从销售订单到物流发货，从基础物料到最终成品，生产计划贯穿制造业整个生产经营流程。
随着制造业的发展和市场竞争的加剧，制造企业的成本压力、交付压力越发明显。高级计划与排程 (Advanced Planning and Scheduling，APS)系统走进了制造企业的视野，被广泛地关注和应用了起来。与一般生产自动化不同，APS借助优化算法引擎综合考虑订单、库存、生产能力等决策因子，在计划期内层级化、全局化地优化整个生产过程，已经成为制造企业实现精益生产、降本增效的重要工具。
电子制造是制造业中数字化水平比较高的领域之一。因为产品种类繁多、工艺复杂，具有相当高的决策复杂度，电子制造业也是APS应用较为广泛的行业之一。
对电子制造企业来说，部署APS能改善很多生产过程中的全局规划问题。但是，在多制程多阶段的生产方式、充满不确定性的生产场景、复杂工艺和高故障率等生产环境中，“计划”与“执行”之间往往存在无法避免的隔阂，不能完全让理想的计划照进生产的现实。
一、理想计划的“破坏性”工序
电子制造的工艺一般要经过物料备件、组装、老化测试（抽检）和包装几个关键工序。其中备件、组装和包装几个工序中，物料都会在确定的时间内被组装成半成品或者成品，但在老化测试工序，产品的过站时间却随机性极强。
所谓老化测试，广义来说，是一种用于测试产品可靠性的特殊测试方法，通过在短时间内利用特定软件模拟产品在正常条件下长期运行的影响和多个设定条件下的使用状态来测试其稳定性，以减少产品的故障率，确保其在长期使用中的可靠性。我们日常生产生活中用到的机械产品、电子产品都需要进行老化测试。老化测试完成后，有问题的产品留给工厂进行修复，没有问题的还需要进行一定比例的抽检，最终检测合格的产品才会进入包装环节。
在老化测试工序，由于型号不同、配置不一、性能各异，产品在这一工序的停留时长具有很大的随机性，叠加软件预装和一些需要人工参与的环节，更加剧了产品过站时间的随机性。通常完成组装的产品经过老化测试工序后，已经严重偏离了理想计划。此外，还有一定比例的产品要被随机抽检，种种随机状况叠加在一起，严重影响整个生产流程的快速、平稳、有序：
1，生产效率大打折扣。
老化测试流程的随机性对于生产调度计划的执行造成了直接的影响。一旦老化测试时间无法准确预测，生产过程中的产品流动可能会出现延迟、错乱、停滞等情况。这种不稳定的流动还会扰乱不同流程之间的生产节奏，导致后面包装流程的物料管理、产线利用以及人员排班都无法协同。这种情况下，最初制定的生产计划难以有效执行，生产效率也会受到影响。
2，包装物料难以管理。
在生产过程中，为了避免过多的包装物料堆积影响找料效率，包装物料通常会按照生产计划分批次运送到生产线上等待使用。然而，由于老化测试时间的随机性，难以确定性地判断包装段即将承接的产品类型、数量和次序，这会导致无法及时准确地准备对应的包装物料，使得包装线出现假性缺料现象，造成产品无法下线，同时拉错的物料堆积在包装线边，占用生产空间，给现场的物料管理带来难题。
3，人员排班无法合理安排。
作为生产环节中最活跃的影响因素，人员安排的合理性直接关系到生产成本、效率、安全和工人健康等方面。不确定性的存在可能会导致后续工序的人员排班无法妥善安排。如果生产线上的人手不足，会显著降低生产效率，而人员冗余则会增加成本。此外，无法合理地安排人员时间可能会导致工人过度疲劳，进而影响工人的健康和生产安全。
二、智能决策，沟通理想计划与现实执行
在这种横跨多生产阶段、具有强随机性的生产场景中，如何克服“流程”和“时序”的双重乱序，灵活地优化生产计划和节奏，以适应老化测试时间的变化，是提高生产效率和生产质量的关键。凭借大量的行业场景案例的积累，以及领先的算法设计技术水平，联想研究院AI Lab机器学习团队研发了多阶段随机场景下的动态决策解决方案，帮助生产计划和精益管理部门有的放矢的处理随机性对生产带来的扰动：
1，基于生产水位预测的人员排班优化。
通过对机型、系统类型、硬件配置等信息进行特征工程，构建老化测试工序的时间预测模型。基于水位预测与仿真模拟相结合的方式，将过站产品时间密度函数拟合为时间相关的水位预测曲线，得到更加精准的生产水位时序图。计划团队可以基于生产水位，综合考虑可用产线情况、人员技能和人员工作时长等特性，对包装线开停线和人员排班进行优化，提高主打产线对主打机型的产能利用率，节省总人工和设备加工时长。
2，跨生产阶段的动态精准备料/上料。
通过基于单侧时间窗约束的排程，将包装线排程与物料齐套进行协同优化，为每个批次确定拉料清单和换线时间。不仅能够借助齐套优化实现不完全替代物料的高效利用，还可以在关键物料约束下提高计划的可执行能力，甚至进一步降低物料工艺切换产生的额外换线，提高排产环节的效率指标。同时根据对生产线的线边物料数据监控，对计划外物料进行动态冲减计算，准确地将物料运送到对应的生产线边，消除包装物料备料和上料不准的问题，保障后续排产指标最优化的执行实现。
3，异步排产优化决策降低不确定性的影响。
在产品各阶段过站时间预测的基础上，核心排产算法采用双尺度异步决策方式：通过1-4小时间隔触发的“测试阶段分线算法”给尚未完成测试的产品进行预排产，输出产线分配、工治具配置、机型合并等必须提前进行的决策；通过10min-30min间隔触发的“包装阶段排序算法”对完成测试的产品进行包装线排序优化，提高产量、结单率、产线利用率等排产指标。这种异步排产方法可以将生产环节中的确定性与不确定性部分相分离，确定性的部分进行指标优化，不确定性部分进行约束规划，同时实现鲁棒性与最优性的提升。
联想智能多阶段物料拉动-排产解决方案
该方案通过多目标优化算法，可以根据实际需求灵活调整包装线的整体生产效率、订单关单率、特殊（急单）排产量提升等多个目标的优先级，使得计划和执行能够以更合理的方式结合，实现更精细化的生产决策。
三、业务难题是技术创新的起点
由于工业领域的特殊性，人工智能在工业界的应用最初主要集中在视觉领域，随着AI产业化进程的发展，AI在工业界的应用逐渐扩展到了服务和供应链管理，以智能APS为代表的智能决策技术突破了复杂应用场景和多变业务需求下模型建立的挑战，通过提高决策的可解释性和透明度，赢得了客户的信任。但是，正如生产线上的随机性因素打乱正在执行的生产计划一样，随着智能决策技术与实际工业场景的深度耦合，新的挑战和问题还会不断涌现。
破解难题没有简单的解决办法，将技术根植于场景，与领域机理、经验知识和工艺深度结合，将问题视为技术创新的出发点，或许是一个可靠的不断自我超越的动力源。
（关注我们的公众号ML OR 智能决策。分享更多干货，欢迎交流~）