智能排产，为什么最难的不是算法？

周一早会，销售说有一张急单必须提前；生产说换线至少损失半个班次；采购说关键物料还在路上；设备部门提醒一台主机下午要保养。

计划员把四种意见记进表格，APS 很快给出新排程。可到了车间，没人敢直接执行：为了赶急单，系统拆开了一个大批次；为了提高设备利用率，它把需要同一套模具的订单排到了两条线；为了压缩等待，又越过了质量放行节点。

系统有答案，现场却不信答案。这不是算法算得慢，而是企业从未把“什么最重要、什么绝对不能破、出了例外谁能改”说清。

9 月 2 日，工业和信息化部公开征求《智能制造 智能决策实施指南》等 9 项推荐性国家标准报批意见，公示期为 9 月 3 日至 9 日。全国标准信息公共服务平台披露，这项指南面向工业企业，场景覆盖智能备货补货、智能排产排程、智能调度、运输路径规划、产销协同、智能定价和智能营销。

这里值得注意的，不是“智能”两个字又进入了一项标准，而是智能决策开始被放进具体业务场景里讨论。

图 1｜目标、约束、方案、执行与反馈必须首尾相接。

“提高产能”听起来像目标，真正进入排产时却远远不够。

同一张订单表，销售更关心重点客户的交期；生产更关心换型、清洗和首件确认次数；财务希望降低库存；设备部门要保留维护窗口；质量部门不能让待检物料进入下一工序。

这些目标经常互相冲突。设备利用率越高，未必交付越准；急单越优先，原计划越不稳定；在制品越少，可能越难吸收设备波动。算法可以计算取舍，却不能替企业决定取舍。

因此，智能排产的第一份输入不是设备清单，而是目标层级：哪些指标决定方案是否可接受，哪些指标只用于比较两个可行方案，发生冲突时谁有权调整权重。

如果这些规则只存在于厂长和计划员的经验里，系统就只能用默认权重生成一个“数学上成立、业务上不可用”的答案。

工信部《智能制造典型场景参考指引（2024年版）》将生产计划优化、车间智能排产、生产进度跟踪和生产动态调度分开描述。其中，车间智能排产明确涉及复杂约束优化和多目标规划；动态调度则专门处理紧急插单、设备故障等扰动。

这说明排产不是把订单按交期排序，而是在多种约束下寻找可执行方案。

硬约束是不能违反的边界：工艺先后关系、设备能力、模具匹配、物料齐套、质量放行、人员资质、维护窗口和安全条件。违反其中任何一项，排程即使漂亮，也不能下达到现场。

软约束则允许权衡：尽量减少换型、提高利用率、降低在制品、优先重点订单、减少能耗峰值。软约束不是“不重要”，而是必须明确成本和优先级。

现实里最常见的问题，是硬约束散落在工艺卡、设备手册和老师傅脑中，软约束写在微信群与临时备注里。系统得到的只是订单和标准工时，自然无法理解现场。

图 2｜硬约束决定方案能不能执行，软约束决定方案值不值得执行。

静态数据上做出一张日计划并不难。难的是上午十点设备报警、十一点急单插入、下午物料延迟以后，系统还能否重排，并让现场知道为什么变、变了什么、谁批准。

广西工信厅公布的上汽通用五菱智能岛柔性生产案例中，多约束排产与周动态调整并不是孤立功能，它们与销量预测、订单、产线状态和全流程协同放在一起。鄂尔多斯市工信局公布的东日新能源案例，也把订单、原料、设备、能耗和市场数据纳入计划，并用实时设备与作业数据驱动动态调度。

两个案例行业不同，却指向同一件事：计划要持续吸收现场变化，才可能成为决策系统。

企业至少应先定义五类高频例外：急单与订单取消、物料缺件与质量冻结、设备故障与维护延期、返工返修、人员或工装不可用。每类例外都要回答：触发条件是什么，影响哪些任务，系统可自动调整到哪一步，什么时候必须转人工，原计划如何保留，恢复后从哪里继续。

只会重新计算，不会管理变更，排产系统就会变成一台不断刷新表格的机器。

很多项目把“自动下达率”当成成熟度指标。对高频、低风险、边界稳定的任务，这当然有价值；但对高影响决策，保留人工批准不是落后，而是治理需要。

关键是把权限写清：系统在哪些条件下只给建议，哪些条件下可以自动下达；谁能调整目标权重，谁能解除硬约束，谁批准急单，谁承担由此产生的换线和延期成本；人工改过一次之后，修改原因是否进入记录。

可解释也不需要堆一屏算法参数。对计划员和车间主任来说，更有用的解释是：“这张急单提前两天，会增加一次换型，挤占订单 B 的设备窗口，并要求物料 X 在 14 点前齐套。”

解释的目的不是证明模型高深，而是让责任人看懂取舍、确认风险、决定是否执行。

标准工时写 30 分钟，实际可能因材料批次、刀具磨损、首件检验和人员熟练度变成 42 分钟。换型记录写 20 分钟，真正影响节拍的也许是清场、找工装和等待质量确认。

如果系统只下达计划，不回收实际开始时间、结束时间、停机原因、缺料原因、重排原因和人工接管记录，参数就会长期停在假设里。

反馈也不能只用于考核“谁没按计划完成”。更重要的是区分偏差来源：基础数据错了、约束漏了、目标权重不合适，还是现场执行失控。不同原因对应不同动作——修主数据、补约束、改规则，或改善作业。

所谓智能，不是系统永远不犯错，而是每次偏差都能留下可用证据，让下一次决策少依赖猜测。

制造企业不必先建一座“大而全”的决策平台。更稳妥的方式，是选一类高频、结果可量化、例外可枚举、允许人工接管的决策，准备四份最小资料。

目标与约束字典：指标口径、优先级、硬软边界和数据来源。

例外事件库：过去三到六个月的急单、缺料、故障、返工与插单。

权限与接管表：谁能建议、批准、修改、解除和复位。

计划—实际复盘表：每周检查关键偏差、原因、人工改动和规则修订。

图 3｜先把四份资料跑通 4—8 周，再扩大设备、产品与工厂范围。

智能排产并不只是软件部门的事。机床、装配设备、检测设备和物流装备能否稳定提供状态，也决定计划能否落地。

装备企业至少要说清：设备有哪些可用状态与报警状态，换型、清洗、预热、校准需要多长时间，产能受哪些物料与工艺参数影响，维护窗口如何提前暴露，任务开始、暂停、完成与质量结果通过什么接口回传。

设备宣传资料也不必再把“支持智能制造”写成一句泛化口号。更有价值的是用一段结构清楚的演示，说明订单进入后设备如何确认条件、执行任务、报告状态、处理异常并留下结果。客户看到的不是一层科技感，而是这台设备能否进入真实的计划与调度体系。