很多工厂听到“智能排产”，第一反应都是：

“是不是把订单丢进去，AI自己算出来？”

其实没那么简单。

真正的APS智能排产，本质上是在解决一个非常现实的问题：

订单这么多、设备这么少、人员有限、物料还会变化，到底怎么安排生产，才能尽可能按时交付？

所以智能排产并不是简单地：

订单 → 排个顺序。

而是：

订单 + 工艺 + 设备 + 人员 + 物料 + 交期 + 生产日历 + 各种约束

↓

计算

↓

得到一个可执行的生产方案

而这个“计算”的过程，其实有很多不同的方法。

---

一、最简单的方法：按照规则排

假设工厂现在有5张订单：

A：明天交。

B：后天交。

C：今天交。

D：下周交。

E：明天交。

最简单的排法就是：

谁交期近，谁优先。

于是：

C → A → E → B → D

这就是一种非常简单的：

优先级规则排产。

---

二、规则排产其实并没有错

很多工厂会觉得：

“规则排产这么简单，也叫智能排产？”

其实不能这么说。

规则本身就是生产管理经验的数字化。

例如工厂规定：

规则1：交期越近，优先级越高。

规则2：同一个客户的订单尽量连续生产。

规则3：同一种产品尽量集中生产，减少换型。

规则4：已经开始生产的订单尽量不要频繁打断。

规则5：瓶颈设备优先安排紧急订单。

这些规则组合起来：

一样可以形成一套排产系统。

对于生产流程比较简单的工厂，规则排产甚至已经能够解决相当一部分问题。

​

---

三、问题是：规则一多，就开始互相打架

假设现在有三个订单：

A：今天交。

B：明天交。

C：后天交。

按照交期：

A → B → C

没问题。

但是：

A需要在CNC-01生产。

C也需要CNC-01。

而B可以在CNC-02生产。

同时：

A生产完以后需要换刀。

如果：

A → C → B

可能可以减少一次换刀。

但这样：

B可能又要延期。

于是问题来了：

到底优先交期，还是优先减少换型？

这就是智能排产真正开始复杂的地方。

因为工厂通常不只有一个目标。

---

四、APS真正做的是“综合考虑”

APS一般需要同时考虑很多因素：

交期

订单什么时候必须完成？

设备

哪台设备可以加工？

人员

谁有能力做？

物料

什么时候可以生产？

工艺

工序之间有什么先后关系？

产能

设备一天到底能生产多少？

换型

换刀、换模需要多久？

优先级

哪些订单必须优先？

这些条件放在一起以后：

排产就变成了一个多约束问题。

---

五、先理解一个很重要的概念：正向排产

正向排产很好理解。

假设：

今天是9月28日上午8点。

订单A已经具备生产条件。

那么从现在开始往后排：

8:00 → 工序1

↓

10:00 → 工序2

↓

13:00 → 工序3

↓

15:00 → 检验

↓

16:00 → 完工

这就是：

从现在开始，一直往未来推。

所以叫：

正向排产。

---

六、正向排产适合什么场景？

比如：

客户刚下了一张订单。

物料已经齐套。

设备现在有空。

生产马上就要开始。

这时候最关心的是：

“从现在开始生产，最早什么时候能做完？”

正向排产就非常直观。

系统从当前时间开始：

找设备 → 找时间 → 排工序 → 往后计算。

最后得到：

最早预计完工时间。

---

七、再来看另一种：倒向排产

假设客户明确要求：

9月30日18:00必须交货。

系统知道：

整个产品需要经过：

车削 → 铣削 → 装配 → 检验

总共需要：

20小时。

那么系统可以从交期往前推。

18:00之前：

需要完成检验。

再往前：

需要完成装配。

再往前：

铣削。

再往前：

车削。

最后计算出：

最晚什么时候必须开工。

这就是：

倒向排产。

---

八、倒向排产解决的其实是一个很重要的问题

不是：

“我什么时候能做完？”

而是：

“为了按时交付，我最晚什么时候必须开始？”

