企业官网建设流程全解析

简介：面向制造业生产计划与供应链管理人员的APS生产计划培训手册，以Hitachi Consulting的ASCP高级计划排程模块为主线，系统讲解从需求整理、数据准备、计划制定到结果分析与工单下达的完整业务闭环。手册包含ASCP业务流与数据流总览、计划参数设置、例外分析与EDD/ECC结果解读、跟单件与共享件的基础设置及业务操作、中央空调虚拟生产过账方案、预测与产销平衡等内容，适合需要掌握APS/ASCP落地方法的生产计划员、IT实施顾问及制造业管理者。资源为单个PPTX培训教材，压缩包大小3.74MB，目前已有190人学习。读者可借此快速理解ASCP在Midea等企业中的实际数据结构与操作流程，获得从数据收集架构、计划参数配置到计划单处理、权限设置的完整方法论，可直接用于内部培训或项目参考。

1. APS 生产计划培训手册到底在讲什么

APS 排产调度要回答的问题，在制造车间里从来不是“缺什么料”，而是“这台设备明天早上到底先干哪个单”。ERP 的 MRP 计划把 BOM 展开、按提前期倒推，给出了数量和日期，却默认产能无限；APS（Advanced Planning and Scheduling，高级计划与排程）把这个假设拆掉，把工单、工序、设备、班次、模具和优先级全部压到一条时间轴上，做有限产能排产。培训手册的读者恰好横跨三拨人：计划员要搞懂优先级和插单规则，调度员要会读排产甘特图和设备负荷，IT 实施顾问要理解数据模型和参数含义。手册的真正作用是把这三类人拉到同一张能落地的排产结果上，而不是各编各的 Excel 表。

2. APS 排产调度核心逻辑：从无限产能到约束网络

2.1 MRP 为什么算不出可执行的工序计划

MRP 的核心动作是按 BOM 逐层展开需求，再用固定的提前期向前或向后推移，输出物料和采购建议。它默认每台设备随时可用、产能可以任意放大，这跟车间现实明显不符。车间里的每台设备有班次、有速度、有换型时间，同一时间只能做一道工序，瓶颈设备前必然排队。排产调度要干的正是把“排队顺序”和“开始时间”定下来。

培训手册里通常放一张对比表，我按经验精简成六行：

这张表想说明一件事：APS 排产调度不是把 MRP 的报表换个界面，而是把“计划”从数量维度推进到时间维度。计划员如果把 MRP 数量当排产输入、再把 APS 结果当 MRP 的补充报表，多半会把项目做成一个昂贵的数据搬运工具。

2.2 约束建模：工单、工序、资源三者如何对齐

APS 排产调度的建模对象，无论哪种系统，都能拆成三层。

第一层是排产单元，通常以工单为主键，工单下挂工序。工序之间有先后关系，也可能有并行关系，比如同一订单的多个部件同时在不同设备上加工。第二层是资源，包括设备、模具、工装和人员，每个资源都有可用日历和产能上限。第三层是约束：设备约束、物料齐套约束、时间窗口约束、人工干预的固定锁定约束。

这三层组合出一张约束网络。排产调度的过程，就是在网络中寻找一个可行时间表，让每道工序都拿到资源、都不穿越禁用的时间窗口，然后在这个基础上优化。系统是不是“真 APS”，看它是否真的把设备和工序一一匹配，而不是只在工单上加一个计划完工日期。真排产会产出工序级甘特图，伪排产只给你一个日期，后面的时间全部由计划员脑补。

