- 引言 -
先说结论：90%的APS项目没落地，不是系统不行，是你的排产逻辑还没讲清楚。
在离散制造工厂，这个场景太常见了：
ERP上了，MES上了，数据大屏也在跑了。但一到排产——还是Excel。
老调度员请假两天，车间就乱：订单撞期、物料没齐、模具冲突、设备临时维修，销售催、班组长催、老板催。
问题不在系统，在于决定明天哪台机先干、哪套模具先上的那套经验，全在排产员脑子里，系统里根本没有。
APS真正难的地方，从来不是算法——是把设备、物料、模具、人员、交期、客户优先级、现场脾气，全部变成约束条件塞进同一个模型。
没做到这一步，再高级的APS也只是在Excel外面套了个壳。
📌
小结：APS落不了地，根因不是算法不够高级，而是排产经验、现场约束和组织规则没有被系统化。
🔻
● ● Excel才是你最好的起点
很多IT团队一上来就想干掉Excel。错了。
Excel里藏着你工厂最真实的排产逻辑。
红色代表欠料，黄色代表等模具，绿色代表已确认。哪台设备加工薄壁件容易抖，哪个班组换线快，哪个客户订单小但投诉麻烦——这些东西很少写在ERP里。
你要做的不是干掉Excel，而是拆解它：
抄作业清单：从Excel提取排产逻辑
- 哪些手工备注最常出现 → 这些是系统缺失的关键数据
- 排产员口头常说的”这个必须先做”、“那个不能拆” →
这是最值钱的隐性规则
💡
关键一步：把排产员脑子里那套”请假就乱”的经验，逐条翻译成约束条件。不要穷举所有规则，先把一个人的逻辑数字化，这就是系统冷启动成本最低的方式。
我见过一家机加工厂，排产表做得很细，设备负荷也算得认真。结果APS试运行就卡住了——系统只考虑了设备能力，没考虑工装夹具。两台加工中心都能做同一类零件，但关键夹具只有一套。系统把两张单排到两台设备同时开工，现场一看就笑了：你让夹具分身吗？
少建一个关键约束，系统就会给你一个看起来很优、现场根本执行不了的计划。
📌
小结：不要急着替代Excel，先把Excel里的颜色、备注、公式和口头规则拆成系统可识别的字段、规则和约束。
🔻
● ● 真实场景的五个死穴
做了这么多项目，离散制造APS踩的坑来来回回就这五个：
死穴1：数据脏，排程就是垃圾进垃圾出
APS不是报表，报表错了第二天改，排程错了车间当天付代价。
抄作业：上线前必须校准的数据清单
⚠️
检验标准：随机抽10个工单，系统里的工艺路线和实际加工步骤能对上几条？对不上8条就别急着上线。
死穴2：约束建不全，计划现场不能执行
设备、模具、夹具、物料、人员、检验资源——每少一个约束，就多一个现场打脸的场景。
抄作业：约束检查清单
死穴3：计划排了没人执行，执行了没有反馈
APS排完，车间到底按没按它执行？工单什么时候开的、什么时候完的、卡在哪道工序——如果这些数据不回流，APS就是拿昨天的假设排明天的计划。
抄作业：闭环三件事
- MES回传实际开完工时间 → APS才知道计划偏差
- 停机/换线/延期原因打标签 → 下次排程自动规避同类问题
- 每天复盘人工调整和系统建议的差异 →
每次修改都是在补约束模型
死穴4：组织权责没理清，系统没有权威
以前排产员靠经验拍板，大家认。系统排出来的，销售不认、车间不认、采购不认——谁对计划负责？
抄作业：上线前必须回答的四个问题
- 系统排的计划，各部门认不认？不认的话例外谁批准？
- 急单插单走什么流程？谁签字？付出什么代价要量化
- 计划冻结期（比如24小时内不能改）算不算数？违反了怎么办？
- 排程结果谁签字发布？出了偏差谁负责？
💡
这不是IT问题，这是生产管理规则的再设计。规则不讲清楚，APS就是摆设。
死穴5：一步到位，全厂铺开
同时搞数据、流程、人员、系统集成，哪个环节没稳住项目就拖住。
抄作业：分三步走
- 第一步：选一条产线试点（别选最简单的，也别选最复杂的。选订单变化明显、约束清楚、现场负责人愿意配合的线）
- 第二步：AI推荐方案 + 人工审核发布。目标：可视化排程
