智能制造进入下半场？APS如何进行优化

按照现在算法和计算机处理能力的发展，现在资源优化的方向已经逐渐摒弃，而是在更系统的“有限产能计划的”框架内一并解决产能和物料的问题。

我们所看到的新近涌现出来的很多APS系统。但碍于算法的复杂程度，在相当长的时间内，采用不同时间精度的方式仍然会很流行，但所幸的是，不同企业或者企业中的不同职能部门对于时间精度的要求是不一样的。

优化面临的主要问题、目标、方法和算法

（1）三大难题

在资源优化问题中，我们面临的三大难题是：产量，资源调配和顺序。简单来说，就是决定企业每天生产什么产品、生产多少、由谁来完成以及以什么样的次序来完成。

（2）多个目标

在资源优化问题中，我们也面临着企业优化的目标。很遗憾的是，企业目标的选取没有降低，反而增大了上述三个问题解决的难度。因为企业对于资源利用的目标不但是多维的，也是不断变化的。企业资源的目标可以包括：库存最小化、资源利用最大化、客户订单满足率最高（客户缺货率最低）、生产转换最短、生产连续性一致化、生产加班最少等等。这些目标随着经营环境的变化，优先级有可能发生变化。

（3）二种方法

一般而言，“计划”所主要针对的问题就是产量和资源调配的问题；而“排产”所主要针对的问题是顺序问题。这种对应关系是和问题中所隐含的对时间刻度的要求是紧密相关的。

一个工厂如果获得当天的生产计划，也就是获得了当天需要加工的产品、数量和设备的大致安排，也就具备了基本的生产启动指令。车间排产调度人员具有灵活安排生产加工次序和组织生产的灵活性。“计划”的优点在于在统筹的资源调配情况下，赋予车间现场人员比较宽松的灵活度来应付各种可能的突发事件，缺点在于并没有告诉操作人员如何安排更细致的工作。

反之，“排产”则详细而具体的安排了设备在更精细时间刻度上（小时、分钟）的工作量，以及工序之间应该如何衔接和先后次序。“排产”的优点在于明确操作次序，减少现场人员的随意性；但缺点也是显而易见的，就是对于生产现场的变化处理并不具备宽容度。

（4）多种算法

“计划”和“排产”所采用的算法往往大不相同，对企业优化目标所造成的影响也大不相同。在“计划”当中，当时间刻度是以班次、天、周、月等划分的时候，为了实现“有限产能、有限物料”的统一优化，往往采用是以线性规划或者混合整数规划为主的优化方法。

在“排产”当中，当时间刻度非常小，或者允许是连续时间的时候，为了实现次序的优化，往往采用以约束规划、经验规则或者启发式算法为主的优化方法。

“计划”可以对企业多目标进行优化，但在时间刻度上做了简化，是一个以企业多目标为导向的优化工具；而“排产”的优势在于执行层面，但因为算法本身的制约，无法看得更宏观、更系统。

时间刻度越小，为了能够在可以容忍的时间内产生一个较好的方案，问题的范围就越要缩小，“调度”算法在增加细节操作的可控性的同时，失去了时间跨度的优势，也就失去了对企业在较长时间范围内目标的可控性。

很多软件很难既能够满足“计划”的要求，也能够产生“排产”的细节，这就导致市面上的APS软件有的擅长计划，有的擅长排产调度。所以就有供应链级的APS系统和工厂级的APS系统。

面对工业4.0的挑战

基于传统控制论指导下，集中算法优化，尽可能详尽预先优化好所有流程已达到顶峰。尽管精益生产系统可以使系统进一步稳定、均衡、简化，而面对日益复杂的制造需求，尤其是多品种、小批量、短交期、个性化定制的生产模式的到来，这种中央集中处理变得极为复杂，也极不稳定，约束条件、随机因素、因果关系不明显等，构成一个不确定的非线性不稳定系统，仅仅让数字自由的流通来消除复杂系统的不确定已力不从心，而APS高级优化算法的优化空间的提高已经十分有限 当然，精益工厂、数字化工厂是智能工厂的重要基础。

而中国制造企业现在需要的是有宽容度、可以针对企业多个目标同时优化的计划系统，可以宽容企业管理的波动性和不完美。在这种宽容中，系统可以智能地为企业提供具有指导意义的生产计划排产。

随着分布式人工智能从理论进入到实践，网络信息物理系统CPS成为研究应用的热点。

APS系统以将基于MAS多层代理技术与模拟仿真结合起来，使得网络导向结构的APS解决供应链制造同步化问题，模拟仿真APS的优化顺序器解决工厂的顺序冲突问题。通过时间段与复杂程度的感知采用不同的算法并可以自动选择合适的算法。这样，APS的计划优化与顺序的安排就可以提供给制造商解决全球的优先权和工厂本地的优化顺序问题，来满足制造业对客户响应越来越强烈的需求。