1.前言

       随着制造业经历了30多年的高速发展，根据国家统计局公布的2024年规模以上工业企业主要财务指标数据，我国规上制造业的营业收入利润率已不足5%。若外部环境变动加剧，而内部管理手段不能随机应变，则很可能导致企业经营亏损。然而，在近10年间，国内制造业已从劳动密集型逐步转变为知识技能密集型。企业通过引入CAD工具，将原手工图版转换为计算机辅助设计，并采购自动化机器人以替代人力资源。显而易见，制造业正积极尝试新技术，以提升企业盈利能力。人工智能的兴起，为制造业带来了继CAD和机器人之后的第三次发展机遇。本文在已确定的静态排程算法基础上，将进一步探讨基于AI的动态排程。

2.生产过程的智能排程

       生产过程的排程目前主要分为静态排程和动态排程两种。静态排程类似于现行的APS系统，通过系统集成接口采集各相关环节的关键信息，基于APS的固定算法，生成特定的生产排程。真正让智能排程区别于APS系统的是，AI能够基于基础数据并结合利润生成生产排程，而APS则是基于既定规则生成排程。结果是，AI能根据大数据精确计算出利润最高的生产排程，而APS的既定算法大概率无法生成利润最高的排程。

       2.1 AI动静态排程的难点

       静态排程需要从各系统中采集关键信息，根据图1可知，具备AI智能排程的系统至少需要与20多个系统或工具集成，而每个系统或工具中又要采集多组信息，静态排程特指在变动较少的情况，通过销售额与生产成本费用的计算，定量确定生产计划。而实际业务情况总是存在着变动，订单信息、产品结构、工艺路线、订单优先级的情况总会随着业务情况出现变化，而来料质检、成品检验、外部认证等工作也会因出现意外情况而不可控，若单纯的套用静态排程，则很可能出现计划安排与实际不匹配的情况，为了应对各种突发情况，则需要借助AI在利用静态排程算法的基础上，引入动态排程，以实现在有限的资源（人员、设备）情况下，最大限度地实现利润最大化的目标。
 
       从静态排程的基本算法可知，若服务器性能足够，则在一定计算周期内，不仅定性，还可定量测算出订单若按计划执行后可获得的利润。但若服务器性能不佳或计算量过大时，利润最优值可能无法通过穷举并定量确定，只能通过尽可能扩大迭代次数寻求次优解。而动态排程的计算量远超静态排程，且逻辑算法之复杂也远超静态排程。具体难点，详见表1。
 
       2.2 影响动态排程的因素

       制造业的销售订单通常分为3类，①固定产品批量采购，②定制化产品少量采购，③混合多产品及类型采购。真正影响动态排程的事项一般有以下几类：

       1）销售端变动

       客户采购量发生变化

       例如客户初期采购量为A款50台，后又调整为30台或80台。此类的变化最为考验采购及财务：采购量增加，势必会增加原材料的消耗，而一般销售订单都会约定交期，若采购不及时，影响交期势必会产生违约情况。同理当采购量减少，前期若为了控制成本而预先备货备料，则因销售量减少而产生物料积压甚至报废，最佳情况也是调拨至其他订单销售。当然无论是违约还是报废都会对利润产生影响，所以应对的情况应规范合同条款，例如减少采购量，则应考虑产品不同生命周期下的变动成本，而对于增加采购量，则应另行约定交付时间或者额外签署合同。

       产品交付时间发生变动

       此类型一般两种变化，例如：当采购量为大批量时，原下单时未考虑接受能力，故下单后要求拆分交期，例如30%按合同原期交付，30%按合同原期延期1个月交付，剩下40%再延期1个月。当小批量采购时，为应对市场情况需要提前或延后交付，但此种情况一般不涉及订单拆分。

       产品或服务需求发生变化

       此种情况一般为需求发生的变动，例如电机原产品使用进口轴承，现为降本需要替换成国产轴承。亦或者对原产品需要增加绝缘漆图层等需求变化，因此而需要调整产品结构及工艺路线，甚至需要将安装中的半成品拆卸后重新返工，中间可能涉及已安装的零件报废等成本支出。

