从 Excel 排产到约束排程:门槛在数据、习惯和维护
Excel 排产在它适用的范围内是好用的工具。本文从工厂的角度梳理:表格排产在哪些情形下开始吃力,约束排程把哪些规则摆到明处,以及主数据、计划员与车间的习惯、约束模型的持续维护这三道门槛,最后给出判断时机和起步顺序的建议。
先说结论
- Excel 排产上手快、改起来灵活、成本低;工序和机台不多、瓶颈集中、一位计划员能把整个车间装在脑子里时,表格排产通常够用。
- 规则一多一交织、急单和缺料频繁打乱计划、排产经验只在一个人身上时,表格开始吃力;约束排程把这些规则逐条写成硬约束和优化目标,交给求解器计算。
- 真正要跨过的是三道门槛:主数据、计划员和车间的习惯、约束模型的持续维护;数据和习惯往往比技术更难。
- 我们建议先选一条产线或一个瓶颈工序段,整理这一段的主数据、把规则写下来、用真实数据并行试跑,再接上报工、定下维护责任。
您工厂的生产计划,可能就是在 Excel 里排出来的:一张表,行是工单,列是日期和机台,计划员凭经验把活填进去,再用颜色标出急单和缺料。这套办法往往一用就是很多年,也确实撑起了车间的日常生产。
所以值得先问清楚几件事:表格排产在什么情况下开始吃力;换成约束排程之后,多出来的是什么;从表格走到约束排程,真正要跨过的是哪几道坎。
本文只讨论这条路本身。排程计算为什么交给约束求解器、大模型在其中做什么,我们在《排程为什么交给确定性求解内核,大模型只在外围工作》里专门讨论过,这里不再展开。
Excel 排产有哪些长处,适用于什么情形?
表格排产有几项实实在在的长处:
- 上手快:计划员、车间主任、老板都会用,不需要培训。
- 改起来灵活:临时加一列备注、换一种颜色标记、插一行急单,几秒钟的事。
- 经验能直接用上:老计划员知道哪台机最近不稳、哪位师傅擅长哪类活,这些判断可以直接体现在填表时的取舍里。
- 成本低:不需要额外的系统、服务器和实施。
在下面这类情形里,表格排产通常够用:工序不多,机台不多,订单品种相对稳定,瓶颈集中在一两道工序上,一位计划员能把整个车间的安排装在脑子里。这时候再上一套排程系统,投入的精力未必换得回相应的收益。
Excel 排产在什么情况下开始吃力?
工厂长大以后,表格排产常在三个地方先感到吃力。
规则写不进表里
表格记录的是排好的结果,排的规则留在计划员的脑子里。规则少的时候问题不大;规则一多、一交织,就很难靠人同时顾全。
以换型为例。学术界把换型时间分成两类:一类与前后顺序无关,另一类取决于前一件活是什么 [1]。举例来说,注塑从浅色换深色和从深色换浅色,清洗时间不一样;同一套模具连续生产,就省掉了换模。换型时间一旦取决于顺序,排活的先后本身就影响产能,表格里很难表达,只能靠计划员凭经验挑一个顺序。
再加上工装跨机台共用(一套模具今天上午在 3 号机,下午要去 5 号机)、物料到货时间不同、工序之间有先后,这些规则要同时成立,一个人在表格上逐格核对,很容易漏掉一处。
计划排完就开始过时
表格上的计划反映的是排的那一刻的情况。急单插进来、来料晚到、设备故障,计划就要改。
学术研究对此有专门的讨论:制造系统是动态的,意外事件会发生,当系统状态使原有计划无法执行时,就需要重新排程来更新它 [2]。难处在于改的范围:在表格上挪动一个工单,它后面的工序、共用同一套工装的其他机台、等着这批子件的装配工序都可能要跟着动。这些连锁影响要靠计划员一格一格往下追,追到哪里算完,很大程度上看经验和当时的精力。
经验只在一个人身上
规则在计划员脑子里,意味着这位计划员请假、调岗或离职时,排产就很难有人接得住。新人接手能拿到的是历史表格,拿不到「为什么这样排」。
这个难题的根源在于排产规则还没有被写下来。只要规则只存在于人的经验里,换什么工具都会遇到同样的交接难题。
约束排程把哪些规则摆到明处?
