AI智能排产正从“可选项”变成制造企业的“必答题”,大模型技术的介入让排产决策从经验驱动转向数据与算法驱动。过去三年,排产优化市场的年复合增长率保持在两位数,据行业研究机构统计,全球高级计划与排程软件市场规模已突破十亿美元量级,其中亚太地区增速最快,中国制造业对智能排产的需求尤为迫切。
一、政策层面持续加码,智能制造进入深水区
工信部等多部门近年密集出台智能制造相关政策,明确将“生产计划优化”“动态调度”列为典型场景,推动规模以上制造企业关键工序数控化率和经营管理数字化普及率持续提升。十四五智能制造发展规划提出到2025年建成一批智能制造示范工厂,排产调度作为连接订单、物料、设备的核心环节,被多地纳入数字化转型补贴目录。政策信号很清晰:不搞排产智能化的工厂,在后续的供应链协同和产能对接中会越来越被动。
二、市场需求变了,排产复杂度指数级上升
消费端小批量、多品种、短交期的订单结构成为常态。某电子厂假设场景中,同一产线一天内要切换七八种产品型号,换线时间和物料齐套的约束交织在一起,靠Excel和老师傅经验已经排不动了。与此同时,交付周期压缩、插单频繁、设备状态波动,让传统MRP运算的局限性暴露无遗——它算得出物料需求,算不出“今天下午三点哪台机台该做哪个工单”。市场对排产系统的要求从“能排出来”升级为“排得准、调得快、看得清”。
三、大模型切入排产,技术路线出现分水岭
早期排产优化依赖运筹学算法和启发式规则,求解速度快但泛化能力弱,换一个车间就要重新建模。大模型的进入改变了这个局面:它能消化工艺文档、设备日志、历史工单等非结构化数据,把排产约束的提取和建模过程半自动化。在需求预测环节,基于时序大模型的预测精度相比传统统计方法有明显提升;在动态调度环节,大模型可以实时响应插单、缺料、设备故障等扰动,给出可解释的调整建议。行业数据显示,引入AI排产的企业在计划编制效率上普遍有数倍提升,计划排程的准确率也有可观改善。技术分水岭在于:以前是“人告诉系统怎么排”,现在是“系统学着人怎么想”。
四、产能规划从静态走向滚动,决策颗粒度变细
产能规划不再是年度做一次的战略动作。AI排产系统把产能规划拉到周、日甚至班次级,结合需求预测做滚动推演。假设一家汽配企业接到主机厂未来三个月的爬坡计划,系统能模拟不同班次组合下的产能缺口,提前提示哪台设备需要增加维护窗口、哪道工序需要外协。这种颗粒度的决策能力,正在成为制造企业接单底气的来源。排产决策的竞争,本质上是产能响应速度的竞争。
AI智能排产决策,是指以大模型技术为核心引擎,融合需求预测、产能规划与动态调度能力,在订单、物料、设备、人员等多重约束交织的生产环境中,自动生成可执行、可迭代、可追溯的排产方案的一类决策系统。它解决的不是“能不能排出来”的问题,而是“在什么约束下排得最优、在变化中调得最快”。
一、概念边界:它管什么,不管什么
该系统的能力边界需要说清楚。它覆盖从需求预测到工单排序、从产能负荷测算到设备级任务分派的完整决策链路,核心输出是“什么时间、哪台设备、做哪个工单、用哪批物料”的可执行指令。但它不替代ERP的财务核算与采购下单功能,也不替代MES的工序级数据采集与执行反馈。在企业数字化体系中,它定位为ERP与MES之间的决策层——向下承接订单与物料约束,向上输出可执行的排产方案,向MES下达工单序列,向ERP反馈产能可行性。缺少这一层,ERP的计划与MES的执行之间就存在一个靠人工经验填补的断层。
二、核心价值主张:三个“从到”
该方案的价值不在“自动化”三个字上,而在于三个实质性转变。从“月度级粗排”到“日级甚至班次级细排”,传统MRP通常按周或按月做计划运算,颗粒度到车间不到机台;大模型驱动的排产系统可以将排产颗粒度压缩到班次甚至小时级,假设一家汽配企业面对每天数十张插单,系统能在分钟级完成重排并评估对既有工单的连锁影响。从“单目标优化”到“多目标权衡”,交付准时率、设备利用率、换线次数、在制品库存这几个指标天然冲突,传统规则引擎只能设定优先级硬约束,大模型则可以在多维目标间做动态权衡,给出可解释的推荐方案而非唯一解。从“事后补救”到“事前预判”,系统在排产阶段就模拟设备故障、物料延迟、紧急插单等扰动场景,提前生成应对预案,把调度从“救火”变成“防火”。
三、与传统方案的本质区别
传统APS依赖固定规则和启发式算法,排产逻辑写死在代码里,换一个产品结构或工艺路线就要重新配置,实施周期长、维护成本高。大模型的介入改变了这一范式:它从历史排产数据、设备运行日志、订单交付记录中学习隐含的约束关系和调度模式,对新场景的适应能力显著增强。更关键的区别在于交互方式——排产人员不再需要理解算法参数,可以用自然语言描述约束变化,系统理解意图后重新求解。这不是界面层面的改良,是决策范式的切换。
