智慧排產是長期以來大家關註的焦點,是智慧制造重點套用方向之一,應該說是生產管理領域龍頭套用。合理生產排程計劃,可以對企業帶來很多效益,除了生產過程可控,還可以做到交貨期準確預估,更深層次的,對有些行業帶來原料成本的直接節約,對於某些行業可以帶來生產尾料的浪費減少,對某些行業也可以是生產效率的提高,這些都是直接的可量化的價值,可以說合理的排產是生產管理智慧領域最有價值的套用。
但是,智慧排產的發展還不是一帆風順的,過去遇到了很多的問題,發生了很多「雷聲大、雨點小」的故事。經過多年的曲折發展,最近兩年,逐漸有些智慧排產計畫在走向真正落地、產生價值。筆者在這個排產領域也做了20年的研究和嘗試,現在把這些教訓和經驗的總結寫出來,供大家參考和共同思考,為未來的智慧排產發展提過更好的助力。
智慧排產的定義
要理清排產的概念,就要理解工業的排產的場景,我們首先要認識到工業的復雜性和多樣性。工業分成離散、流程等幾十個大類、數百個小類,宏觀來看廠內廠外供應鏈相關有很多業務是排產的延伸,每個工業裏又可以分成多個工序,都有可能做排產。有人在做APS類套用系統,我們這裏主要只實作自動排產計算。
不失一般性,我們把排產分成這樣幾個角度,這是分層級的:
·
生產計劃—客戶的訂單計劃轉成生產計劃,有時也叫主生產計劃。
·
·
生產排程—把生產計劃,排到各個具體的加工裝置上,排定加工佇列和加工時刻表。
·
·
物料計劃配送計劃—根據生產過程需要,把一些需要配套的零部件配送到產線的計劃,對組裝型離散加工業比較重要。
·
![](https://img.jasve.com/2024-2/3d4ae5b10cbb4aa04161baff60881833.webp)
圖1 排產業務的三個層次
現實中,排產會有更多復雜的方面,有人還把集團內部定訂單分配S&OP作為排產的一個方面,有時也把工廠內部的物流需求計劃作為排產的一個方面,有時廠內和廠外的物流計劃和排產也是緊密聯系在一起的。總之現實中還有很多具體的特例和復雜的情況,和上邊的歸類有些許特例差異,我們不做展開。
通常來說,最常見、最復雜、最難、做好了意義最大的是工序級的生產排程排程,後邊我們說排產,通常就是說生產排程。
智慧,就是用演算法代替人的工作的過程。工業領域的智慧套用,通常分成感知層、分析層、決策層。排產是決策智慧的一個重要的套用領域,也是本文分析的方向。
![](https://img.jasve.com/2024-2/7a0b8c9762396bbfd97fe0034fefb01a.webp)
圖2 工業AI套用的三個層次
為什麽智慧排產是難點
在過去很長的時間裏,許多人進行了許多的智慧排產的嘗試,包括學術研究界對於演算法的研究,也包括軟體開發商的產品開發,也包括最終工廠使用者的套用嘗試。可以說,從排產系統真正能代替人的角度去判斷,很長時間裏大多數的智慧排產計畫是不成功的。我們從如下幾個方面去總結排產之難:
1 反應了2B領域套用的局限性
目前有些自動排產類的計畫也在落地套用,我們總結失敗計畫和成功計畫裏的原理和不同,去分析背後的規律。我們想說,智慧排產對於「邊界條件清晰」是有要求的,這也是人工智慧套用的局限性的體現。現實中排產能分成很多型別、分支,也很難用業務上統一的有直接業務意義的語言來定義能做好排產的條件,用「邊界條件清晰」來定義排產做的前提,是目前看到的最合適表達的詞匯。
怎麽解釋「邊界條件清晰」?先舉個貌似外行的例子,棋類遊戲是「邊界條件清晰」的,棋類遊戲有嚴格和明確的的規則要求,在棋牌領域人工智慧的能力已經明顯超過了能力。但是,對於一些創造性的藝術創作、感性的判斷,AI還不能完全達到人的水平,這背後還是說,目前的AI是適合做「邊界條件清晰的事」,或者說現在的人工智慧是弱人工智慧,而不是具有核心創作能力的強人工智慧,這樣的道理其實也適用於排產領域的,排產的細分場景特別多,也很復雜,我們不舉具體例子。