先说名词。高级计划与排程系统(APS),一篇研究 APS 使用情况的博士论文采用的定义是:用数学算法或逻辑,对有限产能排程、资源计划等问题做优化或仿真的计算机程序 [3]。其中「有限产能」指的是:排程时承认每台机、每个班组的能力有上限,不能无限往里塞活。
约束排程的核心动作,是把原来在计划员脑子里的规则逐条写出来,分成两类:
- 硬约束:必须满足,违反了计划就不能执行。例如一台机同一时刻只能干一件活、料没到齐不能开工。
- 软约束(优化目标):尽量做好,可以相互权衡。例如尽量不误交期、尽量少换型、尽量早完工。
然后由求解器在满足全部硬约束的排法里,按目标去找尽量好的一种。
以 Google 开源的约束求解工具 OR-Tools 为例,它的排程文档介绍了几种常用的建模方式 [4]。把它们和现场的说法对照起来,大致是这样:
| 现场的说法 | 写进模型的方式 |
|---|---|
| 一道工序要干多久,从几点到几点 | 一个「时间区间」,由开始、时长、结束组成,求解器保证开始加时长等于结束 [4] |
| 一台机同一时刻只干一件活;一套模具同一时刻只能在一处 | 「不重叠」约束:一组区间两两不相交 [4] |
| 一个班组三个人,同时最多开三台机 | 「累积」约束:任何时刻,正在进行的任务所占用的资源之和不超过上限 [4] |
| 这道工序可以放在几台兼容机台中的任意一台 | 「可选区间」:每台候选机台上各有一个区间,由一个开关决定哪一个生效 [4] |
| 同一台机从 A 产品换到 B 产品,要停下来换型 | 在「不重叠」的基础上找出每件活的紧后活,按前后两件的类型加上换型时间或代价 [4] |
| 一道工序干到一半赶上午休或下班 | 加工时间不变,但占用的时间段随开工时刻变化,跨过休息时会拉长 [4] |
这张表想说明的是:约束排程的每一条规则都要说到能写成数学形式的程度。「这套模具上机前要先预热」「深色料换浅色料要多洗二十分钟」这类话,在表格里是计划员心里有数的事,在约束排程里要变成明确的数字和条件。这一步做完,规则就从一个人的经验,变成了能交接、能复核、能讨论的东西。
门槛一:主数据要准备到什么程度?
求解器会严格按照输入的数据计算。输入不准,它会认真地算出一张「满足约束」但与现场不符的计划。
约束排程通常要用到这些数据:
- 物料清单(BOM):一件产品由哪些子件和原料组成,用量多少。
- 工艺路线:一件产品要经过哪些工序、按什么顺序、每道工序能上哪些机台。
- 工时定额:每道工序的标准加工时间,以及换型时间。
- 产能日历:每台机、每个班组的班次、周休、节假日和计划停机。
- 工装台账:模具、夹具、钢网有多少套,分别能用在哪些工序和机台上。
- 库存与在途:料在手多少、还有多少在路上、预计哪天到。
这些数据常常分散在几处:一部分在 ERP 里,一部分在表格里,还有一部分在老师傅脑子里。工时定额可能是多年前定的,和现在的实际节拍对不上;工艺路线里可能把几道工序合成了一道。
一项针对三家企业 APS 使用情况的案例研究给出了一个很实用的观察:需要的数据质量取决于怎么用这套系统。如果只把排程结果当作参考,对数据质量的要求没有那么高;如果要给出精确到每道工序开工时刻和先后顺序的详细计划,高质量的数据就是必须的 [3]。这项研究还发现,数据质量受车间报工以及给车间的反馈影响 [3];收录这项研究的论文在结论中也指出,APS 的实施常常促使企业更加重视数据 [3]。
对工厂来说,这意味着两件事。第一,不必等所有数据都整理齐了才开始,可以先从瓶颈工序和主力产品整理起,先把这一段的数据做准。第二,数据准不准,最终要靠车间报工来校正:报工回不来,工时定额就无从核对,计划会慢慢偏离现场。
门槛二:怎样让计划员和车间愿意按系统排的计划做?