这对于交期管理非常有用。

例如：

订单：

9月30日18:00交。

系统倒推以后发现：

最晚9月29日10:00必须开工。

如果现在已经是：

9月29日14:00。

那么系统马上就知道：

这个订单已经存在延期风险。

---

九、正向和倒向并不是谁取代谁

两种方法解决的问题不一样。

正向排产

从现在往后算：

最早什么时候能完成？

倒向排产

从交期往前算：

最晚什么时候必须开始？

实际APS系统中，两种思路都可能使用。

甚至可以组合起来。

例如：

先倒推交期。

再检查设备实际产能。

如果发现倒推结果无法实现：

再重新调整资源。

这就比简单按照订单顺序排复杂得多。

---

十、真正让APS变“智能”的，是约束

假设系统准备给订单A安排：

CNC-01

但是CNC-01：

今天已经排满。

怎么办？

换CNC-02。

结果发现：

CNC-02虽然空闲，但是：

这个产品不能在CNC-02加工。

怎么办？

再找其他设备。

发现：

CNC-03可以加工。

但是需要：

更换夹具30分钟。

系统继续计算：

如果安排CNC-03：

生产时间：

4小时

换夹具：

30分钟

预计完成：

今天17:30。

如果安排CNC-01：

预计：

明天10:00。

于是系统就可以比较：

哪个方案更符合当前目标。

这就是：

约束条件参与排产。

---

十一、插单的时候，APS为什么比人工快？

还是之前的例子。

原计划：

A → B → C → D

突然来了：

E急单。

人工排产通常是：

先把E插进去。

然后重新调整后面的订单。

再检查：

A有没有延期？

B有没有延期？

C有没有延期？

……

可能要折腾半天。

APS则可以重新计算：

E加入订单池

↓

读取当前设备状态

↓

读取剩余产能

↓

读取订单交期

↓

读取工艺约束

↓

重新计算

↓

生成新方案

然后给出：

原计划

A → B → C → D

新计划

A → E → B → C → D

并且告诉你：

E订单按期完成。

B订单预计不受影响。

C订单预计延后1小时。

这样生产经理就知道：

这次插单到底付出了什么代价。

---

十二、如果不想延期，系统还能不能换一个方案？

这就是APS比较有价值的地方。

假设方案A：

E插入CNC-01

结果：

C订单延期2小时。

系统还可以尝试其他方案。

方案A

CNC-01：

A → E → C

结果：

C延期2小时。

方案B

CNC-02：

B → E

CNC-01：

A → C

结果：

所有订单按期。

方案C

调整生产顺序：

A → C → E → B

结果：

E可能延期。

这时候系统甚至可以把多个方案拿出来比较。

---

十三、所以APS并不是只找“一个答案”

更准确地说：

APS是在很多可能的排产方案里，寻找一个满足约束、同时尽可能符合目标的方案。

这就是为什么APS里面经常会出现：

优化。

例如工厂希望：

第一目标

尽量保证订单按期交付。

第二目标

尽量减少设备等待。

第三目标

尽量减少换型。

第四目标

尽量均衡设备负荷。

这些目标有时候还会互相冲突。

所以系统就需要：

计算 → 比较 → 优化。

---

十四、这时候就会涉及不同的算法思路

这里不用把它讲得太复杂。

简单理解，可以分成几类。

---

① 规则/启发式排产

例如：

交期优先。

最短加工时间优先。

优先级高的订单优先。

相同产品尽量连续生产。

优点：

快、容易理解、容易落地。

缺点：

复杂场景下可能很难找到更好的方案。

---

② 优化算法

系统建立目标：

尽量减少延期。

尽量减少换型。

尽量提高设备利用率。

然后不断寻找更好的方案。

适合：

约束比较多、生产比较复杂的场景。

---

③ 更复杂的组合优化

当订单数量、设备数量、工序数量都非常大时，排产本身就会变成一个非常复杂的组合问题。

例如：

100个订单。

20台设备。

每个订单5道工序。

不同设备能力还不一样。

可能产生大量不同的排产组合。

这时候简单的：

“一个一个试”

肯定不现实。

所以实际APS会使用各种优化、搜索、启发式等方法来快速寻找可用方案。

重点不是：

“算法名字听起来多高级。”

