5.1 MPS 是 PMC 的“主战场”

需求预测做完了，下一个问题更实际：下个月到底生产什么、生产多少、什么时候开工、什么时候完工？这就是主生产计划（Master Production Schedule，MPS）要回答的问题。

MPS 是 PMC 最核心的产出，也是最容易被骂的。生产部说排得太满，设备没保养时间；销售说排得太松，急单插不进来；财务部说换线太频繁，成本压不住；仓库说批量太小，入库出库忙不过来。你坐在中间，四面八方都是意见。

MPS 的本质不是“把订单排到日历上”，而是在多个互相冲突的约束条件下，找一个各方都能接受的平衡点。约束包括：设备产能、人员班次、物料齐套、交货优先级、换线成本、库存容量……少考虑一个，计划就可能在执行中崩盘。

这一章讲怎么用 AI 工具辅助 MPS 编制，不是让 AI 替你拍板，而是让 AI 帮你算清楚每种方案的代价，让你拍板时有据可依。

5.2 MPS 编制的基本功：先懂约束，再谈优化

在讲 AI 之前，先把 MPS 的手工编制逻辑搞清楚。AI 是放大器，如果你的基础逻辑是错的，AI 只会让你错得更快。

约束一：产能边界

产能不是“设备能转多久”，而是“在考虑所有现实因素后，实际能产出多少”。

设备产能：理论产能 = 设备数量 × 每天工作小时 × 每月工作天数 ÷ 单件标准工时。但这个数字是上限，实际永远达不到。要扣掉：

•设备故障和保养时间（通常占 5%-15%）

•换线时间（不同产品切换时的停线时间）

•首件检验和调试时间

•人员缺勤和技能不匹配导致的效率损失

建议做法：在理论产能基础上打一个综合系数，比如 0.75-0.85，作为”可用产能”。不要按 100% 排产，留一点缓冲应对意外。

人员产能：设备够但没人操作，计划一样落空。要考虑：

•各班组的实际人数和技能矩阵（谁会操作哪台设备）

•请假、离职、新员工培训期的效率折扣

•加班和倒班的成本与可行性

建议做法：建立“人员-设备”匹配表，标注每个班组能操作哪些设备、熟练度如何。排产时优先把订单排到人员技能匹配的班组。

约束二：物料齐套

MPS 不是孤立排的，必须和 MRP 联动。你排了 A 产品下周开工，但关键物料要到下下周才到，这个计划就是废纸。

齐套检查的基本逻辑：

1.按 MPS 的开工日期，倒推各物料的需求到货日期

2.对比物料的实际库存和在途量，看是否满足

3.如果不满足，要么推迟开工日期，要么紧急采购/调拨

建议做法：不要等 MPS 排完再做齐套检查，要边排边查。每排一个订单，立刻查它的物料齐套状态。齐套率低的订单，不要硬排进计划，否则生产线上等着缺料，效率损失更大。

约束三：交货优先级

不是所有订单都一样急。排产时要考虑：

•客户等级：战略客户、大客户、普通客户的优先级不同

•订单类型：正式订单 vs 预测补货 vs 安全库存，优先级递减

•交期紧迫度：距离交货日期还有多少天，缓冲时间越少优先级越高

•违约成本：延迟交货的违约金、客户流失风险

建议做法：建立一个“订单优先级评分表”，给每个订单打分。评分维度可以包括客户等级（权重 30%）、交期紧迫度（权重 40%）、违约成本（权重 30%）。分数高的优先排产。

约束四：换线成本

频繁换线会降低设备利用率、增加废品率、消耗调试时间。但大批量生产又会增加库存、降低灵活性。

换线成本的计算：

•直接成本：换线时间× 设备小时成本

•间接成本：换线期间的产量损失、调试废品、人员加班

•隐性成本：交期延误风险（因为换线占用了生产时间）

建议做法：记录每次换线的实际耗时和成本，建立“换线成本档案”。排产时，在“减少换线次数”和“满足交期”之间找平衡。对于换线成本特别高的产品，可以适当合并批次，但要评估库存增加的成本。

5.3 手工排产的痛苦：为什么你需要 AI

上面四个约束，手工排产时怎么处理的？通常是：

1.打开 Excel，把未来四周的订单按交期排序

2.从第一个订单开始，看产能够不够、物料齐不齐

3.够就排，不够就往后挪

4.排完一轮，发现产能冲突了，再手动调整

5.调了一下午，销售一个电话说客户改交期了，重来

这个流程的问题：

•速度慢：几十个订单还能手工排，几百个订单就排不过来了

•视野窄：你只能看到局部优化（这个订单怎么排），看不到全局优化（所有订单怎么排总成本最低）

•易出错：Excel 公式嵌套多了，改一个数字牵一发而动全身，很容易改错

•难迭代：需求一变、物料一到、设备一坏，计划就要重排，手工跟不上节奏

AI 排产工具（APS，Advanced Planning and Scheduling）解决的就是这些问题。它不是替代你的判断，而是在几秒钟内生成多个可行方案，每个方案都标注了关键指标（总延迟、总换线成本、设备利用率），让你选。