数据准了,系统也排出了计划,还有一道坎:人是否按它来做。
有一项公开的案例研究很能说明问题 [5]。研究的对象是一家能源行业的制造企业,研究者用九个月做了 17 次深度访谈。这家企业多年来一直用 ERP 配合 Excel 做计划,后来引入了 APS 软件。案例记录下来的情况是:员工不太愿意信任 APS 给出的计划,订单优先级常在系统之外被人为调整,系统排出的计划不断被改写;最终,这家企业撤掉了这套 APS 软件 [5]。一位受访者说,难点之一是每个人都要相信这份计划,这样才会真的按计划去做 [5]。
这个案例提醒的是,排程系统的效果要落到车间按计划执行上,而执行的前提是信任。信任通常来自几件事:
- 计划员的经验先被写进规则。计划员如果发现系统完全不知道自己平时在意的那些规则,自然会绕开它。把这些经验一条条问出来、写成约束,是计划员参与进来的最好方式,也是最花时间的一步。
- 车间要有调整的空间。现场总有模型不知道的情况:某台机今天状态不稳,某位师傅请了假。前面提到的研究也发现,车间类型会影响企业多久运行一次排程、给车间留多少自主调整的余地 [3]。允许车间在一定范围内调整、并把调整记录下来,比要求一刀切地执行更容易长久。
- 试跑期间与原来的办法并行对照。用真实数据跑出来的计划,和计划员在表格上排的计划放在一起比:哪里一样,哪里不一样,为什么不一样。差异的原因往往就是还没写进模型的规则。
门槛三:约束模型上线后由谁维护、怎么维护?
约束模型需要随工厂的变化持续维护。新产品上线、换了设备、改了工艺、多开了一个班次、新做了一套模具,模型里对应的规则和数据都要跟着改。
表格排产的维护是隐性的:计划员在填表时自然会把新情况考虑进去。约束排程把规则显式化之后,维护也变成了显式的工作,需要有人负责。如果没人负责,模型会慢慢和现场脱节,排出来的计划越来越不可信,计划员又会回到表格上。
几个值得在上线前就说清楚的问题:
- 谁来维护:工艺变化时由谁负责更新工艺路线、工时和约束规则,是计划员、工艺员,还是信息化人员。
- 改动怎么进系统:常见的变化(新增机台、调整班次、修改换型时间)最好能在配置里改,不必每次都改程序。
- 多久核对一次:工时定额和报工实绩之间的偏差,多久看一次、偏差多大要调整。
怎么判断是否到了该从 Excel 换成约束排程的时候?
下面这些问题,可以对照自己工厂的情况看一看:
- 一张急单插进来,重新排一遍要花多长时间?排完之后,您能否确定没有漏掉某个受影响的工序?
- 客户问交期,给出的日期是算出来的,还是估出来的?
- 计划员请一周假,排产能否照常进行?
- 换型、工装共用、物料齐套这几类规则里,有几类是靠计划员凭记忆在处理?
- 车间实际执行的顺序,与计划表上的顺序差多少?差的原因能说清楚吗?
如果这些问题的答案大多让您比较放心,表格排产在您这里可能仍然是合适的工具,把表格的格式、版本和交接规则理顺,收益可能比换系统更直接。如果有几项让您不太放心,而且问题集中在规则多、扰动多、经验难交接上,就值得认真看一看约束排程。
决定换成约束排程后,从哪一步开始?
