AI排产落地指南：核心不是算法，而是约束、数据与流程

你只要在制造型企业的会议室里聊到生产协同，“AI排产”现在绝对是个高频词。做数字化转型的想引入，车间计划员则半信半疑：“电脑排出来的单，我真能照着干吗？”我过去几年参与过的排产类项目，几乎都在这两种视角之间来回拉锯。最后反复验证出来的结论其实很朴素：AI排产，核心是排产，不是AI。

这句话不是说AI没用，而是说如果企业没把排产问题本身理清楚，上再多的模型、算法、算力，结果依然是一堆“看起来很智能、实际没法用”的演示。反过来，当约束、目标、数据和人的操作边界都清晰了，哪怕只用启发式规则加一点点寻优，也能明显改善交付水平和现场节奏。这篇文章想把这里面的经验拆开，聊聊什么才是排产项目的真正难点，以及AI到底能在哪个环节帮上忙。

1. 先别急着上AI，先搞清楚排产在解决什么问题

1.1 排产不是“排个顺序”这么简单

很多人一提排产，下意识觉得就是“把订单按交期排个先后顺序”。真正的车间排产远不止这个。它要做的是把客户订单、物料齐套情况、设备产能、模具工装、人员技能、切换时间、在制品库存这些变量放在一起，回答一个非常现实的问题：在未来几天或几周里，每个工作中心在哪个时间段加工哪个订单的哪道工序，才能既满足交付，又不让现场出现窝工等料。

我在项目里习惯把计划体系分成四层看：经营计划关注的是公司层面的资源投入；主生产计划解决的是“卖什么、造什么、造多少”；物料需求计划解决的是“什么时候采购、什么时候投产”；到了车间排产这个层面，才真正落到“哪台机器、哪个人、什么时候、干什么活”。前几层如果没理清楚，排产怎么排都是空中楼阁。很多AI排产项目失败，不是算法不先进，而是数据和业务规则根本支撑不到最底层。

还有一层常见误解来自边界不清。计划员嘴上说“排产乱”，实际乱的可能是销售承诺太随意、物料齐套率太低、现场频繁插单，这些都不是一个排产工具能单独解决的。所以做项目时我一般会先让客户回答一个问题：你的排产范围是单车间、多车间，还是供应链级的协同？范围定不下来，后面做模型一定会反复返工。

1.2 这三种需求我见得最多，基本都是“伪需求”

第一种叫“智能经验替代”。老板听说老师傅能排好，想用AI把这套经验学下来。但老师傅脑子里的经验通常不是一套全球最优策略，而是一堆针对特定异常情况的局部处理手法，比如“这台机器做这种料容易粘模，放到夜班开”“这种客户插单必须优先照顾”。你把这些变成规则可以，指望AI自己学出来，没有结构化的历史数据基本不可能。

第二种叫“一键排产幻觉”。领导希望系统点一下按钮，所有工序像变魔术一样自动排好。可现场每天都有来料延误、设备报警、人员请假，真正的可用排产方案必须支持人工调整和快速重排。系统如果只能给“一次性结果”，上线一周就会被弃用。

第三种是“报表式排产”。有些项目做完了只是把Excel排程变成可视化甘特图，根本没有形成闭环——排好的计划没反馈到执行端，实际开工时间、完工数量没人维护。结果系统看的是理想状态，车间干的是现实状态，两张皮越走越远。AI再强也补不上这种反馈断点。

我遇到这类需求时，通常会先泼冷水：先确认基础数据、流程边界、异常处理方式有没有准备好；如果没准备好，补上一个APS模块比砸钱上AI更实际。因为排产系统真正要活下来，靠的是计划体系、规则、数据和操作习惯，AI只是最后那层优化器。

2. 核心是排产：把老师傅的经验变成计算机能理解的规则

2.1 所有约束要先变成可检查的规则

“AI排产”里面，最容易出彩也最容易翻车的就是约束建模。常见约束可以分成几类：设备约束，某一台机器或生产线在同一时刻只能加工一个任务，但不同类型订单在不同机器上的加工速度，可能差出两倍以上；物料约束，有些工序开工时必须齐套，有些可以分批流转；人员约束，操作工有技能矩阵，夜班人数往往比白班少；工艺约束，部分工序之间有严格先后顺序，比如热处理之后必须冷却多少小时才能进行机加工；切换约束，模具颜色、规格切换会产生时间和材料损耗。

我常用的方法是组织一次“约束访谈”，请计划员、班组长、工艺工程师一起坐下来，把平时处理异常的规则一条条列出来。这时候会有一个很普遍的现象：同一个规则，计划员说应该这样，班组长说应该那样。落到系统里到底听谁的？必须放到项目例会上吵清楚，否则排出来的计划，大概率一半人满意一半人抵触。

