在制造業(yè)智能化浪潮中，AI應(yīng)用在制造企業(yè)中引發(fā)廣泛關(guān)注，大家不約而同的尋求生產(chǎn)計劃AI求解的解決方案。本文基于一個真實的AI應(yīng)用的案例，與大家分享一下利用AI求解器實現(xiàn)生產(chǎn)計劃全自動排產(chǎn)實際遇到的困難和思考。
本次項目的背景是客戶12年前已經(jīng)導(dǎo)入了Asprova APS，一直以來用戶利用Asprova APS的啟發(fā)式規(guī)則進行計劃排產(chǎn)，平穩(wěn)運行了12年。在AI浪潮下，用戶希望借助AI進一步提升計劃效率和優(yōu)化生產(chǎn)計劃，所以引入Asprova APS最新的AI算法引擎-Solver。
技術(shù)實施：從問題定義到模型落地的五步法
我們要用AI優(yōu)化求解器解決實生產(chǎn)計劃排產(chǎn)的問題，首先需要將業(yè)務(wù)邏輯轉(zhuǎn)化為數(shù)學(xué)模型，再通過求解器找到最優(yōu)解。從問題定義開始，到模型落地，我們需要經(jīng)過以下的幾個步驟:
一、問題定義與目標設(shè)定
1.明確排產(chǎn)范圍
本次我們的排產(chǎn)范圍非常清晰，就是在考慮人、機、料、法、環(huán)所有約束的情況下，通過AI求解器自動輸出一份到產(chǎn)線、到班次的生產(chǎn)計劃、并且輸出明確的生產(chǎn)順序。
2.設(shè)定優(yōu)化目標
二、數(shù)據(jù)采集與預(yù)處理
1.基礎(chǔ)數(shù)據(jù)準備
2.數(shù)據(jù)標準化與結(jié)構(gòu)化
本次我們所需要的各種數(shù)據(jù)基本都是現(xiàn)成，數(shù)據(jù)已經(jīng)標準化和結(jié)構(gòu)化，但是對于一些需求訂單的交期存在很多不確定性，并沒有很好的把這個需求日期完全重置，對AI求解實際上會造成較大的影響。
三、模型構(gòu)建：數(shù)學(xué)建模與邏輯設(shè)計
1. 定義決策變量
2. 構(gòu)建目標函數(shù)
3. 約束條件建模
四、選擇求解算法
依托 Asprova Solver的AI算法 ，通過多目標帕累托優(yōu)化，在全局搜索中平衡各目標權(quán)重，突破傳統(tǒng)規(guī)則的局部最優(yōu)局限。
五、模型驗證與優(yōu)化
1.仿真測試
2.動態(tài)調(diào)整機制
以下是目標函數(shù)訓(xùn)練的一個片段，通過反復(fù)與基準計劃的對比來調(diào)教AI目標函數(shù)和權(quán)重，使得計劃各項KPI均優(yōu)于啟發(fā)式規(guī)則+手工調(diào)整的結(jié)果。
最終的目標求解函數(shù)和權(quán)重經(jīng)過3個月的反復(fù)訓(xùn)練和迭代，最終固化下來，真正可以用于實際計劃排產(chǎn)中，客戶判定可上線使用。
核心挑戰(zhàn)與應(yīng)對
1.復(fù)雜性平衡：
生產(chǎn)計劃往往是多目標求解，如何平衡多個目標在AI求解過程中的影響，這里沒有標準答案，更多的是用戶對計劃的主觀感受，因此，只能通過多次迭代與用戶一起磨合。
總體與個體的矛盾：AI求解的時候，一般都是全局求解，尋求一個全局目標最優(yōu)的結(jié)果，但對于局部的某些個體，可能不一定是最優(yōu)的。比如說考慮逾期最小化和轉(zhuǎn)產(chǎn)損失最小，從目標上看都很優(yōu)秀，但是個別產(chǎn)品的訂單分成多次生產(chǎn)了，這樣雖然增加了部分的轉(zhuǎn)產(chǎn)損失，但是逾期的比率可能反而下降了，總體指標的好的，但是用戶就是希望連續(xù)生產(chǎn)，讓逾期少量惡化，這個跟總體目標是矛盾的。
2.動態(tài)適應(yīng)性：
通過實時數(shù)據(jù)接口和快速重排算法（局部調(diào)整）應(yīng)對訂單變更、設(shè)備故障等動態(tài)事件。用戶希望能夠通過人工干預(yù)做出計劃局部干預(yù)。
3.可解釋性：
因為是全局最優(yōu)求解，反而沒有辦法說明每一張訂單排序和分派資源的理由，所以業(yè)界對于優(yōu)化求解存在黑盒子和白盒子的說法。AsprovaAPS過去的啟發(fā)式規(guī)則排產(chǎn)是基于白盒子設(shè)計的，每一筆計劃的安排都可以追溯原因，并作出規(guī)則調(diào)整，用戶可以非常容易干預(yù)每個運算的策略和規(guī)則。
而AsprovaAPS的AI最優(yōu)求解這是基于黑盒子設(shè)計的，根據(jù)用戶指定的目標，系統(tǒng)自動優(yōu)化求解，每個求解結(jié)果都不能用規(guī)則進行解釋。解決的思路是對 AI 輸出的排產(chǎn)結(jié)果，反向匹配最相關(guān)的約束條件（如 “因交期緊急，優(yōu)先安排高優(yōu)先級訂單 ”），提升計劃人員對系統(tǒng)的信任度。
項目價值與落地啟示
（一）成功關(guān)鍵因素
1.數(shù)據(jù)成熟度：12 年 Asprova APS 的規(guī)則化運行，積累了高質(zhì)量的工藝、資源、訂單數(shù)據(jù)，為 AI 建模奠定基礎(chǔ)（若企業(yè)尚未實現(xiàn)基礎(chǔ)規(guī)則排產(chǎn)，AI 實施難度將呈指數(shù)級增長）。
2.目標清晰化：管理層提前明確 “交付優(yōu)先” 的核心導(dǎo)向，避免多目標優(yōu)化陷入權(quán)重搖擺的困境。
3.人機協(xié)同設(shè)計：保留人工干預(yù)接口，既發(fā)揮 AI 的全局優(yōu)化能力，又賦予計劃人員對特殊場景的決策權(quán)。
（二）行業(yè)啟示
本次實踐證明，Asprova AI 求解器在復(fù)雜制造場景中的落地，本質(zhì)是 “數(shù)據(jù)質(zhì)量 × 業(yè)務(wù)理解 × 算法調(diào)優(yōu)” 的三角平衡。企業(yè)需清醒認識：AI 并非萬能解藥，其效能上限由數(shù)據(jù)精度與目標清晰度決定。唯有夯實數(shù)據(jù)治理基礎(chǔ)、建立 “算法優(yōu)化 + 人工校準” 的協(xié)同機制，才能讓 AI 真正成為生產(chǎn)計劃的 “智能大腦”，而非脫離業(yè)務(wù)的 “數(shù)學(xué)黑盒”。