点击上方 MES百科 关注我们
e-works鼓励原创，如需投稿请参看首页“原创投稿”说明。
“每一个困境本身都蕴含着某种解决方案，只有改变思维才能发现它。” ——尼尔斯.玻尔 ，物理学家，诺贝尔奖获得者
我们知道生产计划与排程是生产管理之核心，是企业的指挥调度中心，它让企业在复杂的生产迷宫中找到成本、效率、交期的最优路径。尤其在VUCA（易变、不确定、复杂、模糊）时代，没有APS的企业如同“盲人骑马”，而具备APS能力的企业则能实现从被动救火到主动掌控的跨越。
那为什么大部分企业计划管理的效果都不理想，这不能全怪企业高层的重视程度，也不是靠个人英雄主义（主生产计划、总调度）所能驾驭的。真相是，计划与排程的复杂性，我们必须了解与正视。
实际上，APS的复杂性远超直觉认知，APS系统是复杂供应链优化，它的成功不仅取决于数学优化能力，还需要准确捕捉行业特征属性及许多微妙的隐含考量。最好的系统允许灵活调整各类约束的权重，并能从过去的计划排程决策经验中学习改进。
1、多品种小批量的反向定制的敏捷供应链模式具有复杂系统的特征
-从工厂制造的角度分析；
-从供应链管理角度分析
多品种小批量的个性化定制模式与拓展的供应链是一个复杂系统，以上十二个因素互相关联并是非线性的影响，大量的数据涌现且其很多目标又是矛盾的。正如复杂系统所揭示的，当系统达到一定规模和复杂度时，它就不再是原有系统的简单放大版，而是具有全新属性的复杂适应性系统。超大规模供应链实际上是一个复杂适应性系统，具有非线性、涌现性和自组织等特征。
在这样的复杂系统中，局部的小波动可能引发全局的巨大变化，系统行为无法通过分析局部各部分来预测，互相之间的关系是非线性的，甚至可以是相互矛盾的。对这种失控的混沌系统的管控需要从更高层次和多维度的方面来管理适应涌现出的新结构和适应新的行为模式。即全局的慢决策与局部快决策的平衡并采用多层的适应性算法分而治之。
端到端供应链的计划优化APS是通过算法引擎对全局式整体优化来敏捷的满足客户的价值需求。但在应用时会遇到的行业的特殊性、加工过程的复杂性及现场的动态不确定性。做到“一键式”智能计划排程有点难度，尤其是多品种变批量的反向定制的敏捷供应链模式或高离散环境制造中所涉及的资源太多、计划排程模型复杂、数据量过大等，往往会影响系统的应用效果甚至成败。
2、多品种少批量的生产，混合计划排程难度大
无法如期交货，太多“救火式”加班
订单需要太多的跟催
生产优先顺序频繁改变，原定计划无法执行
库存不断增加，却常常缺关键物料
生产周期太长，提前期无限膨胀
生产部门往往成为市场表现不佳的替罪羊
……
计划员们的苦恼:
手工计划Excel的低效
冲突目标和多变情况
计划工具过于简单化和规则固定
系统太多，数据不集成
缺乏备选计划和不可预见的计划达成度
在组织内部，计划的地位和权威性不足
........
3、计划方面的难度：
中长期计划的不准确与随机不确定性的挑战
预测准确率平均只有40%左右，缺乏需求计划体系共识与纠偏管理
需求冲击与供应中断的不平衡或错配现象严重
生产计划的人为判断并更改频繁，没有产能约束的瓶颈且动态漂移
交期准确率平均在60%左右，交期延迟客户抱怨
计划变更的现象已是常态
采购计划人员疲于奔命
发运计划经常缺货
生产准备、模具、工装等计划不齐套，
人员负荷不均衡
设备超负荷运转或空闲
能源浪费严重等
库存积压还缺料
糟糕的计划使供应链总成本高严重降低了企业的利润率。
供应链计划往往受到中高层决策者偏好的影响
......
