AI 智能排产怎么落地？从 Excel 排产到系统自动排

01Excel 排产的天花板：插单、改单与资源冲突

Excel 排产在规模小时够用，但订单量一上来，三个天花板立刻显现：

• 插单即重排：急单插进来，排产员要花一两个小时手工调整全部后续工单，一天插三次单，排产成了全职救火；
• 资源冲突看不见：同一模具、同一班组、同一设备被两个工单同时占用，靠排产员脑子记，记漏了就是现场停工等料；
• 交期承诺拍脑袋：业务接单时问「什么时候能交」，答案是「问一下车间」——缺产能视角的承诺，准时交货率全靠运气。

这些问题的共同根源：排产信息在一个人脑子里，产能约束在一张 Excel 里，都无法实时响应变化。智能排产的本质是把排产逻辑从「人」迁移到「系统」：产能、工时、模具、订单交期全部结构化，系统秒级算出可行方案，变化来了重新算一遍就行。

02智能排产解决什么：三个可量化的收益

APS 的收益必须落到指标上，三个最实的：

• 交期承诺有依据：接单时系统实时模拟「插进现有排程后所有订单的交期」，业务当场答复客户——准交率从 80% 提到 95%+ 的行业案例很多，准交率本身就是客户留存的核心指标；
• 产能利用率提升：瓶颈设备（往往是注塑机、SMT 线、热处理炉）的稼动率提升 5~15 个百分点——瓶颈多干一小时，全厂多产出一小时，这是最直接的增量；
• 换型损失下降：把同规格、同模具的订单聚类连续排产，换模次数减少 20%~40%，单次换模 1~2 小时的产线，省下的都是纯产能。

立项时先算账：瓶颈设备一小时产值 × 预计提升的稼动率 + 换模时间节约折算产能 + 准交率提升带来的客户留存价值。这笔账算得清，项目才立得稳；算不清的，说明当前阶段的问题可能不在排产。

03落地第一门槛：数据的准确度要求

APS 是「垃圾进垃圾出」最典型的系统——数据不准，排出来的是「精确的错误」，一线更不会信。上线前的数据门槛：

• 工序工时：每个工序的标准工时要准（实测对比误差 ±15% 以内），工时不准是排产失真的第一大来源——从 MES 报工数据自动校准比人工估准得多；
• BOM 与工艺路线：与实际生产一致，替代路线（哪些工序可以外协、哪些设备可以互换）要有显性配置；
• 资源台账：设备产能参数、模具清单与寿命、班组日历（班次、加班、休假）、物料齐套时间，全部结构化入系统。

务实路径：已经有 MES 报工数据的工厂，工时校准有据可依，APS 成功率高；还没有 MES 的，建议 MES 先行——报工数据跑 2~3 个月再上排产，数据基础自然成立。同时管理预期：第一版排产结果一定「不如老师傅排得好」，用两周对照修正参数，这属于正常爬坡期。

04算法怎么选：规则式与 AI 求解式的适用场景

APS 的排产算法分两派，选型看业务形态：

• 规则式（优先级+瓶颈调度）：按交期优先、客户等级、换型最小等规则排序，瓶颈设备重点调度。可解释性强（每一步为什么这么排说得清）、可人工干预、上线快——适合流程相对稳定、订单规模中小的工厂，是大多数企业的首选；
• AI 求解式（遗传算法/约束求解）：把交期、产能、换型、库存等约束全部建模，运算寻找近优解。处理多品种小批量、约束复杂纠缠的场景能力强，运算结果常优于人工——但调参周期长、结果可解释性弱、实施成本高，适合排产复杂度确实高的行业（模具、汽配、电子组装）。

选型建议：先规则式起步，跑出数据与信任，复杂度真上不去再升级求解式。另一个常被忽略的能力是「插单自动重排」——急单插入后 30 秒内重排全部工单并给出交期影响清单（哪几单要延迟、延多少），这个能力对业务端的价值比「排得更优」更直接。

05上线三步节奏与考核指标

APS 上线不能一步到位「系统说了算」，建议三步：

1. 模拟对照期（2~4 周）：系统排产与排产员手工排产并行，每天对照差异——工时不准的校准、约束遗漏的补充，把系统「喂」到可信；
2. 系统为主期（1~2 个月）：以系统排产为准，排产员做微调（特殊订单、临时变更），每笔人工调整记录原因——数据反过来修正系统；
3. 常态运行期：插单自动重排、交期承诺在线化（业务接单自助查询可承诺交期）、车间电子看板按排程执行报工。

考核指标三个：准交率（目标 95%+）、瓶颈设备稼动率（对比上线前基线）、平均换型时间。另外盯一个软指标：排产员的工作内容从「画表格」变成「处理异常与优化参数」——这是系统真正落地的标志，而不是替代了一个人。