把约束写成代码逻辑之前，建议先做一份约束清单表格，明确每条约束属于硬约束还是软约束。硬约束是不满足就不能执行，比如设备能力、安全要求；软约束是希望尽量满足，比如同系列订单尽量连在一起减少切换，但万一冲突，可以牺牲一些以保交期。硬约束与软约束分不清楚，是排产模型后续调整困难的主要来源。我见过不止一个项目，一开始把“减少切换”设成硬约束，结果系统为了少切换，把某个紧急订单排到两周后，销售那边直接炸锅。

2.2 数据质量比算法选择重要得多

做排产项目，有一句话我会反复讲：数据质量决定项目生死。AI算法、优化算法能处理复杂的计算关系，但没有干净、完整、及时的数据支撑，模型再漂亮也落不了地。这里的核心数据至少包括四部分：订单数据（包括交期、优先级、数量），工艺路线数据（每道工序在哪些设备上能做、标准工时、准备时间），资源数据（设备日历、班次、停机维护计划、额定产能），库存与物料状态（在库、在途、齐套情况）。

先别追求把所有指标一步到位。我一般建议数据准备分成三步走：第一步，把静态基础数据清洗干净——工艺路线必须和实际生产一致，工时不能只看标准值，最好结合历史实际工时修正；第二步，把动态订单和库存数据接通，最好用ERP和MES做接口，尽量减少人工导表；第三步，建立每日反馈机制，让完工数量、不良品数量、设备状态这些数据能自动回传，这样系统才能第二天正常滚排。

有一次做离散机加项目，现场ERP里的工艺路线，居然有40%的物料号没有完整工序。计划员平时是自己拿Excel补的。这种状态直接上AI等于让模型在残缺地图上找路。后来团队花了三周补齐工艺路线，没换任何算法，只靠基于交期优先的规则排产，交付准时率便提升了十多个百分点。这件事给我的触动很大，所谓AI赋能，前提是先把数据土壤养好。

2.3 目标函数不是“越复杂越好”

排产目标天然互相冲突。计划员想要按时交付，销售想要最短交期，车间想要尽量少切换、提高产出效率，财务想要降低库存。做模型时如果不把这些目标拆成优先级，直接搞一个大加权求和，最后往往得到一个人人都能用、但又人人都不满意的结果。

实践中应用比较顺的是“分层目标”设计。第一层硬约束：所有排产结果必须满足设备日历、工艺顺序，不安排超产能任务。第二层主要目标：交付准时率最高，或者延迟最小。第三层次要目标：切换次数少、库存占用低、产能负荷均衡。这三个层次有优先级：先满足第二层，再在第二层结果差不多的情况下优化第三层。算法做出来的不是数学上的绝对最优，而是在重要指标上达到可接受的次优解。

在评价指标上，我比较喜欢看三个核心指标：计划达成率（实际完成数量与计划数量之比）、按时交付率、总切换时长。这三个指标能直观暴露排产做得好不好。系统上线前，需要先用历史一个月的真实工单回测，把排产结果和人工实际执行结果对比。如果连历史数据都跑不过老师傅，就不要急着上线，一定是约束或目标设得不对，而不是算法不够强。

3. AI在排产里的真实角色与边界

3.1 当前真正在用的四类技术路线

大家都说AI排产，但实际上生产现场真正跑得好的是四种路线混用。第一种是启发式规则，比如按交期最早先排（EDD）、按加工时间最短先排（SPT）、按关键比排序，这些规则简单、计算快、可解释性强，常被用做初始方案生成，也是老师傅最能理解的一种。第二种是运筹优化，包括混合整数规划、约束规划，也就是用OR-Tools、CPLEX这类求解器建数学模型求最优解，适合规模相对不那么大、约束特别清晰的场景。第三种是元启发式算法，比如遗传算法、模拟退火、禁忌搜索，不追求理论最优，而是在有限时间内找到“足够好”的解，适合排产规模大、约束复杂的情况。第四种是仿真方法，把排产结果放到离散事件仿真环境里跑一遍，看看瓶颈和波动在哪里。

这四类路线可以这样理解：启发式规则是排产的地基，运筹优化像精密测量，元启发式像熟练工匠的多次试错，仿真就是试验场。深度学习、强化学习倒不是不能用，但目前在量产排产里更多止步于试点，核心问题有两个：一是难以处理大量硬约束，二是结果解释性差，计划员不敢用。真正在车间创造价值的AI排产，通常是用规则引擎保障可行性，再用优化算法提升质量，最后通过仿真做验证。