-面对相互冲突的计划目标
（1）客户交货期与生产成本之间的矛盾
为了满足具有竞争力的交期，可能需要投入很多的产能成本。既要在既定的成本下，最优的客户服务。
（2）产能最大化与浪费最小化之间的矛盾
为了满足资源利用最大化来提高效率，但是又要考虑过量生产带来的浪费。
（3）库存成本最小化与客户需求的矛盾
为了纠正预测的不确定性，需备有一定安全库存。做出最优的库存计划来快速响应客户需求。
（4）批量采购与库存最小化之间的矛盾
大量的采购带来的低价，但会导致库存溢出。
-复杂多约束的供应链环境
企业增长的需求，需求计划的无约束到有约束，供应的限制。复杂的工艺路径对各种设备的特殊需求各不相同，有限产能的生产设备，物料、工装模具及人员的约束。
-多品种小批量的复杂生产模式
多品种并行、混流计划会引起资源共享易出现瓶颈、订单变化和生产周期的不确定性、计划排程应变能力、监控订单进度难、物料变化多变，导致缺料与采购延迟严重。
-动态变动的内外环境
需求计划的不准、供应的中断，临时订单改变、紧急插单的情况经常出现。实际进度和计划排产的不吻合。产品流程不断变化，新产品研制流程的不确定性，机器设备故障检修，员工生病请假等。
-精益生产的多品种混排模式
导致排序需要根据节拍优化顺序，既要考虑客户的交期，又要考虑上游供应的均衡和JIT/JIS准时、顺序、同步化。
面对预测不准确的复杂概率，制作生产计划需要判断选择三个策略的决策：
（1）追逐式计划(Match/Chase)
优势可以稳定的库存水平，可以用变动生产以适应需求。劣势是人力、培训、加班、额外班次的成本，解雇员工的成本，对员工士气的影响，员工被解雇，需要的工作技能不存在，需要满足需求的最大能力。
（2）均衡式计划(Level)
优势是生产速率稳定，避免追逐式生产引起的人力、资金方面的成本。劣势是库存水平提高，需要更准确的预测。
（3）混合式计划(Combination/Hybrid)。
可以在某些时段以全负荷或接近全负荷进行。也可能在其它时段以低产量（或不生产）进行。利用可用生产能力，有限的库存储备和持库成本。
计划主要难度是在预期的生产提前期和库存目标下，保证生产与采购有充足的供应，库存、生产订单和采购订单以满足当前的需求客户订单和未来需求的需求计划，解决生产什么、何时生产？买什么、何时买？
4、排程方面的难度：
品种的变化，大小批量的变化，快速的动态柔性响应。
每个零件可能都具有多个工艺路线。
每道工序都可能具有可选设备集合。
加工前需要进行生产准备齐套。
具有班次的约束，在特殊情况下可以进行加班处理。
工序间的周转可以采用平顺物流等多种方式进行。
设备需要多品加工任务进行快速切换。
需要实现优先任务抢占。
排程数据量可能超过十几万件任务，几百台设备，手工面对急单的处理，
排程调整频繁，调整的工作量巨大。
生产顺序和交期冲突，交期管理欠缺系统性的全局观。
设备利用率低没有有效的利用，未来数周的设备负载状况不透明。
具有设备、工艺、工装、供料、人员等一系列不确定因素与各自的偏好，尤其是在多目标权衡和工序的具体安排方面受决策者偏好的影响。
......
工厂车间里有很多任务等待完成，有些任务有前后顺序，有些任务只能规定时间开始，有些任务迫在眉睫，有些任务没有时间限制。但是，没有什么比永远有一个未完成的任务悬在那里更让人感到疲惫不堪的。
我们知道确定性排程的模型可以使用一些的优先法则，同时也采用许多算法技术与启发式程序。排程的不确定随机模型使我们对优先规则的鲁棒性要求更高。
随机模型的结果说明了这样一个结论，随着系统的随机性增大，采用复杂优化技术是不明智的。也就是说，系统的随机性越大，排程策略应该采用场景化规则处理，就可以使系统优化简化。
如何应用这些知识来应对实际排程问题呢？这些问题与学术界标准化模型的研究中有着相当大的差异。在解决实际问题的时候，这些规则与方法往往被包含在一些更复杂的结构中。
排程理论与排程实际的差距：
现实排程问题往往与理论研究中的数学模型有很大区别。因为实际中的排程问题都有自己的特点，所以要找出所有的区别是一件很困难的事情。不过，有一些区别是共有的。
