{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
首页>技术应用> 正文 
收藏
点赞
投稿
再议智能排产那些事
  2024-01-17   

作者:周永良博士   产业智能创新中心首席科学家

智能排产是长期以来大家关注的焦点,是智能制造重点应用方向之一,应该说是生产管理领域龙头应用。合理生产排程计划,可以对企业带来很多效益,除了生产过程可控,还可以做到交货期准确预估,更深层次的,对有些行业带来原料成本的直接节约,对于某些行业可以带来生产尾料的浪费减少,对某些行业也可以是生产效率的提高,这些都是直接的可量化的价值,可以说合理的排产是生产管理智能领域最有价值的应用。

但是,智能排产的发展还不是一帆风顺的,过去遇到了很多的问题,发生了很多“雷声大、雨点小”的故事。经过多年的曲折发展,最近两年,逐渐有些智能排产项目在走向真正落地、产生价值。笔者在这个排产领域也做了20年的研究和尝试,现在把这些教训和经验的总结写出来,供大家参考和共同思考,为未来的智能排产发展提过更好的助力。


智能排产的定义

要理清排产的概念,就要理解工业的排产的场景,我们首先要认识到工业的复杂性和多样性。工业分成离散、流程等几十个大类、数百个小类,宏观来看厂内厂外供应链相关有很多业务是排产的延伸,每个工业里又可以分成多个工序,都有可能做排产。有人在做APS类应用系统,我们这里主要只实现自动排产计算。

不失一般性,我们把排产分成这样几个角度,这是分层级的:

  • 生产计划—客户的订单计划转成生产计划,有时也叫主生产计划。

  • 生产排程—把生产计划,排到各个具体的加工设备上,排定加工队列和加工时刻表。

  • 物料计划配送计划—根据生产过程需要,把一些需要配套的零部件配送到产线的计划,对组装型离散加工业比较重要。

图片9.png

图1 排产业务的三个层次


现实中,排产会有更多复杂的方面,有人还把集团内部定订单分配S&OP作为排产的一个方面,有时也把工厂内部的物流需求计划作为排产的一个方面,有时厂内和厂外的物流计划和排产也是紧密联系在一起的。总之现实中还有很多具体的特例和复杂的情况,和上边的归类有些许特例差异,我们不做展开。

通常来说,最常见、最复杂、最难、做好了意义最大的是工序级的生产调度排程,后边我们说排产,通常就是说生产排程。

智能,就是用算法代替人的工作的过程。工业领域的智能应用,通常分成感知层、分析层、决策层。排产是决策智能的一个重要的应用领域,也是本文分析的方向。

图片10.png

图2 工业AI应用的三个层次


为什么智能排产是难点

在过去很长的时间里,许多人进行了许多的智能排产的尝试,包括学术研究界对于算法的研究,也包括软件开发商的产品开发,也包括最终工厂用户的应用尝试。可以说,从排产系统真正能代替人的角度去判断,很长时间里大多数的智能排产项目是不成功的。我们从如下几个方面去总结排产之难:


1 反应了2B领域应用的局限性

目前有些自动排产类的项目也在落地应用,我们总结失败项目和成功项目里的原理和不同,去分析背后的规律。我们想说,智能排产对于“边界条件清晰”是有要求的,这也是人工智能应用的局限性的体现。现实中排产能分成很多类型、分支,也很难用业务上统一的有直接业务意义的语言来定义能做好排产的条件,用“边界条件清晰”来定义排产做的前提,是目前看到的最合适表达的词汇。

怎么解释“边界条件清晰”?先举个貌似外行的例子,棋类游戏是“边界条件清晰”的,棋类游戏有严格和明确的的规则要求,在棋牌领域人工智能的能力已经明显超过了能力。但是,对于一些创造性的艺术创作、感性的判断,AI还不能完全达到人的水平,这背后还是说,目前的AI是适合做“边界条件清晰的事”,或者说现在的人工智能是弱人工智能,而不是具有核心创作能力的强人工智能,这样的道理其实也适用于排产领域的,排产的细分场景特别多,也很复杂,我们不举具体例子。

