资讯中心

在制造业智能化浪潮中，AI应用在制造企业中引发广泛关注，大家不约而同的寻求生产计划AI求解的解决方案。本文基于一个真实的AI应用的案例，与大家分享一下利用AI求解器实现生产计划全自动排产实际遇到的困难和思考。

本次项目的背景是客户12年前已经导入了Asprova APS，一直以来用户利用Asprova APS的启发式规则进行计划排产，平稳运行了12年。在AI浪潮下，用户希望借助AI进一步提升计划效率和优化生产计划，所以引入Asprova APS最新的AI算法引擎-Solver。

技术实施：从问题定义到模型落地的五步法

我们要用AI优化求解器解决实生产计划排产的问题，首先需要将业务逻辑转化为数学模型，再通过求解器找到最优解。从问题定义开始，到模型落地，我们需要经过以下的几个步骤:

一、问题定义与目标设定

1.明确排产范围

本次我们的排产范围非常清晰，就是在考虑人、机、料、法、环所有约束的情况下，通过AI求解器自动输出一份到产线、到班次的生产计划、并且输出明确的生产顺序。

2.设定优化目标

• 核心目标：
• 逾期最小化
• 转产损失最小化
• 次要目标：
• 系列差异最小化
• 制造效率最大化
• 总制造时间最小化

二、数据采集与预处理

1.基础数据准备

• 生产资源：资源信息（产能、可用时间、加工能力、切换时间）。
• 工艺数据：BOM（物料清单）、工艺路线（工序顺序、加工时间）。
• 订单与需求：客户订单（数量、交货期、优先级）。
• 约束条件：设备维护计划、物料齐套时间、产能上限。

2.数据标准化与结构化

• 将非结构化数据（如生产工艺、产品转产损失矩阵、排班表、工单）转化为模型可识别的结构化数据（如制造BOM、切换设置表、生产日历表、订单表）。
• 处理数据冲突或缺失（如设备故障历史对产能的影响需量化为可用率）。

本次我们所需要的各种数据基本都是现成，数据已经标准化和结构化，但是对于一些需求订单的交期存在很多不确定性，并没有很好的把这个需求日期完全重置，对AI求解实际上会造成较大的影响。

三、模型构建：数学建模与逻辑设计

1. 定义决策变量

• 核心变量：
• Delay_op：订单逾期时间。
• Setup：订单的转产损失时间。
• Priority：订单客户优先度。
• Producttime(prt)：制造时间
• Spec1：产品系列

2. 构建目标函数

• 逾期最小化:sum((delay_op*priority)^3)
• 转产损失最小化:sum(Setup^2)^0.5
• 系列差异最化:sum(ne(apply(left_op,spec1,0),spec1)^1.8制造效率最大化: sum(prt)
• 总制造时间最小化:sum(prt+setup)

3. 约束条件建模

• 工艺约束：
• 产线约束：根据工艺路线指定产品可以生产的产线。
• 标准能力约束：根据时间段不同，指定标准能力。
• 资源约束：
• 产能限制：设备加工时间 + 切换时间 ≤ 可用时间（考虑班次、维护计划）。
• 物料齐套性：工序开始前需满足物料需求。
• 时间与逻辑约束：
• 交货期约束：订单交货期
• 优先级规则：高优先级订单可抢占低优先级任务（需定义抢占策略）。

四、选择求解算法

依托 Asprova Solver的AI算法 ，通过多目标帕累托优化，在全局搜索中平衡各目标权重，突破传统规则的局部最优局限。

五、模型验证与优化

1.仿真测试

• 使用历史数据或虚拟场景模拟排产过程，验证模型是否满足约束（如设备负载均衡、交货期达成率）。
• 对比现有的启发式规则排产+手工干预的排产结果，对于目标求解函数和权重进行修正和调优(学习)。

2.动态调整机制

• 定义异常处理规则（如材料突然缺料需要对局部计划重排）。

以下是目标函数训练的一个片段，通过反复与基准计划的对比来调教AI目标函数和权重，使得计划各项KPI均优于启发式规则+手工调整的结果。

最终的目标求解函数和权重经过3个月的反复训练和迭代，最终固化下来，真正可以用于实际计划排产中，客户判定可上线使用。

核心挑战与应对

1.复杂性平衡：

生产计划往往是多目标求解，如何平衡多个目标在AI求解过程中的影响，这里没有标准答案，更多的是用户对计划的主观感受，因此，只能通过多次迭代与用户一起磨合。

总体与个体的矛盾：AI求解的时候，一般都是全局求解，寻求一个全局目标最优的结果，但对于局部的某些个体，可能不一定是最优的。比如说考虑逾期最小化和转产损失最小，从目标上看都很优秀，但是个别产品的订单分成多次生产了，这样虽然增加了部分的转产损失，但是逾期的比率可能反而下降了，总体指标的好的，但是用户就是希望连续生产，让逾期少量恶化，这个跟总体目标是矛盾的。

2.动态适应性：

通过实时数据接口和快速重排算法（局部调整）应对订单变更、设备故障等动态事件。用户希望能够通过人工干预做出计划局部干预。

3.可解释性：

因为是全局最优求解，反而没有办法说明每一张订单排序和分派资源的理由，所以业界对于优化求解存在黑盒子和白盒子的说法。AsprovaAPS过去的启发式规则排产是基于白盒子设计的，每一笔计划的安排都可以追溯原因，并作出规则调整，用户可以非常容易干预每个运算的策略和规则。

而AsprovaAPS的AI最优求解这是基于黑盒子设计的，根据用户指定的目标，系统自动优化求解，每个求解结果都不能用规则进行解释。解决的思路是对 AI 输出的排产结果，反向匹配最相关的约束条件（如 “因交期紧急，优先安排高优先级订单 ”），提升计划人员对系统的信任度。

项目价值与落地启示

（一）成功关键因素

1.数据成熟度：12 年 Asprova APS 的规则化运行，积累了高质量的工艺、资源、订单数据，为 AI 建模奠定基础（若企业尚未实现基础规则排产，AI 实施难度将呈指数级增长）。

2.目标清晰化：管理层提前明确 “交付优先” 的核心导向，避免多目标优化陷入权重摇摆的困境。

3.人机协同设计：保留人工干预接口，既发挥 AI 的全局优化能力，又赋予计划人员对特殊场景的决策权。

（二）行业启示

• 分步实施：优先在数据规范、规则明确的车间单元试点，再逐步扩展至全工厂
• 持续迭代：AI 排产非 “一次性工程”，需根据实际生产反馈（如设备实际故障率与模型假设的偏差）定期修正约束参数
• 组织适配：同步开展计划人员的算法思维培训，从 “规则执行者” 转变为 “目标定义者”

本次实践证明，Asprova AI 求解器在复杂制造场景中的落地，本质是 “数据质量 × 业务理解 × 算法调优” 的三角平衡。企业需清醒认识：AI 并非万能解药，其效能上限由数据精度与目标清晰度决定。唯有夯实数据治理基础、建立 “算法优化 + 人工校准” 的协同机制，才能让 AI 真正成为生产计划的 “智能大脑”，而非脱离业务的 “数学黑盒”。