-多品种、多资源并行排程
理论模型往往假设有多项工作需要排程，并且在排程之后，这个有多项工作的问题被解决。但是在现实中，系统中往往会出现在同一时刻有多项工作需要解决，但是新的工作还在不断增加。
-动态环境下，多工序的推断与冗余排程
排程调度当前的多项工作需要在没有将来情形确切信息的条件下进行。因此，需要对这些未知的情形做出推测。我们需要一个动态的环境，如在排程中加入宽裕时间，来适应紧急工作或是设备故障。
-动态重排
理论模型住往不强调动态重排程问题。在现实中，经常会出现这样的情况，在根据确定的假设做出了一个排程之后，由于随机事件的发生需要对这个排程进行一些动态调整重排，这种重新排程问题也可以被认为是反应式调度，它往往用来满足某些具体的约束，如人们往往希望只对原有的排程做出尽可能小的调整，即使这样并不是最优的排程。更确切地说在重新排程的时候只需对原有排程做出一些微小的调整，这就意味着做出一个具有一定“强壮性”的排程是相当有利的。也就说过于灵敏的重排，会导致计划排程脆弱不可执行。
-机器、任务、人员组合与加工时间关联
现实中的机器环境往往比理论假设的机器环境更为复杂。加工限制以及约束也更加棘手，在机器、工作或是时间方面，有可能是相互关联而不是独立的。
-任务的优先级权重不断变化
在数学模型中，每一件工作的权重的优先级是固定的，它们不随时间的变化而变化）。而在现实中，每一件工作的权重往往随着时间的变化而变化，这种变化可能是随机的，一件低优先级的任务单有可能突然变为高优先级的任务单。
-机器偏好、产品偏好、模治具偏好、人员的偏好、管理者偏好
数学模型往往不考虑“偏好”这个因素。在一个模型中，一件任务要么能够，要么不能够被一台机器处理。换句话说，一件任务能否被一台机器处理可用0和1来表示。在现实中，会有机器偏好、产品偏好、模治具偏好、人员的偏好。经常会出现这样一种情况：一件任务能够由给定的机器来加工，但是出于一些原因，任务执行者更偏好用另一台机器加工这项工作。
-机器的可使用性
多数的理论排程模型只考虑产能约束并没有考虑机器的可用性约束。一台机器往往被假定为在任何情况下均可用。在现实中，一台机器并不一定是连续可用的。有许多原因会导致机器不在操作状态下。一部分原因是基于一些确定性过程，而另一部分原因是基于随机过程。设备的轮班模式会造成机器不是一直运行的。预防性的维护也会造成这种情况。还有就是机器可能受到随机故障以及维修的影响导致不能连续运作。
-惩罚函数是非线性
理论中，大多数惩罚函数是分段线性的，如一项任务的滞后、单位惩罚等。在现实中，存在可以商定的发货日期或是工期，所以惩罚函数往往是非分段线性的。
-多目标动态权重优化
理论模型关注单目标。在现实中，一个问题往往存在多个目标，也就是多目标加权优化。不仅仅是多目标，它们各自的权重还可能随着时间的变化而变化，甚至还与不同排程者的经验相关。各个目标对象之间似乎经常会存在一种特殊的联系，如最小化总加权滞后时间和最小化顺序相关的总准备时间(特别对于那些瓶颈机器）。最小化总加权滞后时间是很重要的，这是因为保持服务的质量往往是一个有很大权重的日标。最小化与顺序相关的准备时间总和也是重要的。这是因为对于—个确定的生产环境，它可以使产量增加。当这种联系成为全部目标时，这两种目标的权重不能是简单的常数，这些权重可能与时间相关或者可以说与当前生产环境的状态相关。如果工作负荷相对偏重，那么最小化顺序相关准备时间将更加重要，如果工作负荷相对较小，最小化总加权滞后时间将更加重要。
- 增加非常规工作时间和班次
现实中的排程过程，往往同分配工人班次和调度加班时间紧密结合。当工作负荷将要超过实际能力，工期非常紧迫的时候，排产调度员将会增加加班时间或是增加班次来按时发货。
-加工时间有可能是离散的概率函数