5.4 APS 是什么：不是黑魔法，是高级计算器

APS 系统在国内工厂的普及率还不高，很多 PMC 听过但没用过。先破除一个误解：APS 不是“人工智能自动排产”，而是“基于规则和算法的智能排程引擎”。

它的工作原理通俗来说：

1.输入：订单列表（数量、交期、优先级）、BOM 和物料状态、设备产能和状态、人员班次、换线时间、工艺路线

2.建模：把上述信息转化为数学模型（约束条件 + 优化目标）

3.求解：用算法（遗传算法、模拟退火、禁忌搜索等）在解空间里搜索最优或近似最优方案

4.输出：多个排产方案，每个方案附带关键指标

优化目标可以自定义，常见的有：

•最小化总交货延迟

•最小化总换线成本

•最大化设备利用率

•最小化库存水平

•多目标加权组合（比如 50% 延迟 + 30% 换线成本 + 20% 利用率）

约束条件也可以自定义：

•某台设备某段时间在保养，不可用

•某班组只能操作某类设备

•某订单必须在某日期前完工

•某两种产品不能连续生产（因为会交叉污染）

5.5 实战：Excel Solver 做简化版智能排程

不是每个公司都有预算上 APS 系统。这一节教你用 Excel 自带的 Solver 插件，做一个“乞丐版”的智能排程。虽然功能远不如专业 APS，但能让你理解算法排产的核心逻辑，也能解决中小规模的问题。

场景：某 IVD 企业三条产线，下周有 8 个订单要排

已知条件：

•产线 A：适合产品 X、Y，标准产能 1000 台/天

•产线 B：适合产品 Y、Z，标准产能 800 台/天

•产线 C：适合产品 X、Z，标准产能 600 台/天

•8 个订单：不同产品、不同数量、不同交期

目标：最小化总延迟天数（所有订单延迟天数之和）

约束：每条产线每天只能生产一种产品，换线需要 0.5 天

步骤一：建立数据模型

在 Excel 中建立以下表格：

订单表：

产线产能表：

步骤二：定义决策变量

决策变量就是“每个订单在哪条产线、第几天开始生产”。在 Excel 里用单元格表示，比如：

•B10 = 1 表示订单 001 在产线 A 生产

•C10 = 2 表示订单 001 第 2 天开始

步骤三：建立目标函数和约束公式

目标函数（总延迟天数）：

=SUM(MAX(0, 实际完工日期 - 要求交期) * 优先级系数)

约束公式：

•每个订单必须且只能分配到一条产线

•每条产线同一时间只能生产一个订单

•产线只能生产它适用的产品

•生产时间 = 数量 ÷ 日产能（向上取整）

•实际完工日期 = 开始日期 + 生产时间 + 换线时间

步骤四：用 Solver 求解

Excel → 数据 → Solver（如果没有，需要在”加载项”里启用）

设置 Solver 参数：

•目标单元格：总延迟天数

•等于：最小值

•可变单元格：决策变量区域

•约束条件：添加上述所有约束

•求解方法：进化（适用于非线性问题）

点击“求解”，等几分钟，Solver 会返回一个最优或近似最优的方案。

步骤五：解读结果

Solver 给出的方案可能不是完美的（因为问题复杂，可能陷入局部最优），但通常比手工排产好很多。你要检查：

•有没有订单延迟？延迟多少天？

•设备利用率怎么样？有没有产线空闲？

•换线次数多不多？能不能通过合并批次减少？

如果结果不满意，可以调整参数重新跑，或者手工微调后作为最终方案。

5.6 专业 APS 系统入门：什么时候该上、怎么选型

Excel Solver 能玩明白后，如果公司规模扩大、订单复杂度增加，就需要考虑专业 APS 系统了。

什么时候该上 APS？

建议同时满足以下条件：

1.月订单量超过 500 个，手工排产时间超过 2 天

2.产品种类多、工艺路线复杂、换线频繁

3.交期压力大，延迟交货成为常态问题

4.已有 ERP/MES 基础，数据相对规范

5.公司愿意投入 20-100 万（视规模而定）的系统费用

如果订单量不大、产品单一、交期宽松，Excel 或 ERP 自带的排产功能就够了，没必要上 APS。

APS 选型要点

市面上 APS 厂商很多，国外有 Siemens Opcenter（原 Preactor）、Dassault DELMIA、AspenTech 等，国内有永凯、易普优、云筹优化等。选型时关注以下几点：