2.3 优先级规则和“越急越优先”的权重设计

“越急越优先”听起来像把紧急工单往前挪，真正落地却要回答一个问题：急怎么量化。常见规则有 EDD（交期最早优先）、SPT（加工时间最短优先）、FCFS（先到先服务）、CR（剩余时间与剩余加工时间的比值）。工厂里很少单用一条规则，更多是把它们合并成一个加权分：

priority_score = w1 × (1 / critical_ratio) + w2 × urgent_flag + w3 × 客户等级权重

其中 critical_ratio 是剩余可用时间除以剩余加工时间，比值越小说明越危险；urgent_flag 是 0/1 的插单标记；客户等级权重由销售策略决定。w1、w2、w3 是排产参数，越怕延期就把 w1 调大，越重视重点客户就把 w3 调大。用代码表示也就是：

# 排产优先级：交期系数 + 急单加权 + 客户权重 def priority_score(job, clock): critical_ratio = (job.due_date - clock) / max(job.proc_time, 1) return w1 / critical_ratio + job.urgent * w2 + job.customer_weight * w3

critical_ratio 小于 1 意味着按当前加工能力已经来不及按期完成，这一项会把分数迅速拉高；urgent 字段是急单的硬标记，客户权重则是把销售端的议价能力带进排产。真正项目里这三个权重不是一次性定死的，上线头一个月基本都在调它们。

需要提醒的是，紧急插单不能无限制使用。每次插单都会挤占其他工单的资源，插得越多，系统越接近“全线紧急”，这时优先级规则事实上失效。培训时要给出一条纪律：紧急插单必须附带重新确认被影响工单交期是否仍然成立的步骤。

提示：不要把“越急越优先”做成一刀切的强制置顶。生产中更稳的做法是给紧急订单一个高权重，让它在排产算法里“大概率排在前面”，而不是“必然排在最前”。强制置顶往往会卡住瓶颈设备，反而扩大整体延期。

3. 用 Python 本地跑通 APS 排产调度最小演示

3.1 用最小数据模型描述一张排产任务

很多系统上线前，顾问先用 Python 或 Excel 验证排产逻辑是否合理。这里给一个可直接运行的最小排产调度演示，核心逻辑只有 40 行左右。先定义工单数据结构：

from dataclasses import dataclass @dataclass class Job: job_id: str arrive_time: int # 可开始时间（小时） due_date: int # 承诺交期 proc_time: int # 占用设备时长 priority: float # 基础优先级，越大越优先 urgent: bool = False # 是否紧急插单

字段的含义要逐个讲清。arrive_time 表示工单具备开工条件的最早时刻，物料没齐、前工序没完成，都体现在这里；due_date 是排产必须尽量满足的硬约束；proc_time 是工序在设备上的加工时间，不含等待；priority 是业务给的常规优先级；urgent 字段用来模拟“越急越优先”的插单场景。业务人员不关心字段名，但要能对应到自己提交给系统的排产参数。

3.2 用 heapq 实现一个基于优先级的排产调度器

下面的函数在有限设备数下逐小时推进时间，把已到工序放入待排池，再按“高优先级优先、同优先级按交期早优先”的规则分配设备：

import heapq def schedule_by_priority(jobs, machine_count=3): jobs = sorted(jobs, key=lambda j: j.arrive_time) result = {} # job_id -> (开始, 完工, 设备号) avail_at = [0] * machine_count # 每台设备下次可用的时刻 pool = [] # 待排池，用小根堆实现优先级排序 idx = 0 clock = 0 while idx < len(jobs) or pool: # 把当前时刻前已到达的工单压入待排池 while idx < len(jobs) and jobs[idx].arrive_time <= clock: job = jobs[idx] urgent_bonus = 1000 if job.urgent else 0 # 负号是为了用最小堆实现最大堆，括号里是排序键 heapq.heappush(pool, (-(job.priority + urgent_bonus), job.due_date, idx)) idx += 1 if not pool: clock = jobs[idx].arrive_time continue _, _, job_idx = heapq.heappop(pool) job = jobs[job_idx] # 选择最早空闲的设备 machine = min(range(machine_count), key=lambda m: avail_at[m]) start = max(clock, avail_at[machine]) end = start + job.proc_time result[job.job_id] = (start, end, machine) avail_at[machine] = end clock = end return result