理论的随机模型常常假设加工时间服从一些非常典型的分布。如已经深入研究过的指数分布。在现实中，加工时间往往不是符合指数分布的。一些观测结果显示，加工时间有着不同的密度函数（连续型概率函数），这样的密度函数会发生在确定任务的手工操作中。加工时间有这样的密度函数看似是有道理的。如果完成一项任务所需的最少时间已经确定，那么即使是最优秀的工人都不能用低于这个标准的时间完成这项工作（包括等于这个标准）。然而，加工时间存在许多变数，它们取决于操作者在任务中的表现。完成率随着时间的增加而增加。有可能加工时间有98％的概率是一个固定的值；而另有2％的概率是一个均值很大的指数分布。这种类型的离散的概率函数往往出现在自动生产或装配线上。如果一个机器人来执行操作，那么加工时间往往是固定的（通过系统设定好的），但是当遇到一些突发事故的时候，加工时间立刻显著增大。
-学习曲线使加工时间减少与机器老化使加工时间增长
随机加工时间的另一个重要方面是相关性。在现实中，同一台机器上的连续加工时间是高度正相关的。在随机模型研究中，常常将所有加工时间假设或—个（或多个）相互独立的分布。加工时间的分布可能因受到学习曲线因素以及老化因素的影响而改变。—个人工操作的加工时间分布可能受到学习因素的影响。通过人来不断加工作业有可能减少完作业的平均时间。如果一个操作对应的分布包含机器的影响，那么机器的使用年限（机器老化）将会导致平均加工时间增长。
尽管我们研究的数学模型与现实情形有许多不同，但这些理论研究绝对不是在浪费时间。这些研究让我们更深入地认识了排程的复杂问题，同时这些认识对于解决现实中大部分排程系统的算法模型的发展是有很大帮助。
在现实中，排程问题常常通过看上去不那么准确的启发式算法（场景化规则）来解决。不采用更加精确数学算法的原因在于现实中往往存在大量的动态随机事件，这些事件往往导致在执行原有排程时被迫做出快速动态调整。
总之，APS的复杂性本质上是制造业多目标、多约束、高不确定性在数字化层面的映射。其成功实施不仅依赖先进算法，还需与业务流程深度结合，并通过持续的数据治理和人员培训才能发挥价值。其复杂性的核心原因：
-多约束条件的动态平衡
-生产环境的动态不确定性
-工艺路径的复杂性
-多目标优化的冲突
-数据整合与系统协同
-行业特性差异
-算法与技术的挑战
-组织与人性因素
-管理者、人员、机器、产品、模治具的经验习性偏好
.......
战略家毛奇说过“没有什么计划在遇到敌人后是不变的”。计划必须应对复杂变化，不确定性导致多个计划，而多个预计计划又会导致更多的不确定性。面对计划排程的复杂性，我们必须需要引进新的智能计划系统。传统的计划的方法,已很难适应快速多变的市场复杂环境,很多企业正在转向按需生产的反向定制模式C2M（Customer to Manufacturing ）。按需生产的最大的挑战就是计算CTP（Capable to Promise）承诺的交货期和准时交货。不仅需要订单需求可以直接进入计划排程的物料和能力系统，还要和供应商互动供应信息。
面对多个品种的变化，大小批量的波动，快速的机动响应。尤其是在交期压力下，设计优化的运作规则尤为重要！（订单优先级、换品时间、设备效率、成本、利润等优化），快速响应客户的变化需求。我们必须具有产品模块化重构能力，产能重构优化能力，商业模式的敏捷能力。
企业必须构建APS计划排程枢纽体系，通过SIR(sense, Intelligence, Response)即主动感知，智能决策，快速响应来应对外部的变化与内部的变化，以内部的柔性应对外部的不确定性。我们必须建立一个高效的计划排程执行的闭环且冗余的韧性体系，针对计划排程的复杂难点，形成不断自我改善、学习、进化的分布式系统，提供坚实的应用功能来满足企业的智能指挥计划调度，快速的按需生产、精益制造，柔性运营。
高效的智能计划排程体系可以应对公司的战略变化与不确定做出快速响应，甚至可以用资源核心的能力为灵活的战略做出贡献。当精益运作拓展到敏捷供应链时，按最终客户的需求所拉动快速客户反应时，将会给企业带来巨大利益。但是，实施所需要的投入和精力也是巨大的。“即投入强大的系统的复杂多样性来应对企业内外部变化的复杂性”。（阿什比定律Ashby's Law）
“管理者们会发现，他们处在一个完全不舒服，充满混沌和复杂并感觉很狼狈的世界，越来越多的人讨论的都是事实与认识之间的不协调，新的现实的特征就是不确定和歧义丛生。”
——斯图尔特.克雷纳《管理百年》
活动预告
