★ 和利时集团中央研究院  智艳利

★ 北京和利时优化技术有限公司 李勇

★ 和利时集团中央研究院  胡鹏飞

1   引言：智能制造浪潮下，企业排程管理的痛点与破局需求

在当前智能制造飞速发展的时代，生产计划作为企业生产运营的核心环节，直接影响着生产效率、成本控制与客户满意度。然而，无论是流程行业还是离散行业，企业都面临着复杂的内外部供应链系统优化和工厂计划调度管理方面诸多棘手问题。

流程行业（如食品、化工）生产流程连续且复杂，物料依赖关系紧密， 一旦某个环节出现排程偏差，很可能引发连锁反应，导致生产停滞或产品质量问题。同时，流程行业对设备利用率要求极高，如何在保证生产稳定性的前提下，最大化设备产能，成为企业的一大难题。

离散行业（如汽车零部件、电子）则具有多品种、小批量的生产特点，订单变更频繁，生产工艺路线灵活多变。传统的人工排程方式不仅效率低下，而且难以应对动态变化的生产需求，常常出现订单交付延迟、在制品库存积压等情况。

无论是流程行业的“连续生产+批次管控”需求，还是离散行业的“多品种小批量 + 订单动态变更”特点，企业在排程管理方面都面临着诸多棘手问题：流程行业因物料衔接断层导致生产停滞，离散行业因订单插单频繁造成交付延迟，跨行业共性痛点则集中在“以冗余库存应对供应链不畅导致成本增加”“动态异动响应滞后”“多约束下难寻最优解”三大方面。

从行业主要APS产品及系统的应用现状来看，当前市场主要分为国际品牌与本土解决方案两大阵营，但均存在一定局限性，难以完全匹配企业复杂需求：

国际APS产品： 基于全球最佳实践的“标准”流程，但本土化与灵活性不足，国内很多企业的管理流程具有中国特色，系统难以适应；数据融合门槛高，国内企业车间数据采集（MES）基础可能较弱， 而国际APS假设数据基础很好，导致“巧妇难为无米之炊”。

国内APS产品：在“本地化服务”“操作易用性”“成本控制”方面表现亮眼，例如支持中文界面，且实施周期相对缩短。但多数本土产品存在技术层面的短板，算法能力参差不齐，算法引擎的优化能力和处理复杂约束的能力可能较弱，容易陷入“局部最优”而非“全局最优”， 另外， 多数APS系统为“封闭式系统”， 功能边界受限， 无法满足企业数字化转型中的“个性化拓展”需求。

正是由于国际品牌“水土不服”、本土产品“技术不深”的市场现状，企业亟需一套兼具“数据融合能力强、行业适配灵活、动态响应迅速、智能决策精准”的APS解决方案。而和利时XMagital智能排程系统（HolliAPS+）的出现，恰好填补了这一缺口，依托XMagital平台“原生融合、开放生态、全面智能”的核心优势，结合基于NP（Nested Partitions Theory）嵌套分割理论的先进算法，既能解决国际品牌的数据融合与动态响应痛点，又能弥补本土产品的技术深度与生态开放性不足，为流程与离散行业企业提供“定制化、高效率、低成本”的智能排程解决方案。

2   和利时智能排程系统：系统特点与平台支撑

2.1   HolliAPS+系统的核心特点

作为连接企业生产计划与执行的核心枢纽， HolliAPS+系统并非传统排程工具的升级，而是具备“核心算法理论、动态关键路径、多层级元模型架构”等关键技术，支撑“动态适配、精准约束、全局优化”三大核心特性的智能决策系统，可针对性解决流程与离散行业的排程痛点：

（1）基于NP嵌套分割理论的APS技术内核强化：支撑“快速、最优”排程

HolliAPS+的核心技术支撑源于NP（Nested Partitions Theory）嵌套分割理论。该理论并非单纯的“优化算法”，而是针对APS“多约束、多目标、动态变化”的需求，提供 “高效搜索+全局最优”的技术支撑。

生产排程是典型的“NP难问题”（约束越多、变量越多，计算复杂度呈指数级增长），传统算法常因“ 一次性处理所有约束”导致计算缓慢或陷入局部最优。NP嵌套分割理论通过“全局-局部-全局”的分层分解逻辑，将复杂排程问题拆解为“嵌套的子问题”：