在排产应用发展过程中,有企业推出了一些APS产品,包括日本、美国、中国、欧洲的,这些产品普遍都有对外宣传的智能排产功能,从实际使用的角度,这些自动排产功能基本上是没用实际意义的,因为现实中的排产问题的业务规则是非常复杂的,而且是所有的规则中只要有一条不满足,排产结果就是没用的,哪怕其它规则都满足了。所以,任何提前做好的排产产品,基本都很难很准确完整的去预测所有业务规则,所以大多数情况下自动排产是需要需定制的,不会存在那么通用理想的排产产品。所以,强调APS的产品化、通用化基本上是不现实的,如果能那么容易做到完美,智能排产就不会是留到现在的一个难题。这么多年的实际印证了这样的结论。

相对来说,过去一段时间,我们看到以美国为代表的发达国家,排产的应用比中国更好。我想这背后一方面是,美国的技术发展水平更好,还有一部分原因可能是中国人“更灵活”,美国人更愿意讲规则,或者更有规范,也就是美国在“边界条件清晰”的准备程度上要好些。


2 难在技术发展的局限性

排产在学术上也是研究的重点方向之一,在这方面也有一些基于数学理论证明的。典型的车间调度问题,是混合流水车间调度问题,是多订单、多工序、多机台的生产过程。这类问题在理论上证明NP-Hard问题,也就是无法证明算法得到的解的最优解。这也是排产问题的本身很难的根因之一。一些排产问题的的学术型讨论,这里不展开。


3 难在对行业和场景的挑剔

工业生产的场景非常多,从生产的特点的角度,不同的生产特性会影响排产实现的情况。

  • 大件小批量,是很难去做真正的人工替代的。大体上是要人排,因为很难去总结行业的规律,所以不具备实现智能自动排程的逻辑基础。比如制造火箭,一年也生产不了几件,甚至严格说每一件都不一定是完全的一样的型号。

  • 小件大批量的生产,相对会更有条件去总结行业的边界条件性的规律,也就是形成一个逻辑闭环的场景去用算法去求解,通常能解的排产问题普遍都是组合优化性质的问题。

总之,排产是挑场景、挑行业的,不是每个排产场景都具备落实到实处的条件。


智能排产的应用发展

1 智能排产的方法

智能排产的核心是排产算法的使用,整体上这些角度还是比较新的,相对的也有传统的方法和新兴的尝试的方法。

传统方法:

  • 启发式专家规则,基于具体问题设定一些专家规则。往往有比较好的初始效果,但是很难产品化和标准化。

  • 运筹优化,需要用运筹学求解器去求解具体数学模型。

  • 优化算法,用自研的优化方法去求解排产问题,也称为元启发式算法。

整体上智能排产的落地应用还是很新鲜的应用,即使是这几种方法,只是人们探索的时间较长,真正落地的应用仍然应该算是新兴的、先进的方法。


创新方法:

人工智能是发展很快的领域,新的发展思路提出很多,人们也在新的智能的思想去做排产方面的应用创新。

  • 强化学习,强化学习是决策智能的发展方向之一,在棋类引动、游戏对抗领域取得了很好的效果。目前在排产这种决策智能领域应用还不多,也有人在做些尝试。

  • 大模型,典型的大模型是做语言理解与回答的,但是大模型角度发展很快,斯坦福小镇等应用也体现了一定和决策智能的关系。随着技术的快速发展,未来在排产领域的应用也是可以期待的。


2 典型的智能排产类应用场景

行业很多,排产的角度很多,我们大致按照排产问题的特性进行一个分类总结,去区分下排产的具体场景。这些场景问题,是可以用运筹学的方法去抽象称标准的数学模型的,这里不做具体展开,可以在更深入的技术讨论中去落实。这些运筹学标准问题的总结,其实是APS计算引擎产品化的基础。

