从「Excel排程 + ERP无限产能」到「有限产能智能排程」—— 四大模块搭建排程闭环，为AI智能排程奠定数据基础
计划员每天面对数十个工单、上百道工序、数十台设备，用Excel手工编排。每次插单/故障/缺料都得重新调整整个排程表，耗时数小时甚至一整天。
排程表更新永远滞后于车间实际变化，计划员80%的时间消耗在"调表"而非"决策"。
ERP的MRP按"产能无限"假设倒推开工日期，不考虑设备已有负荷、换型时间、休息日、设备故障等因素。排出的计划数量经常超过实际产能30%以上。
月底赶工加班成为常态，"月初松、月底疯"的循环月月上演。
部分工位超负荷110%运转，下游工位却因缺料闲置50%。管理层凭经验判断瓶颈，缺乏数据支撑，等发现工单大面积延期时已经错过最佳干预时机。
没有负荷可视化工具，无法回答"哪个工位最忙？还能接新单吗？"
计划部排的计划与车间实际执行是两套数据。排程量vs实际达成量无法自动对比，偏差原因无法追溯（是设备停了？节拍慢了？还是插单挤占了？）。
没有排程质量度量，排程员不知道自己的排程"准不准"，排程质量原地踏步。
| 痛点 | 表面原因 | 根因 |
|---|---|---|
| 排程效率低 | Excel操作繁琐 | 缺乏排程引擎——手工编排无法处理多约束优化 |
| 计划不可执行 | 不考虑产能 | 没有有限产能计算——ERP只有MRP没有排程 |
| 瓶颈不可见 | 缺乏分析工具 | 没有产能负荷可视化——数据在纸上/Excel里 |
| 排程与执行脱节 | 数据不互通 | 计划系统与执行系统分离——没有数据闭环 |
本方案构建以APS排程引擎为核心、以MES/APS/EAP三服务协同为架构、以AI智能排程为远期愿景的完整计划排程数字化体系。方案覆盖从日历管理、自动排程、产能分析到达成率闭环的全链路。
基于真实工位产能约束，输出可执行的精确排程
排程→执行→反馈全链路打通，为AI积累训练数据
APS/MES/设备系统各司其职，数据源统一
V1即埋点，调整原因/实际节拍/偏差分类为AI预留
| 原则 | 说明 | 权衡 |
|---|---|---|
| 数据完整性 > 功能丰富度 | 宁可功能精简，也要确保每条排程、每次报工、每台设备数据完整可追溯 | 砍掉What-If/瓶颈分析等高级功能，V1.5再补 |
| 闭环优先 | 排程生成 → MES执行 → EAP采集 → 偏差分析 必须打通 | EAP集成从"可选"提升为"必做" |
| 执行层不重复 | 所有执行数据从MES系统获取，APS不存副本 | 避免计划系统和执行系统数据不一致 |
| 字段为AI预留 | 调整原因/偏差分类/实际节拍在V1即埋点 | 增加"调整原因"必填，宁可增加操作成本 |
| AI降级机制 | V2 AI不可用时自动降级到V1规则排程 | 确保排程功能永远可用 |
日历管理是APS的数据基础层，定义排程计算的"可用时间坐标系"。分为两级：
| 级别 | 模块 | 管理内容 | 关键字段 |
|---|---|---|---|
| 工厂级 | — | 全厂统一工作日/休息日/加班日/节假日 | Date、DayType（工作/休息/加班）、AvailableHours |
| 工位级 | — | 每个工位的可用工时(LoadTime)、已排工时(ScheduledTime)、剩余工时(RemainTime) | StationId、LoadTime、ScheduledTime、RemainTime |
排程引擎是本方案最核心的模块，将工单需求转化为可执行的、分钟-小时-日级别的精确排程计划。
定义排程规则参数：方向（前推/后推）、产能模式（有限/无限）、粒度（日/班次/小时）、优先级规则（JSON多级排序）、最小批次、取整模式。
支持多策略模板切换，策略可作为模板另存和复制。
核心算法：获取工单与工艺路线→按策略优先级排序→逐工序逐日分配产能→计算工时（数量×节拍+换型时间）→从工位日历剩余产能中扣除→生成排程记录。
支持全量重排和增量排程两种模式。排程前可预览，确认后保存。
工位维度/订单维度双视图，支持日/周/月三级缩放。颜色编码区分排程状态，产能负荷背景叠加（红=超负荷/黄=接近满/绿=正常）。