这段代码的三个设计点需要展开讲。第一，urgent_bonus 是显式的急单加权，1000 是一个演示值，目的是确保急单在堆里排到普通单前面；真实系统里这个权重需要与 w2 对齐，不是越大越好。第二，堆的排序键是(-(priority + urgent_bonus), due_date)，先比优先级再比交期，这意味着同一优先级下，交期越近越先被取出，这是 EDD 与业务优先级的自然合并。第三，start = max(clock, avail_at[machine])保证工序不会在同一设备上重叠，也不会早于系统时钟开工，这是最小可行排产的正确时空逻辑。

这段贪心逻辑只是排产调度算法的一类。真实系统在工序数量大、约束交错时会换用约束满足（CP）或元启发式搜索（遗传算法、模拟退火等），但所有复杂算法的目标仍然是同一件事：在资源时间轴上给出可行且尽量贴近交期的排布。培训时从贪心讲起，学员最容易理解优先级和约束这两个基本概念。

3.3 紧急插单对比实验：看结果再下结论

用两组数据验证“越急越优先”的实际效果：

base_jobs = [ Job("A", 0, 10, 3, 1), Job("B", 1, 6, 2, 2), Job("C", 1, 8, 4, 1), Job("D", 2, 12, 2, 1), Job("E", 3, 7, 2, 1), ] normal = schedule_by_priority(base_jobs, machine_count=2) urgent_jobs = base_jobs + [ Job("U", 2, 4, 1, 0, urgent=True), ] urgent = schedule_by_priority(urgent_jobs, machine_count=2) for jobs, name in ((normal, "普通排产"), (urgent, "紧急插单")): print(f"== {name} ==") for jid in sorted(jobs): s, e, m = jobs[jid] print(f"{jid}: {s}h -> {e}h 设备{m}")

运行后可以看到，普通排产里 B 和 E 因为交期早排在前；插入 U 之后，U 因 urgent 权重极高被很快安排到空闲设备上，普通单 C、D 的开工时间被向后推移，其中 D 的计划完工时间越过交期。这个对比要讲给学员的，不是“U 被插队了”这个表面事实，而是：D 的完工时间是否仍小于 due_date，如果不满足，就要触发交期确认流程。APS 排产调度的价值不是保证所有单都不延期，而是把延期后果显式暴露出来，让计划员提前决策。

4. APS 生产计划手册里关键参数与数据取数方法

4.1 排产参数从哪来：五份基础数据

真实项目里，APS 的输入数据远不止工单。设备台账、班次日历、工艺路线、换型矩阵、物料齐套时间，五份数据缺一不可。设备台账给出设备编号、所属产线、可用状态；班次日历决定哪些时段是可排产时间；工艺路线提供标准工序和工时；换型矩阵描述同一设备上不同产品切换的准备时间；物料齐套时间来自 ERP 的采购承诺与库存可用量。

这套数据里最容易出问题的，是物料齐套时间。ERP 里的到货日期经常是采购承诺而不是实际到货，APS 排产调度一旦把这个日期当真，排出来的开工时间就可能和仓库实际对不上。所以在培训手册里我建议先做数据体检：随机抽 20 个近期已完工工单，把系统里的工序工时与实际记录对比，偏差超过 20% 的字段先修正。

4.2 三个必调参数：优先级权重、提前期缓冲、设备负载率

APS 项目上线后，头两个月通常都在调参。按照我参与实施的经验，最先动的是下面三个：

三个参数的共性在于它们都是“留白”手段。负载率调低是给设备留白，缓冲调大是给工序间留白，优先级权重差则是给急单留白。很多工厂一上来想把设备负载率排到 95%，结果一个急插单就能让当天的排产全线重排。现实里排产调度追求的不是最大利用，而是尽可能稳定地执行。