· 第一步：全局分割（Global Partition）：将整个排程问题（如“10台设备、50个订单、20类约束”）分解为多个“子问题”（如按设备分组，拆分“设备A的10个订单排程”“设备B的8个订单排程”等）；

· 第二步：局部优化（Local Optimization）：对每个子问题进行独立优化，重点处理该子问题的核心约束（如设备A的子问题重点考虑“设备维护时间”约束，设备B的子问题重点考虑“物料供应”约束）；

· 第三步：嵌套迭代（Nested Iteration）：将各子问题的优化结果整合，检查是否存在全局冲突（如“设备A的排程导致物料短缺，影响设备B的生产”），若有冲突则重新分割子问题并优化，直至得到全局最优解。

相比传统的排程算法， 基于NP嵌套分割理论的APS具有显著优势。 一方面，它大大缩短了排程计算时间，能够在短时间内快速响应订单变化与生产异常，及时调整排程方案；另一方面，它提高了排程方案的最优性，能够在满足各类约束条件的前提下，最大限度地提高设备利用率、减少生产周期、降低生产成本，为企业创造更高的经济效益。

（2）动态自适应排程：实时响应生产异动

传统算法的“搜索空间固定”，当生产场景变化（如新增订单、设备故障）时，需重新遍历全部搜索空间，计算耗时久。 NP嵌套分割理论具备“动态搜索空间调整”能力：

· 当出现局部异动（如某设备故障）时，系统仅将“受影响的子问题”（如依赖该设备的订单排程）纳入新的搜索空间，其他子问题的优化结果保持不变；

· 通过“精英区域保留”机制，将历史优化中的“优质子问题解”（如某设备的最优排程顺序）保留，避免重复计算。

这种特性使APS在应对动态变化时，计算时间缩短60%以上，例如某食品生产工厂出现“饼干烤炉故障”，APS仅需重新计算“依赖该烤炉的5个订单”，而非全部50个订单，3分钟内即可生成新方案，远快于传统APS的30分钟。

使HolliAPS+具备“实时感知-快速重算-自动同步”的闭环能力：通过与生产现场实时数据（如MES的设备状态、物料扫码信息）联动，可在分钟级时间内完成数千个订单、数十台设备的排程重算；同时支持“增量排程”，仅对受影响的生产环节进行局部优化，无需全流程重新计算，大幅提升响应效率。

（3）多维度约束精准处理+动态关键路径：覆盖全生产要素且响应快

APS 的核 心 价 值在 于“ 在复 杂 约 束下 找 到 最优解”， HolliAPS+可实现8大类、50+细项约束的精准建模与动态匹配：

· 设备约束：含设备产能、维护计划（如设备需每周固定时间停产清洁）、工艺兼容性、能耗上限（流程行业高耗能设备的错峰生产约束）；

· 物料约束：原材料到货周期、库存上下限、物料批次追溯（食品行业的“先进先出”与质量溯源要求）；

· 工艺约束：流程行业的“批次连续性”（如化工行业反应釜的批次衔接不能中断）、离散行业的“工艺路线柔性”（如同一产品可通过A/B两条生产线生产，系统自动选择负载低的路线）；

· 订单约束：交付期优先级（紧急订单自动提升权重）、最小批量、定制化要求（如某客户要求印字，需预留印刷工序时间）。

系统通过约束优先级排序算法，在冲突时自动权衡，给出最优建议。

引入DMCT（动态制造关键路径时间）技术， DMCT是HolliAPS+在传统的MCT技术上的一种创新应用。DMCT可以在复杂的制造过程中，在MCT随时可能变动的情况下实时定位影响订单交期的关键路径，去分析问题、解决问题，将资源集中于核心环节，好钢用在刀刃上。

（4）多层级元模型架构：覆盖全业务链路

“总-分”式元模型体系：以“元模型”为核心框架，整合企业全业务流程的单一模型，既包含核心业务模型（主计划、工厂、产线模型），也覆盖细分业态模型（大包装、小包装等专项模型），还能下沉至“产线/班组”层级，实现“集团-工厂-车间-产线”全链路适配。

单一模型精准聚焦： 每个子模型均有明确优化目标，如产线模型聚焦设备效率， 主计划模型聚焦交期达成， 每个独立的模型均需配置对应的算法， 且受上下游动态约束（如原料质量、维修计划），通过“动态关键路径传递约束”，平衡“客户交期”与“成本/利润”目标。