       对服务而言，其包装方式，货运（陆运、空运、海运）方式等都可能应客户要求而发生变化，此类变化一般涉及原包装材料及货运服务的调整及违约。

       2）设计端变更

       设计BOM变化

       此类变化包括发现产品不符合交付要求，对产品BOM及物料主动发起变更，一般主要涉及物料用量、材料、产品结构等变化。此类变化在未生产前，主要变化的成本在于人工，而一旦转生产后再提起设计变更，则影响甚广，可能涉及已生产及已采购的物料/产品报废、返工成本、交货延期引发的违约、临时采购而所需的加急成本等。

       工艺BOM/制造BOM/工艺路线/替换件变化

       当设计BOM发生变化后，通常会引发后续一系列变更，此部分的变化如同设计BOM变化，除上述涉及内容外，还会给周边部门增加工作量。

       3）制造端变更

       工单调整

       一般设计阶段完成后，就会进入到制造端，当物料齐备后，生产则应根据工单按部就班地生产，而若考虑到临时插单则需要随时调整生产工单。调整方式形式上可按时间、按数量进行变化，其特点是只要精细度由粗至细，则即使在不更改计算逻辑的情况下，也将极大消耗计算资源。

       设备/人员/能源变化

       这部分一般涉及设备临时检修、人员请假、临时拉闸限电等意外情况，通常来说：除高价值设备一般数量有限无法替代以外，其余人力资源及能源变化都可以有临时替代措施。

       4）其他变更

       这部分变更通常与外部供应商相关，包括采购物料无法按交期交货，来料质检未通过，供应商配送途中物品遗失等外部情况。

       2.3 动态排程场景分析及计算

       上述因素已做初步分析，现举例说明AI在动态排程上，借助算法及对于事态的理解，为企业赚取利润。

       为模拟企业实际情况，现介绍模拟背景：
 
       由上述背景可知，订单A及订单B的物料总需求为2500个原材料A+1700原材料B，而仓库中恰好有等量的原材料。而基于BOM及工艺两部分信息可算出生产总耗时：
 
       再分析销售订单，可知订单C为紧急插单，而此时的应对措施只有3种：①将订单A及订单B的产能及已生产的产量全部调拨给订单C，②保留订单A及订单B的1.1～1.4日的已生产量，自1.5日起，按双班或三班的方式生产，并将产生的所有产能优先供给订单C，剩余部分再充作订单A及订单B的产能补充。③每天安排单班，订单交付除应获利以外，还需要扣除相应的违约金。

       具有AI能力的动态排产应根据所有的可能性，通过海量计算，最终通过核价比对利润，最终确定采用哪一种方式。

       根据静态排程文章中提到的算法，本次考虑到订单C以插单模式进入，最佳生产排程为：

       1.1～1.4日，按单班8小时工作，产能为：
 
       因1.2日订单B的主体产品依旧为001及002，所以1.1～1.4日期间，班组不调整生产次序，依旧全力加工001产品至288台。但因1.5日订单C紧急插单，通过AI自我分析可知，订单C需要交付800个X，400个Y以及1200个P，1200个Q。考虑到X及Y的需求量可以直接从1.1-1.4的产能中优先调拨，所以自1.5日起，优先生产P及Q，其产量计划为：
 
       所以当1.1～1.9日期间，共生产288台001，480台002，若空运在一天内交付，则订单C于1.10顺利完成。

       通过AI自我分析可知，订单A的优先级应高于订单B，所以后续产能应全部交由订单A，则生产产量计划为：
 
       从上表可知，1.10～1.14日期间，共新生产216台001,192台002，加上生产订单C是结余的88台001及80台002，已能满足交付，若海运1天能抵达客户，则1.15日完成订单A的交付，且无逾期。

       订单B的生产计划为：
 
       由上表可知在1.17日完成订单B的生产，后续时间可交由陆路运输。

3.总结

       在多重条件制约下，AI动态排产可不受任何已有的算法约束，在理解业务场景的模式下，自动根据现有的条件，通过合理分配各种资源以达到利润最大化的目的。反观APS一直拘泥且依赖于内置既定算法，当业务情况稍有变动，则APS就不能很好地应对，或者锁单周期过长，导致生产效能及利润双下降。而AI可自适应业务，自学习自理解业务场景，根据不同的情况自动生成算法，并根据算法基于强大的服务器性能得出最优解，为企业降本增效提供切实可行的依据及支持。