AI智能排产决策白皮书

一、制造业排产正在从人工经验驱动转向AI大模型驱动

制造业的排产环节长期依赖计划员的个人经验，一张Excel表格加上几轮车间协调会，往往就是大多数中小工厂的日常。但这种模式在订单碎片化、交期压缩、物料波动加剧的环境下已经难以为继。公开行业调研显示，国内规模以上制造企业中，超过六成的生产计划仍以人工排定为主，计划变更频率高的时候，排产人员每天要花三到四小时处理插单、改单和设备异常。AI大模型进入这一领域后，变化是实质性的：它不再只是做一个简单的规则引擎，而是能同时理解订单优先级、设备能力、模具约束、人员班次、物料齐套情况，在几分钟内给出可执行的排产方案，并在订单或产能发生变化时动态重排。

二、需求预测与产能规划的精度要求被推到了新高度

过去很多工厂做需求预测靠的是历史出货均值加一个安全系数，误差大，导致要么库存积压、要么紧急插单打乱节奏。现在市场端的变化是，电商促销节奏、海外客户补单周期、原材料价格波动都在加速传导到排产端。行业公开数据表明，采用机器学习做需求预测的企业，预测偏差可以控制在百分之十五以内，而未采用的企业普遍在百分之三十以上。产能规划同样如此，AI系统会把设备综合效率、换型时间、瓶颈工序的稼动率纳入模型，模拟不同订单组合下的产能缺口，帮计划部门提前判断是加班、外协还是调整交期。某电子厂的实际场景是，在引入AI产能模拟后，计划员能在接单阶段就判断出未来四周的瓶颈工序，而不是等到生产当天才发现做不出来。

三、动态调度从"能排"走向"排得好、调得快"

排产不是一次性动作，而是一个持续滚动的过程。设备突然故障、来料检验不合格、客户临时加急，这些扰动每天都会发生。传统APS系统在动态调度上往往反应慢，重排一次要等很久，计划员干脆手动改。AI大模型加持下的动态调度，核心优势在于重排速度快、约束处理灵活。假设一家汽配企业遇到注塑机突发停机，系统可以在几分钟内把受影响工单重新分配到其他机台或调整顺序，同时把模具切换次数控制在合理范围。行业趋势很明确：排产决策正在从"离线优化"变成"在线优化"，从"一天一排"变成"事件触发即重排"。

四、政策与市场双轮驱动，AI排产进入落地加速期

政策层面，智能制造试点示范、中小企业数字化转型城市试点等方向持续推动制造企业上云用数。市场层面，下游客户对交期透明度和准时交付率的要求越来越硬，倒逼工厂必须把排产做精细。公开行业报告指出，制造企业在生产计划与排产环节的数字化投入增速，已经高于仓储和物流环节。可以判断，AI智能排产决策不再是头部企业的专属，正在向中型制造企业渗透，成为智能制造能力评估中的一项基础能力。

一、AI智能排产决策的定义与边界

AI智能排产决策，是指以大模型为核心引擎，融合运筹优化算法与实时生产数据，在有限产能、物料、人力和时间约束下，自动生成并持续调整生产作业计划的一类工业智能系统。它要回答的核心问题很具体：哪张订单先做、放在哪台设备、用哪套模具、什么时间开工、遇到异常怎么调。和传统APS（高级计划排程）相比，它的边界明显更宽——传统APS强在规则计算，弱在理解复杂语义和动态变化；AI大模型则能读懂订单备注里的交期暗示、工艺文件中的隐性约束，甚至从历史排产记录里学到老计划员的决策偏好。

二、核心价值主张：从"能排出来"到"排得准、调得快、说得清"

第一层价值是排得准。该系统把需求预测、产能模拟、物料齐套判断串成一条链路，排产结果不再是孤立的工序时间表，而是和未来四周的产能缺口、关键物料到货节点对齐的计划。行业公开数据显示，引入AI排产的企业，计划一次通过率普遍能从六成左右提升到八成以上。