（5）多目标优化决策：平衡企业核心诉求

和利时HolliAPS+支持多目标加权优化，可根据企业战略动态调整目标权重：

· 效率目标：设备利用率提升、资源利用率提升，生产周期缩短， 如饼干生产线从48小时/批次缩短至40小时/批次；

· 成本目标：能耗降低（流程行业重点）、在制品库存减少（离散行业重点）、换产成本减少等；

· 服务目标：订单交付准时率、紧急订单响应速度等。

系统通过“目标函数建模-多场景模拟-最优方案推荐”流程， 为管理者提供可视化的方案对比（如“方案A交付准时率98%但能耗高3%，方案B交付准时率96%但能耗低5%”），辅助决策。

2.2   XMagital平台对APS系统的全方位支撑：从“基础保障”到“能力升级”

XMagital平台的“原生融合、开放生态、全面智能”三大特点，并非泛化的平台优势，而是针对APS系统的核心需求提供高适配性支撑，形成“平台能力-APS需求”的精准匹配：

（1）原生融合：构建APS的“实时数据底座”，解决“数据断流”痛点APS的精准排程依赖“全链路数据实时、准确”，传统系统需通过接口对接ERP、MES、设备管理系统，常出现“数据延迟（如MES生产进度滞后数小时传入APS）”“数据不一致（如ERP订单数量与实际生产需求不符）”问题，导致排程方案与实际脱节。

XMagital平台的“原生融合”为APS提供数据保障：

· 架构级深度集成：并非“接口对接”，而是将订单数据、生产执行数据、设备管理系统（设备状态/维护数据）、物料库存数据的核心数据模型与APS数据模型原生打通，实现“数据同源、实时同步”；

· 数据穿透查询：支持从APS排程方案反向穿透至排程基于的原始生产相关数据，如计划员查看“某订单排程在设备A”时，可直接点击查看该设备的“当前维护计划”（来自设备管理系统）、“所需物料库存” （来自WMS），无需切换系统，提升排程决策效率。

（2）开放生态：拓展APS的“场景适配能力”，解决“行业适配难”痛点

不同行业（流程/离散）、同一行业不同企业的排程需求差异极大（如流程行业的“批次管理”vs离散行业的“多品种小批量”），传统APS常需大量定制开发才能适配，成本高、周期长。

XMagital平台的“开放生态”通过三大能力支撑APS的场景适配：

· 行业定制化模块库：平台支持“流程行业APS模块库”与“离散行业APS模块库”沉淀，包括批次追溯、能耗优化、连续生产衔接、换产优化、多生产线协同等，可根据企业按需勾选启用；

· 第三方算法与硬件适配：平台支持接入第三方排程算法插件、硬件设备（如智能传感器采集的实时能耗数据），拓展APS的能力边界。例如某化工企业（流程行业）通过平台接入第三方“能耗优化算法”， APS可在排程时同步优化“高耗能设备的运行时段”，实现“生产排程+能耗成本”双优化；

· 二次开发接口：提供低代码开发平台，企业IT团队可通过可视化拖拽方式，快速定制“个性化排程规则”（如某企业要求“每月最后一周优先生产库存低的产品”），无需修改APS核心代码，缩短定制周期。

（3）全面智能：升级APS的“算法与决策能力”，解决“排程不优、决策难”痛点

APS的核心是算法能力，传统APS依赖固定算法，难以应对“生产场景动态变化”（如订单结构调整、设备新增），且无法提供“决策建议”。 XMagital平台的“全面智能”支撑从“算法优化”“预测辅助”“决策支持”三方面升级APS能力：

· AI驱动的算法自优化：平台内置机器学习引擎，可基于历史排程数据自主学习“最优排程规则”，如“过去1年的排程方案-实际执行效果”，优化NP嵌套分割算法的参数（如“设备负载权重”“订单优先级系数”）；

· 生产需求预测辅助：平台基于AI预测模型，分析历史订单数据、市场需求趋势（如食品行业的“春节前需求增长30%”），为APS提供“预测性排程建议”。例如某食品生产工厂在春节前 1个月，平台预测“巧克力订单将增长25%”，可触发APS调整排程方案，预留设备产能与物料库存，避免订单激增导致的交付延迟；