如果用表格来对比，大致是这样：

3.2 为什么黑盒式AI在排产里容易翻车

排产项目跟人脸识别、文本生成这类AI应用有一个本质差别：生产排产的错误是有实物代价的。一个方案排错了，物料上线了、模具换好了，却不适合当前紧急需求，损失的不仅是时间，还可能是整条产线的信任。很多计划员面对AI生成的黑盒方案，第一个问题是：“你凭什么这么排？如果我把设备换成B线，为什么还会拖期？”

如果AI模型不能解释清楚每条建议背后的约束与优先级，计划员只能被迫全盘接受或全盘推翻。这样系统使用率一定很低。另一个更隐蔽的问题是泛化性。历史数据里没有出现过的产品结构、没有出现过的瓶颈局面，深度学习模型往往表现得很差。今天设备故障、明天订单合并、后天工艺变更，现实世界变化太多，训练数据根本覆盖不了。

所以，我在项目里始终坚持一个原则：AI算法负责做优化搜索，但约束逻辑和目标优先级必须通过规则引擎显式呈现。换句话说，AI的输入输出要被约束检查层包裹住。AI给出的解，如果违反硬约束，直接禁止；如果某项指标异常，要给计划员明确的提示，指出是哪一项软约束让了出来。系统不是在“替人决定”，而是在“帮人判断”。

3.3 工具选型：不要上来就自研算法

一听到“AI排产”，不少团队第一反应是要招几个算法工程师，从零写一个调度引擎。我不能说完全不能做，但纯自研的风险确实很高——排产项目里算法代码往往只占20%到30%，剩下全是数据接口、约束配置、可视化、权限、异常处理这类工业软件该干的活。这些活看起来不起眼，却决定了系统能不能在生产环境里长期存活。

大多数情况我会建议先看商业APS。现在成熟的APS系统大多内置了有限产能排产、甘特图交互、规则配置等功能，有些还提供优化器接口。选APS时重点不只在它的算法有多强，更在于它的数据模型能不能快速适配你的工艺路线，以及计划员在界面上好不好操作。某些大型ERP厂商也带排产模块，但往往颗粒度太粗，适合做产供销平衡，不宜做车间约束排产。

如果预算有限，也可以走“轻量自研”路线：使用开源运筹优化工具作为核心计算引擎，前端自己花时间做交互，逐步接入ERP或MES数据。这样开发的周期通常不短，而且需要团队具备业务梳理能力。做这个选择前要想清楚：公司内部有没有一个既懂算法又愿意长期蹲车间的人。如果没有，不要盲目上自研，否则最后大概率会做成研究项目而不是生产系统。

4. 一套可复制的落地实操方法

4.1 阶段一：先圈定范围，把产能口径统一

第一步不是选择算法，也不是训练模型，而是先界定上线范围。我会建议从“一条瓶颈最明显的产线”或“问题最突出的车间”切入，而不是一上来就排全厂几百台设备。范围小，反馈快，也容易拿到准确数据。把瓶颈工段搞定后，其他工段通过上下游接口联动，再逐步扩大边界。

范围确定后，要解决一个极其关键的产能口径问题。产能不能直接用设备理论速度乘以工作时间，必须考虑七大损失：计划停机、换模换线、设备故障、待料、人员缺勤、质量返工、速度损失。我的做法是让车间按设备记录停线原因一个月，然后算出每台设备的实际综合利用率，再用这个数去修正系统里的产能日历。别舍不得这一个月，没有真实产能数据，排产系统会把很多任务排到事实上做不完的时间段里，计划员很快就会发现系统不可信。

规则梳理与数据清洗也在这一阶段同步进行。数据清洗可以先做字段完整性分析，把缺工艺路线、缺工时、缺交期的数据筛出来。规则梳理则要做成决策矩阵：什么条件下订单可以拆批？什么级别的人员有权限插单？相邻工序间有没有强制冷却或等待时间？这些决策不写清楚，后台上线时一定会“打架”。

4.2 阶段二：先用可解释规则建立基线

先进系统之前，强烈建议先用一套最简单的规则把结果跑出来，作为基线。所谓基线，就是“不管用不用AI，我们当前能稳定做到的最好排产结果是什么”。这样可以给团队形成共识：AI优化后应该比这个基线更好，而不是凭空造一套方案。