如果决定往前走,我们建议按这个顺序:
- 选一段范围:先选一条产线或一个瓶颈工序段,不求全厂一次到位。
- 整理这一段的主数据:物料清单、工艺路线、工时定额、产能日历、工装台账,先把这一段做准。
- 把规则写下来:和计划员一起,把排产时考虑的规则逐条列出,分清哪些是必须满足的,哪些是尽量做到的。
- 用真实数据并行试跑:用最近几周的真实订单跑,和表格计划对照,逐条弄清差异的原因。
- 接上报工:车间按计划执行、按实际报工,让数据有校正的来源。
- 定下维护责任:上线前就约定谁维护、怎么改、多久核对一次。
在我们看来,这几步里第 2、3、6 步最花功夫,也最值得花功夫。它们做扎实了,换哪套系统都更容易用起来;做得不扎实,再好的求解器也排不出车间愿意照着做的计划。
换之前还有一点值得想清楚。经济学家阿格拉沃尔、甘斯和戈德法布在《权力与预测》里说,组织里的规则是互相咬合的,像黏合剂:只把其中一条换成新的决定方式,其余规则会把它的效果抵消掉 [6]。Excel 排产表背后也粘着一串习惯:采购按固定提前期下单,车间按老顺序派工,销售按经验报交期。只把排产这一格换成约束排程,而这些习惯不动,排得再好也会被抵消。所以上面第 2 步整理主数据、第 5 步接上报工,本身就是在把相关的规则一起改掉。
以下是我们的看法
以下内容是我们的观点,供您参考。
第一,从表格走到约束排程,工具的变化是看得见的一部分,更大的变化在于把排产规则从一个人的经验变成写下来、能交接、能讨论的东西。这件事即使不上系统,也值得先做。
第二,三道门槛里,数据和习惯往往比技术更难。我们更愿意把力气花在和计划员一起梳理规则、和车间一起接通报工上,这些工作决定了计划能否真正用起来。
第三,维护要在一开始就算进成本。约束排程的价值要靠持续维护才能保住,这一点在决定上系统时就应当考虑进去。
我们的排程系统 APSer-Aps 在规则维护上是这样做的:机台兼容、一台机同一时刻只干一件活、同一套工装不能同时用在两处,作为基本约束写进模型;物料齐套、换型时长、工作日历、良品率等规则做成可以逐项开关的配置,在页面上改完保存,下一次排产就按新规则计算。
参考来源
- Ali Allahverdi, C.T. Ng, T.C.E. Cheng, Mikhail Y. Kovalyov. A survey of scheduling problems with setup times or costs. European Journal of Operational Research, 187(3): 985–1032, 2008. DOI: 10.1016/j.ejor.2006.06.060
- Guilherme E. Vieira, Jeffrey W. Herrmann, Edward Lin. Rescheduling Manufacturing Systems: A Framework of Strategies, Policies, and Methods. Journal of Scheduling, 6(1): 39–62, 2003
- Linea Kjellsdotter Ivert. Use of Advanced Planning and Scheduling (APS) systems to support manufacturing planning and control processes. 博士学位论文,Chalmers University of Technology, 2012
- OR-Tools CP-SAT 文档:Scheduling recipes for the CP-SAT solver. Google
- Kristina M. Eriksson, Linnéa Carlsson, Anna Karin Olsson. To digitalize or not? Navigating and merging human- and technology perspectives in production planning and control. The International Journal of Advanced Manufacturing Technology, 122(11–12): 4365–4373, 2022
- Ajay Agrawal, Joshua Gans, Avi Goldfarb. Power and Prediction: The Disruptive Economics of Artificial Intelligence. Harvard Business Review Press, 2022;中文版《权力与预测:人工智能的颠覆性经济学》,何凯译,中信出版集团,2024