点击排程条查看详情（工单号/产品/工序/数量/工时/状态）。
顺延/提前/拆分/换工位/锁定/解锁/插单7种调整方式。所有调整记录在案，调整原因强制必填。
插单自动评估对全部在排工单的交期影响。
| 子模块 | 核心功能 | 输出 |
|---|---|---|
| 产能负荷 | 按工位/工段维度计算产能利用率（排程工时÷可用工时×100%） | 负荷柱状图/热力图，日历视图叠加负荷色块 |
| 瓶颈识别 | 自动标记利用率≥80%的工位为瓶颈，分析影响链（上游堆积/下游等待） | 瓶颈清单（按影响程度排序），约束传递链图 |
| What-If | 创建虚拟情景（新增工位/调整节拍/增加订单），独立模拟排程，对比基准方案 | 对比报告（交期达成率/瓶颈/总周期/产能利用率差异） |
达成分析是排程-实绩闭环的核心模块，数据来自MES生产管理系统（报工/完工）+ 设备采集系统（OEE/设备状态）。核心产出：
| 分析维度 | 数据来源 | 关键指标 |
|---|---|---|
| 排程达成率 | 排程计划量 vs 实际报工量 | 达成率%、偏差数量、偏差工时 |
| 延期预警 | 预计完工日 vs 客户交期(DueDate) | 延期天数（黄≤3天/橙3-7天/红>7天） |
| 实际节拍 | 实际工时÷实际数量，按工位×产品×工序统计 | 标准节拍 vs 实际节拍偏差 |
| 归因分析 | 调整原因记录 + 设备停机数据 + 报工异常数据 | 设备原因%/节拍原因%/插单原因%/其他% |
APS并不是一个孤立的系统，它需要与企业已有的生产管理（MES）、设备管理（EAP）系统协同工作。三者在数据层面各司其职，"计划-执行-设备"三层打通，形成完整的排程到执行的闭环。
| 层级 | 负责系统 | 回答的核心问题 | 提供的数据 |
|---|---|---|---|
| 计划层 | APS | 何时在哪个工位做多少？ | 排程计划、产能分配、交期预测 |
| 执行层 | MES/生产管理 | 实际做了多少？谁做的？ | 工单信息、工艺路线、报工实绩、完工数据 |
| 设备层 | EAP/设备采集 | 设备运行状态如何？ | 设备状态、OEE效率、停机记录 |
APS的核心价值不仅在于"排出计划"，更在于建立从计划到执行再到反馈的完整闭环，这是持续优化排程质量的基础，也是AI升级的数据来源。
APS系统设计时就充分考虑了与企业现有信息化系统的兼容性：
| 对接场景 | 数据内容 | 客户价值 |
|---|---|---|
| 对接ERP系统 | 销售订单、物料清单、客户交期 | 直接获取排程需求源头，避免人工录入订单 |
| 对接MES系统 | 工单状态、工艺路线、报工实绩 | 排程基于真实产能和实时进度，而非过时数据 |
| 对接设备采集系统 | 设备运行状态、OEE、故障信息 | 排程自动避开故障设备，产能参数自动校准 |
| 对接现有Excel | 工艺节拍、产能参数初始导入 | 利用已有数据快速上线，降低实施门槛 |
核心：让排程先跑起来
核心：AI辅助人做决策
核心：AI自主排程
V2 AI辅助排程采用独立的AI推理服务与排程主服务协同工作的架构，确保AI能力和排程核心功能各自独立、互不影响。
| 设计要点 | 方案 | 客户价值 |
|---|---|---|
| AI与排程分离 | AI推理服务独立部署，不嵌入排程主服务 | AI升级不影响排程稳定性，排程功能永远可用 |
| 模型离线训练 | 定时从排程数据库中抽取历史数据训练模型 | 不消耗排程运行时的计算资源，不影响排程速度 |
| 智能降级 | AI不可用时自动切换回规则排程 | AI是"加分项"而非"依赖项"，排程核心功能不受影响 |
| 模型隔离 | 每家企业独立训练专属模型 | 数据安全隔离，模型适配各自工厂特性而非通用方案 |
| 热加载更新 | AI模型文件更新不需重启系统 | AI能力持续升级，生产系统零停机 |
| AI能力 | 传统APS | 本系统AI排程 | 客户价值 |
|---|---|---|---|
| 节拍精度 | 静态标准值，越排越偏 | 自学习动态节拍，越用越准 | 排程可执行性持续提升 |