在排產套用發展過程中,有企業推出了一些APS產品,包括日本、美國、中國、歐洲的,這些產品普遍都有對外宣傳的智慧排產功能,從實際使用的角度,這些自動排產功能基本上是沒用實際意義的,因為現實中的排產問題的業務規則是非常復雜的,而且是所有的規則中只要有一條不滿足,排產結果就是沒用的,哪怕其它規則都滿足了。所以,任何提前做好的排產產品,基本都很難很準確完整的去預測所有業務規則,所以大多數情況下自動排產是需要需客製的,不會存在那麽通用理想的排產產品。所以,強調APS的產品化、通用化基本上是不現實的,如果能那麽容易做到完美,智慧排產就不會是留到現在的一個難題。這麽多年的實際印證了這樣的結論。
相對來說,過去一段時間,我們看到以美國為代表的已開發國家,排產的套用比中國更好。我想這背後一方面是,美國的技術發展水平更好,還有一部份原因可能是中國人「更靈活」,美國人更願意講規則,或者更有規範,也就是美國在「邊界條件清晰」的準備程度上要好些。
2 難在技術發展的局限性
排產在學術上也是研究的重點方向之一,在這方面也有一些基於數學理論證明的。典型的車間排程問題,是混合流水車間排程問題,是多訂單、多工序、多機台的生產過程。這類問題在理論上證明NP-Hard問題,也就是無法證明演算法得到的解的最優解。這也是排產問題的本身很難的根因之一。一些排產問題的的學術型討論,這裏不展開。
3 難在對行業和場景的挑剔
工業生產的場景非常多,從生產的特點的角度,不同的生產特性會影響排產實作的情況。
·
大件小批次,是很難去做真正的人工替代的。大體上是要人排,因為很難去總結行業的規律,所以不具備實作智慧自動排程的邏輯基礎。比如制造火箭,一年也生產不了幾件,甚至嚴格說每一件都不一定是完全的一樣的型號。
·
·
小件大批次的生產,相對會更有條件去總結行業的邊界條件性的規律,也就是形成一個邏輯閉環的場景去用演算法去求解,通常能解的排產問題普遍都是組合最佳化性質的問題。
·
總之,排產是挑場景、挑行業的,不是每個排產場景都具備落實到實處的條件。
智慧排產的套用發展
1 智慧排產的方法
智慧排產的核心是排產演算法的使用,整體上這些角度還是比較新的,相對的也有傳統的方法和新興的嘗試的方法。
傳統方法:
·
啟發式專家規則,基於具體問題設定一些專家規則。往往有比較好的初始效果,但是很難產品化和標準化。
·
·
運籌最佳化,需要用運籌學求解器去求解具體數學模型。
·
·
最佳化演算法,用自研的最佳化方法去求解排產問題,也稱為元啟發式演算法。
·
整體上智慧排產的落地套用還是很新鮮的套用,即使是這幾種方法,只是人們探索的時間較長,真正落地的套用仍然應該算是新興的、先進的方法。
創新方法:
人工智慧是發展很快的領域,新的發展思路提出很多,人們也在新的智慧的思想去做排產方面的套用創新。
·
強化學習,強化學習是決策智慧的發展方向之一,在棋類引動、遊戲對抗領域取得了很好的效果。目前在排產這種決策智慧領域套用還不多,也有人在做些嘗試。
·
·
l大模型,典型的大模型是做語言理解與回答的,但是大模型角度發展很快,史丹佛小鎮等套用也體現了一定和決策智慧的關系。隨著技術的快速發展,未來在排產領域的套用也是可以期待的。
·
2 典型的智慧排產類套用場景
行業很多,排產的角度很多,我們大致按照排產問題的特性進行一個分類總結,去區分下排產的具體場景。這些場景問題,是可以用運籌學的方法去抽象稱標準的數學模型的,這裏不做具體展開,可以在更深入的技術討論中去落實。這些運籌學標準問題的總結,其實是APS計算引擎產品化的基礎。