具体做法是：按瓶颈资源优先排，先识别整个车间负荷最高、交期压力最大的设备或工段；其他设备围绕瓶颈工段的需求时间配套排产。订单优先级我建议先按“交期最早、齐套优先、老客户优先”三层顺序排。先用这套简单规则，把一周的生产计划生成甘特图，拉上计划员和班组长开评审会，把明显冲突的地方标识出来，例如设备过载、同一订单拆得太散、前后工序时间不匹配。

很多团队会发现自己不需要一开始就上高级算法，只要把原来靠Excel人工倒排的模式改成用系统自动推演，再让计划员微调，效率已经提升了一大截。这个阶段的主要目标是让数据跑通、页面好用、口径一致。如果基线阶段都推不下去，后面加任何AI都是雪上加霜。

4.3 阶段三：把“AI优化”放到正确的位置上

一旦规则引擎和基线数据稳定了，就可以开始加入优化层。推荐的做法是，约束和规则层负责生成一批可行解，算法层在这些可行解中进行搜索和比较。比如订单在瓶颈设备上的先后顺序，就可以作为编码对象，用遗传算法做进化；每一代生成的顺序都要回到排产引擎里检查是不是满足硬约束，再计算目标值。

算法参数不必一开始就很激进。遗传算法的种群大小、迭代次数要参考排产规模设定。规模小的时候，比如几十个订单，直接做枚举或约束规划即可，几秒钟就能找到满意解；规模大，比如几百个订单、几十台设备，可以把搜索时间控制在5到10分钟内，再允许计划员基于结果做局部手工拖拽。把优化目标也做成可配置的界面，不要写死在代码里——因为不同阶段的业务策略不一样，月初大家更关注准时交期，月底往往更关注均衡产出。这些调整让计划员自己完成，他们才会觉得这个系统是“自己的工具”而不是“IT的试验品”。

对优化结果做评估时，建议同时输出三份材料：优化后的甘特图、与基线方案的指标对比、AI调整了哪些关键排程位置及原因说明。这三份材料能显著降低计划员的心理抵触，也方便领导判断算法究竟优化了什么。

4.4 阶段四：把人工微调和异常重排做成核心能力

排产系统最难的不是初始排产，而是边干边改。车间每天都可能发生这样的场景：某台机器突然停机了，某批关键物料晚到两小时，客户临时加急一个订单，某个正在加工的批次出现不良需要返工。这套系统必须支持“扰动后快速重排”。

我的经验是，人工微调要尽量做到“拖得动、锁得住、看得见”。计划员可以手工拖动某个任务到另一时段或另一设备，系统能够立刻提示是否产生冲突；对已经锁定不能动的任务，比如已经投产、物料已经在现场的任务，要设置锁定状态，避免算法重排时把它们移来移去；每次调整后，系统都要重新计算交期影响并高亮显示延迟风险。这样计划员是在和系统协作，而不是被系统牵着走。

异常插单要支持“仿真式插入”：计划员先模拟插入一个新订单，系统计算出会挤掉哪些任务、对交期影响多大，让计划员判断值不值得破例。这种功能多花一点开发时间都值得，因为大部分车间对插单的抱怨，根本原因是不知道插单后到底牺牲了什么。

5. 常见问题与排查技巧实录

5.1 为什么求解慢、无解，或者排出来的方案现场根本做不了

很多算法刚上线时会遇到三座大山。第一座是计算时间太长。几十个订单规模还好，几百个订单加上复杂工艺路线，如果还跑精确求解，运算几小时都得不到结果很正常。我一般先砍搜索空间：瓶颈设备集中排，非瓶颈设备用较粗的时间颗粒度；把订单分批按优先级权重处理，对低优先级订单不做全局精细搜索，只做插空安排。

第二座是无解，也就是约束设得过死。最常见的是把产能日历设成理论产能，结果订单一多，系统根本找不到满足所有交期的方案。处理方法是区分“硬性冲突”和“软性冲突”：交期确实做不到的计划，系统应该直说做不到，而不是无限压榨产能。当出现无解时，建议查看约束松绑顺序，比如先放宽交期、再放宽切换优化目标，逐级释放压力，让计划员能看到是哪个约束卡住了全局。

第三座是不符合现场“手感”。排产结果虽然逻辑没毛病，但各工序间隔太紧，没有给物流搬运留缓冲；或者把同一订单拆得太零碎，生产准备成本反而上升。这种问题通常是因为目标函数里缺少缓冲和整批约束。我会在规则里加一个“最小连续加工批次数”的参数，比如某道工序一次最少连续排多少件，才允许拆批，这样结果就接近车间操作习惯。

