我们厂上过一套APS系统。

项目启动会上，供应商的演示堪称完美：订单输入进去，产线自动排程，设备自动匹配，交期自动优化。大屏上一张甘特图，颜色分明，节拍拉满，换线最少，综合成本最优。

老板看得直点头：“好，这就是我们想要的智能排产。”

结果上线第一天，就翻车了。

销售塞进来一个急单。计划员点了一下“一键动态重排”，系统吐出一份“完美计划”：产能利用率96%，交期一分不差。

计划下到车间，现场炸了锅。

车间主任拎着打印纸冲进办公室：“唐总，系统排的3号机，上周五就因为导轨磨损停机大修了；关键主料仓库里根本没到货；系统指定的操作工今天请假！你让我拿空气交货？”计划越完美，执行越混乱｜APS 智能排产  工业AI落地实战笔记 07

我看着满地鸡毛，不得不承认一个事实：如果你的基础管理是一笔糊涂账，再牛逼的排产算法，也只是在精致地胡闹。

一、为什么智能排产总是“演示好看，落地翻车”？

很多工厂一提到排产AI，第一反应很直接：订单有、工单有、设备有、产能也有，为什么系统排出来的计划就是执行不了？

我讲直接原因：算法把工厂想得太“干净”了。

第一个坑：排产依赖的数据，本身就不准

BOM准确率连90%都不到，工艺员改了图纸没同步；仓库领料记账靠小纸条，动态库存跟掷骰子差不多；设备状态靠人工填报，“待机”可能是真待机，也可能是在等料、等人、等治具。排产系统拿一堆错误数据算最优解，除了“完美掉坑”没第二种可能。

第二个坑：算法只认识“显性约束”，不认识“现场潜规则”

IT工程师脑子里的工厂是干净、线性的。但我们很多生产现场是混沌系统。如果你是汽车整机厂，这句话可以跳过。

换线时间不是固定的——从A产品切到B产品可能只要20分钟，但从C产品切到A产品，因为要洗模，得花120分钟。

设备不是同型号就能互换——3号机做厚板容易卡料，老师傅只用它做薄板；4号机攻坚厚板，但它的模具匹配规则只有老师傅知道。

人员不是谁都能上——特种工艺订单必须匹配3星及以上熟手，但系统里只有“操作工”一个标签。这些经验如果没进数据字典，排产AI就只能瞎排。

第三个坑：算法追求“数学最优”，现场要的是“可执行”

系统排出来的计划，产能利用率拉满，换线次数最少，交期全部达标。但现场一看就知道跑不通。

因为系统不知道：那个工位的老师傅今天请假了；那台设备虽然能跑，但状态不太稳，明天得保养；那批物料系统里显示“已齐套”，实际还在供应商仓库里等着发货。能执行的次优解，永远比执行不了的最优解更有价值。

第四个坑：排产不光是技术问题，还是权力问题

谁有权插单？谁来决策牺牲哪个订单？交期延误了谁负责？这些东西系统是算不出来的。

销售只管接单，计划只管排产，生产只管干活。急单插进来，计划员点一下重排，整个车间节奏被推翻。前一道工序刚装好模具，系统突然通知改做另一批。工人一天啥也没干，光拆模具、找物料了。这种“智能柔性”，本质是用算法的高流转率消耗工人的体力与耐性。

二、一个真实案例：APS算出来的完美计划，扛不住一台设备停机5分钟

我们上APS的时候，选了一条SMT产线做试点。

系统把当天的排产排得非常细：哪台贴片机几点几分跑哪一单，换线什么时候做，下游什么时候接，安排得明明白白。从系统视角看，这是一张非常漂亮的计划表：节拍紧，资源满，几乎没有空挡。

结果上午9点15分，一台贴片机因为吸嘴异常停了5分钟。就这5分钟，后面所有工序、所有节拍都开始往后串。前段一乱，后段就只能等；再加上两张工单本来就压着交期，计划员当场手动救火。

最后调度员花了两个多小时手工改完，看着系统说：“还不如我一开始就用Excel排。”

问题不在APS不会排，而是它排得太完整了。它给了我们一个“理论上效率很高”的计划，但没给我们一个“现场出点小事也不至于全盘崩掉”的计划。APS最危险的，不是排错，而是排得太像对的。

三、破局：智能排产不能一步到位，分三步走

踩了这么多坑，我总结出智能排产真正能落地的路径，不是一上来就追求“全自动最优排产”，而是分三步走。订单、物料、设备、人员死活对不上：别迷信智能排产了，它解决不了你的基础管理糊涂账

第一步：先做可视化排产，别急着“自动排”

很多企业上APS，第一步就想让系统自动算出最优计划，这个顺序是错的，也很难落地下去。

我认为第一步应该是：把订单、设备、人员、物料、交期放在一张可解释的计划表里，让计划员能看见全貌。

我们后来改了系统的用法。不是让系统自动排，而是让系统先把所有订单、设备状态、物料齐套、人员技能、工艺约束展示在一张统一的计划视图里。计划员一眼就能看到：哪个订单缺料、哪台设备超负荷、哪个工位缺人。先让计划员看得清楚，再让系统算得聪明。

第二步：做约束校验，先回答“为什么排不了”

刚开始的时候，我们一上来就追求“怎么排最优”，实际落地却忽略了一个更重要的问题：“这个计划为什么不可执行？”

我们后来改了一套逻辑：系统拿到订单和资源数据后，先不做“最优解”，先做“约束校验”。

• 物料齐套吗？

• 设备可用吗？

• 人员匹配吗？

• 换线时间够吗？

• 交期能达成吗？

所有校验不通过的订单，系统自动标红，并给出原因：“该订单缺料A-1003，预计到货时间7月25日，建议调整排产日期。”我们的做法是先让系统告诉计划员“哪里有问题”，再让计划员决定“怎么解决问题”。

第三步：做智能推荐，让算法给方案，让人做决策

到这一步，系统才开始做真正的“排产优化”。但输出不是“唯一的最优解”，而是三到五个可选方案，每个方案讲清楚代价：排产AI做不好，别怪算法不行

  方案A：交期全部达成，产能利用率97%，但需要安排3天加班，加班成本增加5万。

  方案B：产能利用率92%，无需加班，但有两个订单会延误2天，需要和客户协商。

  方案C：插入急单，原有客户A的订单延误1天，换线成本增加8000元。

计划员根据现场实际情况，选择最合适的方案，而不是让系统替他做决定。这一步的核心，是把排产从“黑盒自动决策”变成“透明辅助决策”。

四、智能排产成不成功，只看四件事

很多人评价排产系统，喜欢看“算法算得快不快”“排程优不优”，但作为车间里真正用系统的人，我只看四件事：

这四件事做到了，排产AI才真正从“会算”变成了“能用”。

最后

先把数据洗干净，把约束理清楚，把现场规则数字化。先做可视化，再做约束校验，最后才做智能推荐。

排产AI真正决定成败的，不是算法有多高级，而是你有没有把工厂真正卡脖子的东西找出来。

最怕的，不是算不出最优解，而是算出来的“最优解”根本下不了车间。系统排得再漂亮，落不到现场就是“纸上排产”。

用一句我对生管反复讲的一句话收尾：智能排产不是不能做，但别一上来就搞“全自动最优排产”，我那个系统是帮你们优化的，不是让你们甩手的。

阅读原文：原文链接