第二层价值是调得快。插单、设备故障、来料延迟是排产常态，传统方式靠人工重排，几小时起步。AI排产决策支持分钟级重排，并且会给出多个可选方案，比如"优先保交期"或"优先保设备利用率"，让计划员做选择题而不是填空题。

第三层价值是说得清。大模型能解释为什么这样排——为什么这张单排在后面、为什么那台设备换型次数多。这种可解释性对计划部门内部沟通、对客户交期承诺都很关键。

三、与传统方案的本质区别

传统排产工具本质是"规则+计算"，规则靠人写，遇到规则没覆盖的场景就失效。AI智能排产决策是"数据+模型+优化"三层结构：大模型负责理解订单和工艺语义，机器学习负责预测需求和设备状态，运筹优化负责在约束空间里找可行解。三者配合，才能应对订单碎片化、工艺路线多变、异常频繁的现实场景。另一个区别是迭代方式——传统系统上线后规则调整慢，AI系统会随着排产数据积累持续优化，越用越贴合企业实际。

四、在企业数字化体系中的定位

AI智能排产决策不是孤立的排产工具，它处在企业数字化体系的中枢位置。向上，它承接ERP的订单和交期指令、PLM的工艺路线数据；向下，它把排产结果下发给MES执行，并接收MES回传的报工和异常数据；横向，它和WMS的库存齐套信息、SCADA的设备状态实时联动。换句话说，它是把经营层的"要做什么"翻译成执行层"怎么去做"的那一层。缺少这一层，ERP的订单和MES的执行之间就靠人工表格和会议来衔接，效率和准确性都受限。假设一家汽配企业同时接入了ERP和MES，但没有AI排产决策层，计划员仍然要手工把订单拆成工序计划再录入MES，这个环节就是数字化的断点。补齐这一层，订单到执行的链路才算真正打通。

一、四层能力模块构成排产决策的完整闭环

AI智能排产决策系统的能力不是单一算法，而是由需求感知、约束建模、方案生成、动态调度四个模块串联而成的决策链。需求感知层负责把ERP订单、MES工单、销售预测三路数据归一化，输出带优先级和交期置信度的任务池。约束建模层把设备产能、模具寿命、人员班次、物料齐套状态编码成可计算的约束网络，这里的关键技术是混合整数规划与约束编程的融合求解。方案生成层调用大模型做语义理解，把工艺文件里的“该工序需在涂装后4小时内完成”这类隐性规则自动转成硬约束。动态调度层则持续监听设备状态和报工数据，一旦偏差超过阈值就触发重排。

二、技术架构分三层：数据底座、决策引擎、交互层

底层是数据底座，通过OPC UA采集设备实时状态，通过ISA-95标准接口对接ERP和MES，把订单、BOM、工艺路线、设备台账、历史排产记录统一存入时序数据库和关系库的混合存储。中间是决策引擎，大模型负责语义解析和方案解释，运筹求解器负责在约束空间里搜索最优解，两者通过一个调度协调器交互——大模型先把自然语言约束翻译成结构化参数，求解器算完后大模型再把结果转成计划员能读懂的建议。上层是交互层，计划员看到的不是甘特图堆砌，而是带冲突提示和调整建议的决策面板。

三、关键技术点集中在语义约束解析和滚动重排

传统APS排不出来的单，往往卡在“软约束”上。比如某电子厂的一张加急订单备注写着“客户产线周末停线，周五下午前必须到仓”，这句话里包含交期提前、运输时间倒推、周末不收货三层含义。大模型能把这层语义抽出来，转成求解器可执行的截止时间约束。另一个技术点是滚动时域重排，系统不是一次性排完四周就锁死，而是每15分钟或每次异常事件触发一次局部重排，只调整受影响的时间窗，避免全局震荡。

