乐于分享
好东西不私藏

AI+PMC第 5 章:AI 辅助主生产计划(MPS)——多约束下的智能排产

AI+PMC第 5 章:AI 辅助主生产计划(MPS)——多约束下的智能排产

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:

订单号

产品

数量

要求交期

优先级

001

X 

2000 

第 3 天末

高

… 

… 

… 

… 

… 

产线产能表:

产线

适用产品

日产能

换线时间

A

X,Y

1000

0.5 天

B

Y,Z

800

0.5 天

C

X,Z 

600

0.5 天

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。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料