排产是制造执行中最”见功夫”的环节。同样是排产，一家电子代工厂一天要排300个工单，一家钢厂一个月只排3个品种。AI在两者面前要解的数学题，根本不是同一道。
一、离散排产：在组合爆炸中找可行解
多品种小批量制造的排产问题，本质是组合优化里的NP-hard问题。
浙江一家精密机械加工企业，每月承接超过400个客户订单，产品种类约200种，每台设备每天平均换线3-4次。传统排产靠两个老计划员手写工单，实际执行中60%以上被现场打乱。
AI改造路径：引入基于遗传算法的智能排产引擎。输入维度覆盖：工序路线、设备加工能力、模具可用性、交期优先级、换线时间矩阵。系统每15分钟根据产线实时回传的数据重新优化一次排程。
关键指标变化：
| 指标 | 改造前 | 改造后 | 改善幅度 |
|---|---|---|---|
| 设备综合效率OEE | 53% | 72% | +19个百分点 |
| 换线等待时间 | 日均4.2小时 | 日均2.1小时 | -50% |
| 订单准时交付率 | 68% | 89% | +21个百分点 |
| 计划员工时 | 2人×10h/天 | 1人×3h/天 | -85% |
离散排产AI的关键词是”动态重调度”——不是一劳永逸出结果，而是不断接收车间信号、持续调整。
二、流程排产：在多约束中找最优解
流程制造的排产难点不在组合数量，在连续性和切换成本的权衡。
一家年产600万吨的钢厂，主要品种只有热轧卷板、冷轧板、镀锌板三大类，但不同规格的切换涉及轧辊更换、温度曲线调整，单次切换损失约50万元。排产的真相是：在订单交期和切换成本之间走钢丝。
AI改造路径：采用混合整数规划+滚动优化框架。在满足订单交期约束的前提下，最小化切换次数和能耗成本。关键创新是”同规格订单合并窗口”策略——在交货期内将规格相同的订单集中排产。
效果对比：
| 指标 | 改造前 | 改造后 | 改善幅度 |
|---|---|---|---|
| 月度切换次数 | 32次 | 18次 | -44% |
| 切换损失成本 | 1600万/月 | 900万/月 | -700万/月 |
| 能耗/吨钢 | 基准 | -6.2% | 降本约180万/月 |
流程排产AI的关键词是”全局优化”——不是更快排出来，而是排出更经济的方案。
三、两种排产哲学的对照
| 维度 | 离散排产 | 流程排产 |
|---|---|---|
| 问题类型 | 组合优化（NP-hard） | 约束优化（MILP） |
| 决策变量 | 工单序列+设备分配 | 批次窗口+切换顺序 |
| 最大矛盾 | 换线频次 vs 产能利用 | 切换成本 vs 订单交期 |
| 重调度频率 | 分钟级/小时级 | 日级/周级 |
| 核心算法 | 遗传算法/强化学习 | 混合整数规划/CPLEX |
| 落地难点 | 数据采集完整性 | 业务规则建模精度 |
四、选型建议
无论是离散还是流程，AI排产成功的关键不在算法选型，而在三个前置条件：
- 基础数据就绪：设备产能、工序工时、换线时间必须准确。数据不准，算法越智能越危险。
- 业务规则可表达：排产员的隐性经验（”这个客户不能催”、”这两道工序之间至少间隔4小时”）必须转化为模型约束。
- 人机协同机制：AI排产不是替代计划员，而是把重复计算交给机器，把异常决策留给人。
排产AI的真正对手不是传统排产方法，而是企业自身的数据治理水平。
本文为场景学社「AI制造」专栏出品，作者王甲佳。