+ 约束冲突提示 + 人工确认下发
- 第三步：人工改动越来越少时逐步放手——先非关键订单，再普通订单，最后处理插单重排
📌
小结：真实场景难用，不是APS不会算，而是数据不准、约束不全、反馈断开、权责不清，再叠加一上来就全厂铺开。
🔻
● ● AI排程到底该怎么做
先说清楚：AI不是来替代排产员的，是帮排产员多长一个脑子。
AI排程的进化不是换个算法，而是三层能力的叠加：
第一层：数据自动汇总
过去排产员从ERP导订单、从仓库问物料、从MES看工单进度、从微信群里确认设备状态——半天时间花在找数据上。
AI排程先做的不是优化，是自动汇总：订单、交期、物料齐套、工艺路线、设备负荷、模具状态、人员班次、在制品位置——自动抓取、自动对齐、异常自动提示。
做到这一步，排产员已经轻松很多。精力从找数据转移到判断和取舍。
第二层：算法辅助搜索
- 规则引擎 +
启发式算法：适合起步阶段，把已知的排产规则写成约束，用启发式方法快速求解
- 遗传算法：把排程方案看成基因组合，不断生成、淘汰、保留好方案。适合设备+模具+工序顺序的组合优化
- 强化学习：适合动态环境，但数据和安全边界要求高，建议局部试点，不要一上来让它指挥全厂
⚠️
不成熟的经验：对多数工厂，先用规则+启发式，再逐步引入遗传算法。强化学习可以研究，但别指望它直接上线。
第三层：多方案对比决策（最关键）
AI不应该只给一个答案。更好的做法是给排产员几个方案：
- 方案B：偏效率——产品族集中生产，部分订单交付余量变小
然后量化代价差异：
方案A比方案B早完工3小时，但换线多2次，综合成本高1700元。这种对比才是AI真正的交付物。
💡
排产会从吵架变成选择。这才是AI排程的价值——把排产员从救火队长变成计划决策者。
📌
小结：AI排程最重要的交付物不是一张神秘甘特图，而是多个可解释方案，以及每个方案背后的交期、换线、库存和成本代价。
🔻
● ● 怎么用好APS——六条实战经验
- 先数字化排产员的Excel逻辑，再谈系统优化。系统先学排产员的经验，不排斥、不替代
- AI排程结果必须可解释。每条排程建议背后要有理由：这台设备排了这批活，是因为物料齐套了、模具空闲、交期最紧。看不懂的计划，上线第一天就会被推翻
- 保留人工接管能力。现场最怕系统不给退路——不能解释、不能修改、不能回退的系统，没人敢真用
- 试点验收看经营指标，不看甘特图漂不漂亮。对比试点前后的准时交付率、在制品金额、换线次数、计划变更次数、人工排产耗时
- 约束模型是活的。每次排产员手动修改系统方案，都在告诉你哪里需要补约束。把”为什么改”记录下来，持续迭代
- 管住插单。无序插单是APS最大的敌人。插单可以，但必须走流程、量化代价、通知上下游。否则排程永远是废纸
📌
小结：用好APS的关键不是“全自动”，而是先推荐、再审核、可解释、可接管、持续用现场反馈补约束。
🔻
● ● 写在最后
回到那张Excel。
它不是落后的象征，是工厂在系统能力不够时，自己长出来的生存工具。做APS，不要嘲笑它，要先尊重它、拆解它、再替代它。
把排产员的经验变成规则，把车间的限制变成约束，把ERP和MES的数据变成可用输入，把各部门的争论变成可量化的方案对比。
做到这一步，AI才有用武之地。
APS排程的最后一公里，不在算法论文里，不在解决方案PPT里。
它在排产员按下确认的那一刻——他要相信这张计划能跑，车间要愿意按它执行，各部门要接受同一套优先级规则。
这才是离散制造数字化最难啃、也最值得啃的骨头。
📌
总结：真正做好APS，不是买一套排程软件，而是把经验变规则、把现场限制变约束、把部门争论变成可量化的方案选择。
延伸阅读：
你们工厂排产最大的痛点是什么？约束建不全、数据不准、还是插单管不住？
关注冰哥聊IT，每周聊制造业AI落地，把复杂问题讲得接地气。
⚡
以上，如果觉得有用，点个赞、在看、转发三连，我们下次聊。
🏭 工厂实战 | 💡 行业观察 | 🏗️ 系统架构