| 插单响应 | 人工评估，耗时数小时 | AI秒级给出Top3方案+影响矩阵 | 急单响应速度质的飞跃 |
| 瓶颈识别 | 事后分析 | 事前预测+预警 | 减少产能损失 |
| 异常处理 | 人工判断+手动重排 | AI自动生成重排方案 | 减少停工等待 |
| 达成分析 | 只看数字 | AI归因分解+改进建议 | 持续改进有据可依 |
| 系统进化 | 固定规则不变 | 随数据积累持续优化 | ROI递增 |
| 组件 | 部署说明 | 资源要求 |
|---|---|---|
| APS排程服务 | 作为独立服务部署，注册到企业微服务注册中心统一管理 | 基础配置即可，根据排程规模弹性扩展 |
| 数据库 | 排程核心数据（排程记录、达成率）使用独立存储，建议SSD提升读写性能 | 根据工单量和排程频率确定 |
| 缓存服务 | 甘特图数据缓存，减少数据库查询压力，加速前端响应 | 共享企业现有缓存集群即可 |
| AI推理引擎（V2） | 独立部署，与排程服务解耦；推荐配置GPU加速推理 | AI服务独立扩缩容，不影响排程主服务 |
| 前端界面 | Web单页应用，浏览器直接访问，无需安装客户端 | 支持PC/平板，推荐Chrome/Edge浏览器 |
| 阶段 | 周次 | 任务 | 交付物 | 人天 |
|---|---|---|---|---|
| P0 数据准备 | 第1周 | 梳理基础数据，确认各部门数据来源与对接方案 | 数据源统一，为排程提供准确输入 | 3 |
| P1 日历产能 | 第2周 | 工厂/工位日历，排程策略配置 | 排程的产能基线就绪 | 5 |
| P2 排程引擎 | 第3-4周 | 自动排程算法、甘特图、调整机制 | 一键自动排程可运行 | 8 |
| P3 分析闭环 | 第5-6周 | 负荷/瓶颈/达成率/实绩对照 | 排程-实绩闭环打通 | 5 |
| P4 设备集成 | 第6周 | 对接设备数据采集系统，接入OEE与设备状态 | 设备数据纳入闭环 | 3 |
| P5 前端 | 第5-7周 | 甘特图组件+其他前端页面 | 前端可交互 | 10 |
| P6 测试上线 | 第7-8周 | 集成测试+性能优化+UAT | V1系统正式上线 | 7 |
| 指标 | 定义 | 目标值 |
|---|---|---|
| 排程覆盖率 | 已排程工单数 / 总工单数 | ≥ 95% |
| 报工关联率 | 有对应排程的报工记录 / 总报工记录 | ≥ 90% |
| 闭环率 | 有达成记录的排程 / 总排程 | ≥ 85% |
| EAP覆盖率 | 有OEE数据的工位数 / 总工位数 | ≥ 80% |
| 调整原因填写率 | 有调整原因记录的调整 / 总调整 | = 100%（强制） |
| 训练数据可导出 | 能导出结构化数据，字段完整 | 数据科学团队验收通过 |
| 维度 | 改善效果 |
|---|---|
| 决策质量 | 从"凭经验拍脑袋"到"数据驱动的决策"，产能瓶颈可视化→投资决策有据可依 |
| 客户满意度 | 交期承诺更准确（CTP可承诺交期），插单响应速度质的提升 |
| 员工满意度 | 计划员从繁琐的Excel操作中解放，聚焦异常处理和策略优化 |
| 持续改进 | 排程-实绩闭环数据驱动持续优化，排程越用越准 |
| AI就绪 | V1即为V2 AI积累训练数据，系统价值随时间递增 |
以中型机械加工企业（50工位，月均200工单，年产值5000万）为例：
| 收益项 | 年化估算 | 计算逻辑 |
|---|---|---|
| 交期达成率提升减少的违约金/客诉 | 15-30万 | 达成率从70%→90%，按年产值0.3-0.6% |
| 加班工时减少 | 8-15万 | 月均加班费减少20-35% |
| 产能利用率提升（等效产能增加） | 20-50万 | OEE提升10-20pp，等效产能增加10-20% |
| 在制品库存降低 | 10-20万 | 库存资金占用减少15-30% |
| 计划员效率提升 | 5-8万 | 排程时间减少80%+，可承担更多管理职责 |
| 合计年化收益 | 58-123万 | — |