  • 流水车间问题,多产品、多订单、多工序、多设备,但是产品经过的加工过程的顺序是从前到后的,很多离散加工业都是这个特性。

  • 任务车间问题,多产品、多订单、多工序、多设备,但是产品经过的加工过程的顺序是有前后循环的,比如半导体的一部分生产过程是这个特性。

  • 切割排产问题,排产和原材料的切割使用紧密相关,比如船厂的排产要考虑切割钢板、纸板厂的双刀排程要考虑瓦楞纸的切割计算。

  • 配料排产问题,很多的原材料使用型行业都有配料,水泥厂石灰石矿山、焦化配煤都是典型例子。

  • 混合排产问题,现实中的工厂通常流程很多,排产设计到多种类型的组合,比如钢铁企业炼铁段排产是配料问题、炼钢和轧钢排产流水车间的特性。


关键智能排产行业发展

生产排产所设计的行业很多,我们讨论一些应用的重点行业发展的情况。


钢铁行业

钢铁行业是传统重工业的典型代表,是重要的国民经济基础性行业之一,是包括建筑、交通、汽车、机械等很多行业的材料来源。目前中国有数百家钢铁企业,产能超过10亿吨,占据了全球一半以上的产量,产量大、产值高、产业规模复杂,同时钢铁行业也是发展周期长、技术发展水平较高、智能化尝试较多的一个行业。

钢铁行业包括包括铁、钢、轧等四个主要的生产过程,细化出很多不同的智能排产场景,也培育出不少的智能排产应用,取得了相当的进展和效益。比如在铁前环节,占据了钢铁生产成本的70%,配料是其中的核心,对于焦化配煤、烧结配料、高炉配料都有智能决策保障产品质量、降低用料成本的空间,是排产的一类典型场景,对于炼钢-连铸生产的生产组织,对于轧钢环节钢坯的加工顺序,都是组织合理降低企业生产成本、增加效益的空间。在一些辅助的生产组织中也有智能决策的应用空间,比如铁前上料顺序的排序,对于天车运输的调度,对于板坯的切割计算都是某种意义的和智能排产有关系的钢铁行业的应用场景。


半导体行业

泛半导体行业包括晶圆生产、封测,也可以包括面板、光伏、PCB等行业,都是类似于某种形式的印刷线路的生产过程。半导体行业是目前最高端的制造业,半导体的芯片类型众多,有时有数百道加工工序、数千台加工设备,所以半导体行业是最符合小件大批量的行业,也比较适合用技术的方法代替人工去排产。过去这个领域智能排产应用遇到瓶颈是因为求解规模过大,造成一些传统的运筹学工具失灵,最近一些先进的行业求解器类型的算法发展出来后,半导体领域的光刻、蚀刻、扩散、检测等环节都在逐步发展智能排产应用,对于提高企业生产效率起到了明显的作用。

除了钢铁、半导体两个行业,汽车的冲压、喷涂、总装的领域,造纸的排刀、纸板、纸箱等领域,石化、水泥、玻璃等行业也有不同程度的智能排产发展,也都是相当适合继续进行复制推广的角度。


展望

中国是世界第一制造业大国,生产规模的变大,会使“边界条件清晰”的规律总结成为可能 ,也就是智能排产成为可能。随着,现在人工成本越来越高,客观上也需要代替人的生产决策,这是社会发展的必然。同时,生产规模越来越大,生产组织过程中的组合爆炸问题越来约明显,人实现合理排产越来越难,也需要人去做替代,去提高生产组织的业务价值。随着运筹决策、各类如果智能的技术发展,在复杂生产过程的自动排产落地的技术手段也越来也多。总之,未来的10~15年会是智能排产快速落地、发挥很大价值的一个发展高潮期。

分享到:
  点赞
  收藏
  打印
评论(0
已输入0
最新文章
 2022-06-08