四、在企业数字化体系中的定位
排产决策处于制造企业信息流的咽喉位置。上游连着销售订单和需求预测,下游牵着物料齐套和设备维护,横向与质量追溯、能耗管理发生关联。该系统的定位不是又一个孤立的信息化模块,而是把ERP的计划逻辑、MES的执行数据、SCADA的设备状态拉通到一个决策平面上。对于已经完成ERP和MES建设的企业,排产智能化是补齐“计划到执行”断点的关键一步;对于正在推进智能工厂建设的企业,它是验证数字化投入能否转化为交付能力提升的试金石。
一、核心能力模块:五个引擎咬合运转
该系统的能力底座由五个模块构成,彼此不是简单串联,而是带反馈回路的咬合结构。需求预测引擎负责把历史订单、季节性波动、客户滚动计划和大宗商品价格信号揉成未来13周的SKU级需求分布,输出的是带置信区间的概率预测而非单点数字。产能规划引擎把预测结果映射到设备组、产线和人力班组,做粗能力与细能力的双层平衡,识别瓶颈工序。排产优化引擎是核心,它把订单优先级、交期、换型时间、物料齐套性、设备可用性等约束编码成混合整数规划问题,大模型在这里承担的是约束权重动态调优和求解策略选择,而不是替代求解器本身。动态调度引擎监听MES的实时事件流,当出现设备故障、物料短缺或插单时,在分钟级触发局部重排并评估连锁影响范围。可解释性引擎则负责把每一次排产决策的约束取舍、冲突消解路径和备选方案差异输出成人类可读的说明,这是排产员愿意信任系统的前提。
二、技术架构:三层解耦加一条数据总线
架构上分决策层、模型层和数据层三层,层间通过标准化接口解耦。决策层部署排产求解服务、规则引擎和仿真推演模块,对外暴露RESTful API供ERP调用排产结果、供MES拉取工单序列,接口数据模型遵循ISA-95标准中的生产调度对象定义,工单、工序、资源、物料四类实体的字段映射有明确规范。模型层是技术差异化的集中地:大语言模型负责需求预测中的非结构化信号解析(比如客户邮件里的交期变更意图)和排产约束的自然语言配置,运筹优化求解器负责组合爆炸问题的精确求解,强化学习模块则在反复排产中学习换型顺序和批量策略的隐性知识。数据层通过统一数据总线汇聚ERP的订单与库存、MES的工序实绩、WMS的物料齐套状态、SCADA的设备状态,数据延迟要求控制在秒级到分钟级,历史数据保留粒度到工序级以便回溯。
三、关键技术点:三个容易被低估的硬骨头
第一个是约束建模的柔性化。传统排产系统把约束写死在代码里,换一个车间就要重新开发;该方案用大模型把自然语言描述的排产规则(比如“喷涂线换色超过三次必须清洗”)转成可执行的约束表达式,规则维护从开发工作变成配置工作。第二个是重排的稳定性控制。频繁重排会让车间无所适从,系统引入“排产冻结期”机制,对锁定窗口内的工单只做增量调整,冻结期外的工单才允许大范围重构,冻结窗口长度可按车间节奏配置。第三个是求解性能的工程化。假设一家电子厂有200台设备、日均300张工单、每张工单5道工序,完整重排的求解空间是天文数字,系统采用滚动时域分解加局部搜索的策略,把分钟级响应拆成“全局粗排一次、局部细排多次”的两级节奏。
四、数据流向与接口标准
数据流向是闭环的:ERP下达订单和物料约束,系统排产后回传产能可行性评估和工单建议交期;MES接收工单序列并反馈工序级实绩,系统据此更新设备负荷画像;WMS提供齐套状态,缺料事件触发动态调度。接口层面,订单和工单走ISA-95定义的B2MML消息格式,设备状态走OPC UA,物料齐套走自定义的JSON事件推送,所有接口都带版本号和幂等设计,避免重复推送造成工单重复下发。
一、先跑通一条产线的最小闭环,再谈全局推广
企业落地AI智能排产,最忌讳一上来就追求全厂全工序覆盖。行业里失败案例的共性是把项目做成了“大而全”的IT工程,结果半年出不了可验证的排产结果,业务部门失去耐心。务实的分阶段路径是:第一阶段选一条瓶颈产线或一个典型车间,用4到6周完成需求预测到排产结果输出的最小闭环,验证的是数据通不通、约束建模准不准、排产员认不认。这个阶段的里程碑不是算法精度多高,而是排产员愿意拿系统结果去和手工排程做对比。
二、三个实施阶段的节奏与交付物
第一阶段是数据与约束建模期,通常6到10周。核心工作是把ERP工单、MES报工、设备台账、物料齐套数据接入统一数据总线,完成ISA-95对象的字段映射。资源配置上需要一名懂生产工艺的排产业务专家全职投入,这是整个项目最稀缺的角色,比算法工程师更关键。交付物是一份可执行的约束清单和一份数据质量评估报告,后者要如实标出哪些字段缺失、哪些设备状态采集不全。
