离散制造的排程困局，从来不是算不出计划，而是计划撑不住现实的变化

如果说 3C 离散制造里有什么问题，是每个工厂都在抱怨、每个部门都受影响、却始终难解决的，那排程一定算一个。

销售说客户交期在变，计划说订单优先级在变，生产说设备状态在变，采购说物料到货在变，工艺说换线条件在变，质量说异常返工又插进来了。到最后大家才发现，真正折磨工厂的从来不是 “排不上计划”，而是计划为什么永远赶不上变化。

这几年很多企业都上了 APS、智能排产，甚至开始谈 AI 排程。但真正扎进现场就会发现，排程难的从来不是算法不会排，而是工厂的实际约束和变化频率，远比系统里的假设复杂得多。

我们一开始也觉得，排程优化的关键是找更聪明的算法，只要算得过来，就排得清楚。可几轮项目推下来才发现，3C 行业做 AI 排程，真正难的不是 “算不出一个计划”，而是 **“算出来之后，能撑多久不被现实打碎”**。

所以如果你问我，AI 排程到底有没有解？我的答案是：有，但前提不是先追求 “最优排程”，而是先接受 “现实一定会变”，把系统做成能持续重算、持续响应的决策工具。

一、为什么有排程系统，现场还是天天改计划？

很多工厂并不是没有系统，ERP 有计划、MES 有派工、APS 也可能已经上了，可计划还是频繁失效。核心原因只有一个：系统排程基于 “相对静态的世界”，而制造现场是 “持续波动的世界”。

订单优先级突变、急单插单频繁、物料到货不及预期、关键设备突发停机、换线成本非静态、返工异常挤占资源…… 这些现场的高频变化，是静态排程系统根本兜不住的。

最后项目就陷入了尴尬的循环：系统能排，计划也能下，但现场还是每天人工修修补补。不是 AI 排程没用，而是我们从一开始就把问题定义错了 —— 排程的核心问题从来不是 “能不能排出来”，而是在全链路持续变动的情况下，系统能不能持续给出当前最合理、可执行的安排。

二、排程难的从来不是工单排序，而是约束太多、变化太快、目标还不止一个

没在现场待过的人，总会觉得排程就是 “按交期、工艺、产能把订单排进去”，但 3C 制造的真实排程，从来没有这么简单。它天然同时受多重约束，且很多目标本身就是互相冲突的。

从现场来看，核心约束分为 6 类：设备工位的可用限制、物料齐套与来料的不确定性、换线的时间与成本损耗、人员班次的能力差异、返工异常的资源挤占，以及最核心的 —— 我们需要同时平衡准交率、换线次数、在制品、设备利用率、加班成本等多个冲突的经营目标。

所以 3C 制造排程最难的地方，从来不是 “把订单排进去”，而是在冲突目标和动态约束里，找到一个现实中能跑通的平衡解。

三、比起 “最优排程”，我们更需要 “动态决策支持”

“最优排程” 这个说法，本身就给了大家一个错误的预期：好像系统足够聪明，就能给出一个完美答案。

可真实现场不是数学竞赛，今天算出来的最优计划，明天物料延误、设备异常、客户插单一来，立刻就会失效。所以我们后来彻底放弃了 “追求永远正确的计划”，转而打造一个可以快速重算、快速比较、快速协同的计划系统。

视角一变，之前很多扯不清的问题，瞬间就变得务实了。而落地的核心，我们拆成了三个关键步骤：

第一步：先抓关键约束，而非追求全厂全量约束

很多项目一上来就想做全厂全工序全约束，结果要么求解复杂度暴涨，要么现场根本维护不了数据。我们的做法是先做约束分级，只把核心约束先放进系统：

• 一级约束（不满足就不能排）：工艺路线、可用机台、关键物料齐套、必要治具人员到位
• 二级约束（影响效率成本）：换线时间、批量合并、班次能力、设备维护窗口
• 三级约束（用于优化）：峰谷电价、负荷均衡、特殊订单偏好

• job = {

  “order_id”: “MO1001”,

      “due_date”: “2025-02-01”,

      “machine_options”: [“Line1”, “Line2”],

      “material_ready”: True,

      “tooling_ready”: True,

      “setup_time”: 30,

      “priority”: “high”

  }

• print(job)

• 先把约束说清楚，排程系统才有可能真正可用，而不是飘在天上。

第二步：先做重排触发机制，而非追求单次完美排程

现场最痛苦的从来不是第一次排，而是后面不断地改。如果系统只能每天早上出一版计划，很快就会失去价值。我们先明确了重排的触发场景：关键设备故障超预期、关键物料到货延迟、高优先级急单插入、良率异常导致返工激增、计划完成率偏差超 15%。

def should_reschedule(machine_down, material_delay, urgent_order, progress_gap):

    if machine_down:

        return True

    if material_delay:

        return True

    if urgent_order:

        return True

    if progress_gap > 0.15:

        return True

    return False

print(should_reschedule(

    machine_down=False,

    material_delay=True,

    urgent_order=False,

    progress_gap=0.08

))

排程系统必须先学会响应变化，而不是只会生成静态计划。

第三步：先做多方案代价对比，而非只给一个黑盒答案

现场反复改计划，核心原因是系统只给了一个答案，却没说清背后的代价。插入一个急单，会牺牲哪些订单准交？增加多少换线成本？会不会占用瓶颈产能？这些不透明，现场自然不会信系统的方案。

我们的做法是，给出多个可选方案，并把每个方案的代价讲清楚：

def schedule_score(on_time_rate, setup_cost, overtime_cost, wip_level):

    return on_time_rate * 0.5 – setup_cost * 0.2 – overtime_cost * 0.2 – wip_level * 0.1

plan_a = schedule_score(0.95, 10, 8, 20)

plan_b = schedule_score(0.90, 5, 3, 15)

print(“方案A评分:”, plan_a)

print(“方案B评分:”, plan_b)

制造排程本就是在交期、效率、成本之间做选择，把过程透明化，现场才会真正接受。

四、一线实战经验：比起 “自动排”，现场更需要 “快速重排”

我们在多品种、小批量、换线频繁的产线做优化时，一开始大家要的是 “自动排计划”，可推下去才发现，真正的痛点是计划频繁变动时，怎么快速调整、减少内耗。

执着于 “把第一次排得更完美”，只会让项目越走越窄；反而把关键约束维护清楚、把重排和方案比较能力做出来，项目才真正产生了价值。AI 排程真正值钱的，从来不是让工厂从此不改计划，而是让工厂在必须改计划的时候，改得更快、更清楚、更少内耗。

如果今天你想启动 AI 排程，我建议先做 4 件事：

1. 1、先选一个变化最痛、边界清晰的场景，比如 SMT 段、瓶颈测试工序；
2. 2、先梳理核心约束，不要试图一次收全所有细节；
3. 3、先做 “重排触发 + 方案比较”，不要一上来就追求黑盒最优；
4. 4、一定要让计划、生产、物料团队一起参与，而非 IT 或算法团队闭门造车。

最后

我篇文章压缩成一句话：电子制造的排程问题，本质上不是如何生成一张计划表，而是如何在计划不断被现实打断的情况下，持续做出更好的决策。

我从不相信 “上一个系统，从此排程自动解决” 的叙事，但我始终相信 AI 排程的价值。它真正的价值，从来不是生成一张永不改变的完美计划，而是把原本混乱、靠经验、靠反复协调的排程决策，变成可重算、可比较、可解释、可协同的能力。这，才是它真正值钱的地方。

你们在做智能排产时，有碰到什么样的问题呢？欢迎交流。