离散制造的三个难题，AI 智能体怎样帮助- 大数跨境

积兆科技Convect AI

2026-11-06

导读：离散制造做计划排产，有三个绕不开的难点：物料齐套、复杂工序的排程、异常响应。这三件事吃掉了计划员一天里的大部分时间。

离散制造做计划排产，有三个绕不开的难点：物料齐套、复杂工序的排程、异常响应。这三件事吃掉了计划员一天里的大部分时间。我们在 MRP 和 APS 之上放了五个智能体，它们通过调用算法，帮助计划员完成三件比较费劲的任务：在几十张表里翻出替代料和补料路径；把一个延期订单的原因从头追到尾；以及在停机发生后几分钟内拿出几个可以互相比较的对策。

下面以一家金属包装加工厂的系统为例，来说明智能体是怎样帮助物料和排产决策的。

五个智能体，各管一摊

这家工厂给食品罐、饮料罐和涂料罐做镀锡板的涂布和印刷，七条产线，一百多张在制订单。底座是常规的 MRP 加 APS：订单进来先校验物料清单、工艺规格、原材料、产线能力和胶辊；物料需求把每项需求和库存、分切、在途逐一冲减；排程引擎把每道涂布、印刷工序排到产线和班次上。这些计算不需要大模型。

智能体接手的是计算之外的那些活。

智能体	什么时候开始工作	帮什么忙
订单下达	订单放行、每天定时	检查队列，看哪些订单可以下达生产
暂缓清理	物料到货、每天定时	重新规划缺料暂缓的订单，给出分切和采购方案
异常响应	停机、缺料、加急等事件	在计划副本上试算对策，边界内自己执行
交付风险	每天定时	找出会错过交期的订单，追到原因，试算补救
计划诊断	计划员提问	回答「这张订单为什么会晚」这类问题

每个智能体都可以定义它的自主边界：在边界阈值内将自动执行数据修改，之外将只提出建议，等待人工审批。

一、物料齐套：先沿规则找替代料，还缺就给出几条补料路径

金属包装厂的物料替代规则比较复杂。一张订单要 0.2 毫米、860×712、T4 调质的镀锡板，库存一张都没有，采购提前期 21 天，等采购是来不及的。

系统先沿 BOM 物料清单往下找：印刷成品板、涂布板，一直到素铁。用下层的料也行，代价是多走几道涂布或印刷。如果最底层的物料也不足，则使用替代规则接手。每个物料大类有自己的一套条件组：厚度、调质、镀锡量、涂油、尺寸，每组都必须满足；同一组里按优先级排序，同尺寸最优先，其次是长宽互换，再往后是需要裁边的加宽或加长板。实在没有合适的板，还能拿同厚度、同调质的卷料分切成需要的尺寸。

这些规则作为数据保存在系统内。计划员可以自己新增、排序或停用替代条件，不用等软件开发者更改代码。

在上图的例子中，替代规则给这张板找到了六个合规替代料，但它们都没有库存。随后，一批 880×712 的加宽板在主仓库入库，共计三万张，计划员在系统中登记这个事件。系统马上重查所有因缺料而暂缓的订单，这批板作为替代料覆盖了 24,410 的净需求，两张订单解除暂缓状态。

剩下三张暂缓订单，就是智能体的活了。被这次到货唤醒的暂缓清理智能体，把剩下的缺口逐个重新规划：哪些能靠分切卷料补上，哪些必须采购，按供应商交货周期算出最晚下单日期。它给出三种策略，每一种都在计划副本上试算过：

方案	分切	请购	请购金额	到货偏晚
A 分切 + 请购（推荐）	2 单	2 项	9.6 万元	2 项
B 全部请购	0	4 项	13.9 万元	4 项
C 只分切	2 单	0	0	0

三种策略都能释放掉目前的三张暂缓订单，差别在后面。C 不花钱，但油墨和一种板材的净需求没人管，问题只是往后推；B 什么都买，比 A 多花 4.3 万元，还有四项到货晚于需要日期；A 把能分切的先分切，暂缓解除得最快，该买的也不漏。智能体推荐 A，理由清楚地写在方案里面，供计划员拍板时参考。

智能体在这里帮上的忙，是把一个需要翻库存表、BOM 和供应商交期、算半小时的问题，变成三个摆在一起的方案，并且每个方案都有理有据。

二、工序排程：排完之后，看清哪些订单会晚、为什么晚、怎么补

排程本身由排程引擎完成，它考虑到产线产能限制和模具，在涂布和印刷工序之间留足四个小时，把同一种涂料的制造单集中起来以减少换线次数。排完之后，还需要回答两个问题：哪些订单会错过交期，以及某张订单到底为什么晚。

交付风险智能体每天检查一遍计划。比如，在例行检查中发现 17 个延期订单，瓶颈集中在 2 号线双色印刷（负荷 92.6%）和 9 号线八色印刷（负荷 90.2%），最严重的两张加急订单各晚 15 天。智能体追到瓶颈之后，再试算补救方案，加急、加班、全面重排，或者和客户商定新交期。它推荐的方案是「加急三个仍延期的订单 + 2 号线加班 20% + 全部重排」，这个方案让延期从 17 个降到 4 个。

「为什么」这一问交给计划诊断智能体。例如问智能体：SO-2610-0030 为什么会延期？

它的回答是：订单交期是 11 月 6 日，但计划完工排到了 11 月 14 日，延误 8 天。延误的直接原因是第二道印刷卡在 9 号线，这条八色印刷线利用率 95.9%，从今天起连排 24 个满班，这道印刷任务只能排到 11 月 14 日。还有两个加重因素：上一张制造订单的印刷道少产 2,800 张，结转成一张补做的订单占着产能；原板库存不足，改用下层物料，多出两道涂布。

这个答案不是大模型想出来的。它沿着订单、物料、工序一路调用工具，追到跑这些工序的产线，把追溯链摆出来，指出现象，找到直接原因和根本约束。推理过程记录了每次调用和看到的每个数，计划员可以逐条核对。

三、异常响应：出事之后，先拿出几个方案，再把取舍摆在一起比

计划里最难的时刻是停机。例如，假设 8 号线，也就是两台八色印刷机之一，主驱动电机出现故障，设备部门预计修 48 小时。这条线上排队的 4 道印刷工序被释放出来，异常响应智能体立刻开始工作。

它先找方案。读取事件，检查每条能接手的产线负荷，然后在计划副本上把三条路各试算一遍：马上重排，把释放的工序挪到其他产线；在最忙但还消化得了的 9 号线加班 20% 之后重排；或者保持计划，等设备修好。

然后智能体比较这三个方案。对比表里每个数字都来自一次完整的排程计算，不是估算：

方案	延期订单	救回	挪动工序	未排入工序	加班产线
A 立即重排（推荐）	19	2	3	2	0
B 9 号线加班 20% 后重排	18	3	3	2	1
C 先不重排，等恢复	21	0	0	0	0

有了比较，取舍一眼就看得清楚：B 比 A 多救回一张订单，代价是一条产线加班；C 什么都不动，21 个延期订单原样留着。它还把容易漏的两件事写了出来：即使重排，8 号线的负荷也没法被其他产线完全吸收，仍有 2 道工序排不进日期；眼下 21 个延期订单里，17 个在事件之前就已经延期，只有 4 个是这次停机造成的。