而是：

能不能在合理时间内算出一个现场愿意执行的方案。

---

十五、这里有一个非常重要的误区：最优方案 ≠ 最适合工厂的方案

假设系统算出来：

总延期：0天

看起来非常完美。

但是：

设备换型：

20次。

人员调整：

15次。

生产现场可能直接崩溃。

所以实际APS不能只追求数学上的“最优”。

而应该考虑：

可执行性。

例如：

延期0单。

换型8次。

设备负荷相对均衡。

人员调整较少。

这样的方案可能比：

延期0单。

换型20次。

更适合真实工厂。

所以：

APS最终优化的不是一张数学表，而是一套生产方案。

---

十六、这也是为什么生产经理不能完全被排除在外

一个成熟的APS系统，我认为应该是：

系统计算

• 
  

人工确认

• 
  

必要调整

而不是：

系统说什么就做什么。

例如系统建议：

E订单安排CNC-02。

生产经理知道：

“CNC-02明天上午要做设备保养。”

那么他可以手动调整：

锁定CNC-02。

系统再重新计算剩余订单。

这才是真正适合生产现场的：

人机协同排产。

---

十七、再把MES接进来，APS才真正活起来

假设早上8点：

APS算了一张计划：

A → B → C → D

8点开始执行。

MES不断反馈现场状态。

9点：

A完成。

正常。

10点：

CNC-02故障。

异常。

MES把这个信息传给APS。

APS发现：

原计划：

B订单需要CNC-02。

现在设备不可用。

于是重新计算：

B → CNC-03

或者：

B延后 → C先生产

然后生成新的计划。

这就是：

动态重排。

---

十八、所以真正成熟的系统应该形成这个闭环

可以把整个过程理解成：

ERP

↓

订单

↓

APS

↓

排产

↓

MES

↓

执行

↓

IoT

↓

现场设备数据

↓

MES

↓

反馈实际进度

↓

APS

↓

重新计算

↓

MES

↓

继续执行

这条链路真正跑起来以后：

生产计划就不再是一张静态Excel。

而变成：

随着现场变化不断调整的动态计划。

---

十九、AI在这里到底干什么？

最后再把AI放进来。

其实AI不一定需要直接替代APS算法。

更适合的方式可能是：

APS负责“算”

根据：

约束 + 目标 + 资源

计算排产方案。

MES负责“执行”

记录：

实际生产进度和现场状态。

IoT负责“感知”

获取：

设备真实运行情况。

AI负责“理解和解释”

例如：

“为什么今天的计划完成率下降？”

AI分析：

主要原因是CNC-03上午发生故障，造成2小时产能损失，同时下午插入了一张急单，导致原计划发生调整。

再问：

“如果不接这个急单，会怎么样？”

AI可以结合APS重新计算后的结果进行说明。

这样：

算法负责计算。

AI负责沟通。

人负责决策。

这个分工其实更加现实。

---

二十、所以智能排产不是一个按钮

很多人想象中的智能排产：

输入订单。

点击排产。

得到结果。

实际上真正的智能排产更像：

数据准备

↓

约束建模

↓

订单进入

↓

生成排产方案

↓

检查方案

↓

人工确认

↓

MES执行

↓

IoT反馈

↓

发现偏差

↓

重新排产

↓

持续优化

这才是一个完整的APS闭环。

---

最后总结

如果把智能排产说得简单一点：

规则排产：

“按照经验排。”

正向排产：

“从现在开始，看看最早什么时候做完。”

倒向排产：

“从交期往前推，看看最晚什么时候必须开始。”

APS：

“设备、人员、物料、工艺、交期全部考虑进去，找一个可以执行的方案。”

动态重排：

“现场发生变化了，再算一次。”

AI：

“把这些复杂的数据和排产结果讲明白，帮助人做决定。”

所以真正成熟的智能排产，不是：

“让电脑替生产经理排计划。”

而是：

“让电脑把大量复杂的计算工作做掉，让生产经理把精力放在真正需要决策的问题上。”

而这，也是MES、APS、IoT和AI最终应该形成的关系：

MES管执行，APS管计划，IoT管感知，AI管分析。

四者真正连起来以后，工厂的生产计划才有可能从：

“每天人工救火”

慢慢变成：

“数据驱动、动态调整、提前预警”。

阅读原文：原文链接