4.3 换型时间：手册里必须单独讲的隐藏参数

换型时间（setup time）在排产调度中容易被忽略，却往往对结果影响最大。同一台设备加工 A 产品再切换 B 产品，中间要清洁、换模、调试，几分钟到数小时不等。不同品种之间的切换时间还可能不对称，比如从白色切换到黑色可能只要 10 分钟，反过来要 40 分钟，这才是换型矩阵存在的意义。用代码表示就是：

# 换型矩阵：二维字典，(前产品, 后产品) -> 换型分钟数 setup_matrix = { ("A", "A"): 0, ("A", "B"): 10, ("B", "A"): 40, ("B", "B"): 0, } def setup_time(prev_product, next_product): # 查不到时给一个保守默认值，避免排产把换型算成 0 return setup_matrix.get((prev_product, next_product), 15)

培训时用一个 2×2 矩阵就能讲清：两个产品、一台设备，按什么顺序排，取决于切换时间的总和。把这个矩阵教给计划员，他们才会理解为什么排产系统有时会让一台设备连续做同一品种，而不是按交期先来后到。在代码里体现这一点的常见做法，是把换型时间加进设备上的工序间隔，也就是在avail_at[machine]上额外累加换型时长。

4.4 冻结期和插单重排的边界

排产结果不能每小时都变，否则车间没法执行。因此系统需要冻结期（frozen horizon）：在一段时间里已经下达的工序保持锁定，只有锁定区间外的订单参与滚动重排。插单发生时，急单首先要看是否落在冻结期外，落在冻结期内则不能直接创建，必须走人工强制变更流程。这条边界写进培训手册，能避免绝大多数“昨天刚排今天就全变”的投诉。

5. 排产结果的收货验证：三道检查和一个基线对比技巧

5.1 约束检查和交期检查怎么在本地做

得到排产结果后，不要在甘特图上看一眼就宣布完成。我一般写一个十几行的校验函数，把所有工序过一遍：

def validate(result, machines): violated = [] for jid, (s, e, m) in result.items(): if s < 0 or e <= s: violated.append((jid, "时间非法")) if m not in range(machines): violated.append((jid, "设备越界")) return violated

这段代码检查的是基本的时间与设备约束。真实系统里还要叠加班次日历校验，即确认工序的每个时间段都落在设备的可用班次上。交期检查则是把 result 里每个 job 的结束时间与 due_date 对比，超出部分归到交期偏差集合。把这两步做成函数，放进排产任务的回归用例里，今后每次调参都能自动跑一遍，防止几个星期前的参数改坏今天的排产。

5.2 执行偏差检查的量化口径

执行偏差检查的口径有三种：开工时间偏差、完工时间偏差、设备占用时长偏差。最简单的是完工时间偏差，取“实际完工时间 - 计划完工时间”的均值，再除以平均计划加工时长，得到一个无量纲的偏差率。偏差率低于 10% 表示排产计划对现场有指导力；超过 30% 表示基础数据或排产参数已经失真，需要回头排查工时表和设备速度。这个口径要在培训手册里写明，否则每个部门按自己的口径统计，结果永远对不上。

5.3 一个向学员演示排产价值的技巧：先跑无优先级基线

最后分享一个我每次培训都会用的演示技巧：先跑一遍所有工单优先级相同的排产，再跑一遍按正式权重排产的版本，把两个结果放在同一张设备负荷表里对比。操作上只是把schedule_by_priority的调用参数全部设为相同常数，不需要改代码。对比的观察点有三个：急单是否被提前、普通单的等待是否过长、设备负载是否更均衡。如果两组结果几乎一样，说明当前订单池并不拥挤，APS 的优先级机制还处在“有机制但这批订单未触发”的状态；如果差异明显，说明“越急越优先”真正改变了当天的生产顺序。这个基线方法除了演示，也可以用于每次排产后的复盘，用来判断优先级策略是否需要调整。

本文还有配套的精品资源，点击获取