四、数据流向：从订单池到工序级指令的下行与上行

下行方向，订单池经优先级排序后进入约束建模，求解器输出工序级作业计划，再经MES下发到工位机或Andon看板。上行方向，设备报工、质检结果、物料消耗实时回传，系统比对计划与实际偏差，偏差累积到一定程度就触发重排。接口标准方面，排产系统与ERP之间通常走ISA-95的B2MML报文，与设备层走OPC UA，与仓储系统走EDI或API网关。假设一家汽配企业有200台设备、日均300张工单，这套数据流每轮重排的计算量在秒级到分钟级，取决于约束规模和求解精度要求。

五、大模型与求解器的分工是架构设计的核心

大模型不直接算排产结果，它做三件事：把非结构化输入转成结构化约束、对求解器给出的多个方案做可解释性排序、从历史排产记录中学习计划员的偏好权重。求解器负责在硬约束下找可行解和较优解。这种分工避免了让大模型做它不擅长的数值优化，也避免了让传统求解器处理它读不懂的语义信息。实际部署中，大模型通常以微调后的行业模型形态嵌入，求解器则根据场景选择CPLEX、Gurobi或开源COIN-OR分支。两者通过一个中间表示层通信，这个中间层的 schema 设计质量直接决定系统能不能读懂复杂工艺场景。

一、先跑通一条产线，再谈全局推广

企业落地AI排产，最忌讳一上来就搞全厂覆盖。建议按四个阶段推进，每个阶段设硬性验收指标。

第一阶段是数据就绪期，大概需要4到8周。核心任务不是买算法，而是把ERP订单、MES报工、设备状态三路数据的时间戳对齐到同一精度。很多工厂MES报工是分钟级，ERP交期是日期级，OPC UA采集是秒级，不做归一化，后面约束求解必然出错。这个阶段的里程碑是：任意一张订单，能在系统里查到它从下单到当前工序的完整数据链路，延迟不超过30秒。

第二阶段是单产线试点，8到12周。选一条工艺路线相对稳定、瓶颈设备明确的产线，比如某电子厂的SMT贴片线。把这条线的设备产能、换型时间、物料齐套规则录入约束网络，让大模型先只做语义约束解析这一件事。验收标准是：计划员手工排产需要2小时的活，系统能在15分钟内给出可执行方案，且冲突提示准确率超过85%。

第三阶段是滚动重排能力上线，6到10周。这时候才接入动态调度层，设定偏差阈值触发重排。阈值怎么定？建议先用历史数据回测，找出重排频率和计划稳定性的平衡点。假设一家汽配企业设了5%的偏差阈值，结果每天触发20次重排，车间根本执行不过来。后来调到12%，配合人工确认机制，反而落地效果更好。

第四阶段是多产线协同，视企业规模3到6个月不等。这时候重点转向跨产线的物料齐套和模具共用冲突消解。

二、资源配置别按IT项目配，要按业务变革配

最常见的坑是把这事交给信息部牵头，计划部只当需求方。正确的配置是：计划部经理挂帅，IT提供数据接口支持，运筹算法工程师至少配1人，大模型应用工程师1人，现场实施顾问1人。预算分配上，数据治理和接口开发通常占总投入的40%以上，算法本身反而不到20%。很多企业预算倒挂，最后卡在数据质量上。

三、三个高频坑，提前避开

第一个坑是语义约束解析过度承诺。大模型不是万能的，遇到工艺文件里“适当延长保温时间”这种模糊表述，强行转成硬约束会出大问题。避坑做法是：模糊规则只做软约束处理，保留人工确认环节，系统给出建议而不是直接锁死。

第二个坑是求解器超时。混合整数规划在约束规模超过一定量级后，求解时间会指数级上升。某机械加工厂曾把3000多个工序约束一次性丢进去，求解器跑了40分钟没出结果。正确做法是分治：先按交期紧急度分层，紧急订单优先求解，普通订单用启发式规则快速给可行解。

第三个坑是计划员抵触。系统给的方案如果和老师傅经验差太多，会被直接弃用。建议试点期保留“系统建议+人工微调”模式，把计划员的调整动作记录下来，反向优化约束权重。等系统建议采纳率稳定在70%以上，再逐步过渡到自动执行。