·
流水車間問題,多產品、多訂單、多工序、多裝置,但是產品經過的加工過程的順序是從前到後的,很多離散加工業都是這個特性。
·
·
任務車間問題,多產品、多訂單、多工序、多裝置,但是產品經過的加工過程的順序是有前後迴圈的,比如半導體的一部份生產過程是這個特性。
·
·
切割排產問題,排產和原材料的切割使用緊密相關,比如船廠的排產要考慮切割鋼板、紙板廠的雙刀排程要考慮瓦楞紙的切割計算。
·
·
配料排產問題,很多的原材料使用型行業都有配料,水泥廠石灰石礦山、焦化配煤都是典型例子。
·
·
混合排產問題,現實中的工廠通常流程很多,排產設計到多種型別的組合,比如鋼鐵企業煉鐵段排產是配料問題、煉鋼和軋鋼排產流水車間的特性。
·
關鍵智慧排產行業發展
生產排產所設計的行業很多,我們討論一些套用的重點行業發展的情況。
鋼鐵行業
鋼鐵行業是傳統重工業的典型代表,是重要的國民經濟基礎性行業之一,是包括建築、交通、汽車、機械等很多行業的材料來源。目前中國有數百家鋼鐵企業,產能超過10億噸,占據了全球一半以上的產量,產量大、產值高、產業規模復雜,同時鋼鐵行業也是發展周期長、技術發展水平較高、智慧化嘗試較多的一個行業。
鋼鐵行業包括包括鐵、鋼、軋等四個主要的生產過程,細化出很多不同的智慧排產場景,也培育出不少的智慧排產套用,取得了相當的進展和效益。比如在鐵前環節,占據了鋼鐵生產成本的70%,配料是其中的核心,對於焦化配煤、燒結配料、高爐配料都有智慧決策保障產品品質、降低用料成本的空間,是排產的一類典型場景,對於煉鋼-連鑄生產的生產組織,對於軋鋼環節鋼坯的加工順序,都是組織合理降低企業生產成本、增加效益的空間。在一些輔助的生產組織中也有智慧決策的套用空間,比如鐵前上料順序的排序,對於天車運輸的排程,對於板坯的切割計算都是某種意義的和智慧排產有關系的鋼鐵行業的套用場景。
半導體行業
泛半導體行業包括晶圓生產、封測,也可以包括面板、光伏、PCB等行業,都是類似於某種形式的印刷路線的生產過程。半導體行業是目前最高端的制造業,半導體的芯片型別眾多,有時有數百道加工工序、數千台加工裝置,所以半導體行業是最符合小件大批次的行業,也比較適合用技術的方法代替人工去排產。過去這個領域智慧排產套用遇到瓶頸是因為求解規模過大,造成一些傳統的運籌學工具失靈,最近一些先進的行業求解器型別的演算法發展出來後,半導體領域的光刻、蝕刻、擴散、檢測等環節都在逐步發展智慧排產套用,對於提高企業生產效率起到了明顯的作用。
除了鋼鐵、半導體兩個行業,汽車的沖壓、噴塗、總裝的領域,造紙的排刀、紙板、紙箱等領域,石化、水泥、玻璃等行業也有不同程度的智慧排產發展,也都是相當適合繼續進行復制推廣的角度。
展望
中國是世界第一制造業大國,生產規模的變大,會使「邊界條件清晰」的規律總結成為可能 ,也就是智慧排產成為可能。隨著,現在人工成本越來越高,客觀上也需要代替人的生產決策,這是社會發展的必然。同時,生產規模越來越大,生產組織過程中的組合爆炸問題越來約明顯,人實作合理排產越來越難,也需要人去做替代,去提高生產組織的業務價值。隨著運籌決策、各類如果智慧的技術發展,在復雜生產過程的自動排產落地的技術手段也越來也多。總之,未來的10~15年會是智慧排產快速落地、發揮很大價值的一個發展高潮期。
聲明:本文轉自產業智慧創新中心首席科學家,文章版權、觀點歸原作者所有,轉載僅用於傳播知識和分享資訊,如有異議、意見或建議,請聯系我們修改或刪除,聯系信箱:[email protected]