第二阶段是引擎上线与并行验证期,约8到12周。排产优化引擎和动态调度引擎接入实际订单流,与人工排程并行运行,每天对比两套结果的交期达成率、换型次数和设备利用率。大模型的约束权重调优在这个阶段开始发挥作用,但要让排产员参与权重设定的评审。里程碑是连续四周系统排程结果在关键指标上不劣于人工,且可解释性引擎输出的决策说明被排产员认可。
第三阶段是滚动推广与自学习期,按产线或车间逐个复制,每复制一个单元约4到6周。强化学习模块在这个阶段积累换型顺序和批量策略的隐性知识,需要保证每次排产结果和实际执行偏差都回流成训练样本。
三、常见坑与避坑指南
第一个坑是数据洁癖导致项目停滞。追求设备状态100%实时采集再启动排产,往往拖过预算周期。可行做法是对缺失数据先用规则兜底,比如设备可用性按计划检修表加历史故障率估算,标注置信度后照样跑排产。
第二个坑是把大模型当成求解器用。让大语言模型直接输出工单序列,在订单量超过两百时就不可靠。正确分工是求解器算组合优化,大模型只做约束权重的动态调优和自然语言配置解析。
第三个坑是排产员被排除在建模之外。约束条件如果只由IT和算法团队定义,产出的排程在车间根本执行不了。建议每周固定一次排产员评审会,把他们的“土规则”显式编码进规则引擎。
第四个坑是忽视动态调度的连锁影响评估。局部重排触发后如果不评估对下游工序和物料齐套的冲击,会出现按下葫芦浮起瓢。实施时要强制要求每次重排输出影响范围报告,再决定是否采纳。
资源投入上,一个中等规模工厂的单产线试点,建议配置业务专家1名、算法工程师2名、数据工程师1名、实施顾问1名,周期控制在半年内出可量化对比结果,再决定是否扩大范围。
一、排产项目最大的风险不在算法,而在约束建模失真
AI排产落地失败,七成以上原因可以追溯到约束条件没建对,而非模型不够聪明。某汽配企业的假设场景很典型:系统上线后排出的计划交期达成率看着漂亮,车间却拒不执行,追查发现是换型时间被统一设成了固定值,而实际同一台压机上不同模具的换型耗时能差三倍。应对措施是把约束清单当成一等交付物来管,每条约束标注来源、责任人和验证方式,业务专家签字确认后才允许进入引擎调优。选型时优先看该方案是否支持约束条件的可视化配置与逐条回测,而不是只看它宣称支持多少种排产规则。
二、数据质量风险要用评估报告前置暴露,别等上线才发现
设备状态走OPC UA、物料齐套走JSON事件推送,接口层有版本号和幂等设计,这些只解决了“通”的问题,没解决“准”和“全”的问题。假设一家电子厂,SMT贴片机的状态采集只覆盖了运行和停机两态,缺了换料待机,排产引擎就会把换料时间误算成可用产能。建议在数据与约束建模期就产出一份数据质量评估报告,逐字段标出缺失率、采集频率和口径歧义,并约定可接受阈值。选型时重点考察该平台是否内置数据质量探查能力,能否对ISA-95对象映射结果做一致性校验,这比事后补数据便宜得多。
三、并行验证期最容易翻车的是排产员不认账
引擎上线后与人工排程并行跑,每天对比交期达成率、换型次数和设备利用率,这个阶段真正要防的是排产员表面配合、实际不用。大模型做约束权重调优时,必须让排产员参与权重设定并留痕,否则一旦结果与直觉不符,系统就会被贴上“不懂现场”的标签。某机械加工车间的做法值得借鉴:每周让排产员挑出三条系统结果与手工排程差异最大的工单,逐条复盘是约束漏了还是权重偏了,复盘记录直接反馈进模型。选型时确认该方案是否支持权重调整的可追溯和多人协同评审,避免调参变成黑箱操作。
四、动态调度的风险在于扰动响应过度
动态调度引擎接入实际订单流后,插单、设备故障、物料延迟都会触发重排。风险是重排过于频繁,车间刚按新计划备好料又被推翻,执行层怨气很大。应对办法是设置重排的触发阈值和冻结期,比如锁定未来四小时内的已开工工单不动,只对后续窗口做滚动优化。选型时问清楚该平台的动态调度是事件驱动还是周期驱动,能否配置冻结窗口和扰动分级策略,这直接决定系统是帮忙还是添乱。
五、选型建议:先看约束建模与并行验证能力,再看算法指标
给排产系统选型,别被预测准确率这类单点指标带偏。建议按三条硬标准筛:一是约束建模是否可视化、可回测、可追溯;二是是否原生支持与人工排程的并行对比看板;三是动态调度能否配置冻结期和扰动分级。三条都满足再谈大模型权重调优的深度。分阶段投入上,第一阶段预算应向业务专家和数据治理倾斜,算法采购放在第二阶段,这样即使引擎效果不及预期,约束清单和数据资产也能留下来继续用。