① 约束建模能力

你的工厂有哪些特殊约束？比如：

•某些设备不能连续生产某两种产品（清洁要求）

•某些订单必须指定某台设备（客户审核要求）

•人员技能矩阵复杂，不是简单的”能/不能”

把这些特殊约束列出来，让厂商演示能不能建模。如果厂商说”这个我们标准功能不支持，需要二次开发”，要评估开发成本和周期。

② 与现有系统的集成

APS 不是独立运行的，它需要实时从 ERP 拿订单和库存数据，从 MES 拿设备状态和生产进度，从 WMS 拿物料齐套信息。集成方式有两种：

•紧耦合：APS 和 ERP/MES 是同一厂商的产品，数据打通无缝

•松耦合：APS 通过接口（API/数据库直连/中间件）从各系统取数

紧耦合省心但绑定厂商，松耦合灵活但集成成本高。根据公司 IT 战略选择。

③ 算法透明度和可调整性

有些 APS 像个黑箱，输入订单，输出排程，中间逻辑你看不懂。这种系统用起来很没底——排出来的计划为什么这样？能不能调整？出了问题怎么排查？

建议选算法相对透明的系统，至少能让你看到：

•每个订单的排产优先级是怎么算的

•约束冲突时系统的取舍逻辑是什么

•优化目标的权重能不能调整

④ 实施团队的行业经验

APS 不是买软件，是买服务。实施团队懂不懂你的行业，直接决定项目成败。IVD 行业的 APS 实施，和汽车行业的 APS 实施，关注点完全不同。要问清楚：

•实施团队有没有做过同行业案例？

•项目经理有没有工厂计划管理的实操经验？

•上线后的运维支持怎么保障？

APS 上线后的常见坑

坑一：数据质量不达标

APS 再聪明，垃圾数据进去也是垃圾计划出来。上线前必须做数据治理：BOM 准确率 98% 以上、库存数据日清日结、设备状态实时采集。数据治理没做完就急着上 APS，等于盖楼不打地基。

坑二：期望过高，想”一键排产”

APS 是辅助工具，不是替代人。排产方案出来后，PMC 还要做大量人工调整：客户临时改单、供应商交期突变、设备突发故障。不要指望上了 APS 就再也不用人工排产。

坑三：没人会用，沦为摆设

APS 系统复杂，学习曲线陡峭。很多公司花了大价钱上线，结果 PMC 团队还是按老方法用 Excel，APS 只在领导参观时打开。上线后要配套培训、考核、激励机制，让团队真正用起来。

5.7 西门子成都工厂的案例启示

前面章节提到过西门子成都工厂的 APS 实践，这里展开讲讲对 PMC 的启示。

西门子成都工厂（SEWC）是西门子在中国设立的数字化工厂，2013 年投产，2018 年成为世界经济论坛评选的”灯塔工厂”之一。它的 APS 应用有几个特点：

① 全价值链数字化

从客户订单到生产排程、物料配送、质量检测、成品入库，全流程数据打通。APS 不是孤立系统，而是嵌入在整个数字化架构中，实时获取订单、库存、设备、物流数据。

② 动态排程

传统排程是“一天排一次”，SEWC 的 APS 是“持续滚动优化”。当设备状态变化、物料到货延迟、紧急插单发生时，系统能在几分钟内重新计算排程方案，并自动推送到车间执行终端。

③ 人机协作

APS 给出推荐方案，但最终决策权在 PMC 人员手中。系统会标注“建议调整”和“必须调整”两类提示，PMC 只需要关注关键决策点，日常性计算由系统完成。

对普通工厂的启示：

不是每个工厂都要建成 SEWC 那样。但有几个原则可以借鉴：

•数据先行：先把 ERP/MES 的数据质量搞上去，再上 APS

•小步快跑：不要一上来就全工厂推广，先选一条产线试点，跑通后再扩展

•人机结合：APS 是工具，PMC 是使用者，两者的能力要匹配

5.8 本章小结：MPS 的精髓是“在约束中舞蹈”

这一章讲了 MPS 的四大约束、手工排产的痛点、APS 的工作原理、Excel Solver 的实战操作，以及专业 APS 的选型要点。核心就一句话：

好的 MPS 不是“完美计划”，而是“在已知约束下，找到各方都能接受的最优妥协”。

AI 和 APS 的价值，不是消除约束（约束永远存在），而是让你看清每种妥协方案的代价，从而做出更明智的决策。

下一篇文章我们进入物料需求计划（MRP）——MPS 定了生产什么，MRP 要算出需要什么料、什么时候要、买多少。这是 PMC 和采购部打交道最多的环节，也是 AI 能显著降低库存和缺料风险的地方。