一、排产AI项目最大的风险不在算法，在数据地基和业务预期

从实践看，AI排产项目失败的原因里，算法选型失误占不到两成，八成以上栽在数据质量和组织预期上。一套典型的AI排产决策系统，前端是大模型做语义解析和交互，中间层负责约束建模，后端求解器完成组合优化，这条链路对输入数据的精度极其敏感。很多企业ERP里的交期字段是日期级，MES报工是分钟级，设备PLC采集是秒级，三路数据不做时间归一化，约束网络就会把同一批物料算成两次消耗。建议在项目启动前先做一次数据可排性审计，重点检查三件事：工艺路线BOM的版本一致性、设备日历与班次模型的覆盖度、历史工单的实际节拍与标准节拍的偏差率。这三项指标如果偏差超过15%，先做数据治理，不要急着上模型。

二、选型时把可解释性和约束可编辑性放在求解速度之前

排产结果直接驱动车间执行，计划员必须能看懂系统为什么这么排。假设一家汽配企业选了纯黑盒的端到端学习方案，系统给出一个换型顺序，计划员问为什么把A模具排在B模具前面，系统答不出来，这个方案在车间就推不动。选型时建议重点考察三点：约束条件是否支持业务人员用自然语言或表格直接增删改，而不是每次改规则都找开发；求解过程是否输出冲突解释，比如“订单X无法满足交期是因为设备Y在时段Z被占用”；大模型解析出的语义约束是否可回溯到原始工艺文档。求解器层面，CPLEX和Gurobi在中小规模约束下的求解质量稳定，COIN-OR分支适合预算敏感且约束规模可控的场景，但无论选哪个，中间表示层的schema设计质量才是决定系统能不能读懂复杂工艺的关键，这一点在选型评估中往往被低估。

三、动态重排的阈值设定要用历史数据回测，不能拍脑袋

动态调度是AI排产区别于传统APS的核心能力，但触发频率失控会直接摧毁车间执行纪律。前文提到某汽配企业设5%偏差阈值导致每天触发20次重排，这个问题的根源是阈值没有和重排代价挂钩。建议的做法是：先用三到六个月的历史工单数据做回测，统计不同偏差阈值下的重排次数、计划变更幅度和实际交付改善量，找到边际收益由正转负的拐点。另一个常被忽略的风险是重排锁定机制缺失。系统触发重排后，已经下发到工位的任务如果被频繁撤回，工人会逐渐不信任系统。建议设置双层阈值：低于A值只做预警不重排，介于A和B之间只重排未锁定工序，超过B值才全量重排，且锁定窗口内的任务不可撤销。

四、组织层面的风险：计划员角色转型比系统上线更难

系统上线后，计划员的工作从手工排产变成审核系统方案和处理异常，这个转型如果没做好，系统会被架空。建议在试点阶段就让计划员参与约束规则的录入和校验，让他们成为系统的训练者而不是被替代者。验收指标里除了排产时间和冲突准确率，还应加入一条：计划员对系统方案的采纳率。如果采纳率低于70%，说明系统输出的方案和业务直觉偏差太大，需要回头检查约束建模是否遗漏了隐性规则，比如某些模具的冷却时间、特定客户的插单优先级、质检抽检对产线节拍的扰动。这些隐性规则往往不在ERP里，只存在于老计划员的经验中，需要通过人机协同的方式逐步沉淀到约束知识库里。

四、排产AI的落地路径：从单点试点到全厂协同

排产AI落地最怕一上来就搞全厂大重构。更现实的做法是先在瓶颈工序或单条产线跑通闭环，让计划员亲眼看到重排速度从小时级压到分钟级，再逐步把约束条件从三五条扩到几十条。某电子厂的做法是先拿SMT贴片线做试点，只接入设备状态和订单交期两类数据，跑顺之后再叠加物料齐套和模具寿命，整个周期控制在三个月以内。这种渐进路径的好处是风险可控，计划员的抵触情绪也会随着实际效果自然消解。