以下是根据我项目里常见问题整理的速查表：

5.2 计划员和老师傅不信任AI方案怎么办

技术问题往往好解决，人的信任问题才是最花精力的。老师傅在车间排了十几年，本来就有一套自己的“下意识算法”，系统突然跑出一个跟他习惯完全不同的方案，他第一反应必然是排斥。我会尽量减少“AI赢过人”这种对抗式宣传，而是把它变成“老师傅+系统”对“老师傅”的比较。

具体做法是，让老师傅先在系统里手工排一份方案，保存为“人工方案”，然后让优化算法在相同输入条件下生成“优化方案”，实际运行时两个方案并行照着执行一段时间。用数据说话，哪边的准时交付率更高、调整次数更少。这种对比一旦跑出来，往往最顽固的老师傅也会改变态度，因为数据不只是证明算法厉害，还在帮他把隐性经验结构化。

有一点一定要理解：计划员真正担心的是系统替代他，而不是系统不够聪明。所以要让计划员掌握算法参数和约束配置的权限，让他们决定什么时候跑优化、优化时停用哪些约束、是否锁定某些工单。系统越像计划员手里的一件更好用的工具，推广阻力就越小。

5.3 紧急插单、物料不齐、设备故障这类异常怎么应对

我先说一句会被很多人反对但确实有效的话：好的排产不是预先把所有异常都消灭，而是在异常发生时，能最快地评估影响并给出应对选项。紧急订单在系统里如何干预，不是靠计划员凭经验随意插入，而是通过“插入模拟”功能，让系统计算插单后哪些在制订单会延迟，延迟多少，整个产线负荷率会如何变化。

物料不齐导致的“假排产”也很常见。最好的方法是把齐套检查前置，发布生产计划前，系统要能按BOM展开检查物料可用量；不齐套订单只能处于冻结状态，不能参与排产。这样系统不会给物料缺失的订单预留设备能力，也避免了因临场等料造成的频繁重排。

设备故障时可操作的方式更直接。在一个多工序案例里，我们把每道工序提前记录了可替代设备列表，一旦设备报警停线，系统会迅速排查受影响订单，并给出两种选择：把订单移到替代设备，还是推后并在后续时段加班补产。每种选择的交期影响一目了然，班组长拿到选项后马上判断，处理异常的速度就能明显加快。

5.4 上线初期最容易忽略的几个系统性风险

排产项目上线后，往往会遇到一些被低估的系统性风险。第一是计划与执行断层，系统的生产计划做得很好，但车间没有按系统指令执行，完工数量又不报，系统只能越排越偏。第二是考核指标不配套，执行层考核的是“设备不能停”，计划层考核的是“订单必须准时”，这时车间自然倾向把所有设备开满，不断产不换线，结果就是在制品堆成山、急单插不进去。第三是上下游计划没有联动，装配车间排好了，机加工车间却不按装配的需用时间组织生产，又形成新的等待。

应对这些风险，靠的就不是算法工程师了，而是一个由生产、计划、IT共同组成的执行推进小组。排产项目要真正见效，通常是运行三个月后才显现：第一个月是数据磨合，第二个月是规则活化和人员习惯培养，第三个月才开始在交付指标上看到稳定改善。项目上线只是开始，后续持续迭代才是常态。

6. 一点真实经验总结

6.1 排产首先是流程工程，其次才是算法工程

回头看这些年的项目，最深的体会是：一个成功的排产系统，70%的功夫在数据梳理、流程再造、规则共识这些“不性感”的事情上，20%在系统集成与界面设计，真正花在算法上的时间连10%都不到。很多人觉得AI重要，是因为大家关注的是信息差带来的新鲜感，但落地时要解决的是一个又一个的流程断点。如果你正在负责类似的排产项目，我的建议是，先把目标定小一点、范围收窄一点，不要追求一步到位的全智能。

6.2 把AI当搜索器，把排产当主引擎

给AI一个合适的角色，它确实能发挥价值。我喜欢用一个比喻：排产模型是一辆车的底盘和悬挂，AI是那个优秀的领航员。底盘不行，换再好的领航员也白搭；底盘调校好了，领航员才能带你在复杂路况里持续找到更优路径。在排产这个领域，永远不要指望AI能凌驾于业务规则之上，能兜住复杂约束的排产引擎，才是那辆靠谱的车。

从实操角度说，如果你现在面临要不要上AI排产的决策，我会建议你从今天开始做三件事：把本月所有订单按瓶颈工序排一次，看看有多少单其实根本排不进去；拉上计划员把现场约束逐条清单化；再找一个真实的数据集，用简单启发式规则做一次模拟。这三件事做完，你可能不再纠结“AI强不强”，而是会很清楚地看到，排产问题的核心从来都在车间现场里，不在算力上。