital Twin的融合，将推动APS从离线工具演进为实时智能决策中枢。