· 智能决策支持：平台通过“数字孪生”技术，模拟不同排程方案的执行效果（如“方案A：交付准时率98%，成本增加2%；方案B：交付准时率96%，成本降低3%”），并结合企业战略目标（如“近期以客户满意度为核心”）推荐最优方案。同时，针对异常情况（如“设备故障导致排程延误2小时”），系统自动生成3~5个解决方案，并标注各方案的“延误时间、成本增加、资源消耗”，辅助管理者快速决策。

3   典型应用案例：助力某食品工厂实现智能排程升级

3.1   某食品工厂排程痛点

该食品工厂作为全球知名的食品生产企业，随着市场需求的不断变化，工厂面临着日益严峻的排程挑战。

一方面，食品行业对生产工艺与质量要求极高，生产过程中涉及多种原材料的精准配比与复杂的加工工序，任何排程失误都可能影响产品质量；另一方面，工厂产品种类繁多，订单批量大小不一，且订单交付周期越来越短，传统的人工排程方式已难以满足快速变化的生产需求。更加苛刻的环境是， 工厂产品的生产从原料投入到装箱入库是全自动流水线作业， 没有任何缓冲环节， 因此排程指令没有任何容错空间。同时， 工厂设备数量众多， 不同设备的产能与维护需求存在差异，如何合理安排设备生产任务，提高设备利用率， 也是工厂亟待解决的问题。

3.2   HolliAPS+智能排程系统实施方案

针对该食品工厂的排程痛点 ， 和利时基于HolliAPS+产品为其量身定制了智能排程解决方案， 具体实施方案如下：

（1）系统对接与数据整合：首先，实现智能排程系统与该工厂现有ERP系统、MES系统、设备管理系统的无缝对接， 完成生产订单数据、物料库存数据、设备运行数据、生产工艺数据等各类数据的整合与同步， 确保系统能够实时获取全面、准确的生产数据。

（2）排程参数配置与规则设定：根据该工厂的生产工艺特点、设备产能状况、订单交付要求等实际情况，在XMagital平台中进行详细的排程参数配置，如设备生产效率、物料供应周期、订单优先级权重等。同时， 设定各类排程约束规则，如设备维护时间约束、原材料库存下限约束、产品生产顺序约束等， 确保排程方案的可行性与合理性。

（3） 基于NP理论的智能排程计算与方案生成：系统运用基于NP嵌套分割理论的APS算法， 结合整合后的生产数据与设定的排程参数、约束规则，进行快速的智能排程计算。在计算过程中， 系统不断优化排程方案， 充分考虑设备利用率最大化、生产周期最短化、订单交付准时化等多项目标，最终生成最优的生产排程方案， 并以直观的甘特图等形式呈现给工厂生产管理人员。

（4）排程方案的动态调整：在生产过程中，若出现订单变更、设备故障、原材料短缺等异常情况，通过平台可及时触发排程方案的动态调整。系统将根据最新的生产状况， 重新进行排程计算， 快速生成调整后的排程方案，确保生产过程的连续性与稳定性。

3.3   项目实施成效

通过和利时智能排程系统的应用， 该食品工厂在生产运营管理方面取得了显著成效：

（1）生产效率大幅提升：智能排程系统优化了设备生产任务的分配，减少产品换型次数与设备空闲时间，在人工经验优化排产的极限状态让整体设备效率（OEE）再提高3%。同时， 合理的生产顺序安排缩短了产品生产周期，使工厂的整体生产效率提升了5%以上。

（2）订单交付准时率显著提高：系统能够根据订单交付期限精准制定排程方案，并在面对订单变更等异常情况时快速调整，确保了订单能够按时交付。实施后，工厂订单交付准时率达到98%以上，有效提升了客户满意度。

（3）生产成本有效降低：  一方面，设备利用率的提高与生产周期的缩短降低了设备折旧成本与能源消耗；另一方面，不同产品在不同设备的加工成本不同，通过排产的成本优化策略，降低了库存成本。据统计，项目实施后，工厂的生产成本同比降低了3%~5%。

4   结语：和利时智能排程系统，赋能企业智能制造升级

在智能制造的大趋势下，生产排程的智能化、高效化已成为企业提升核心竞争力的关键。和利时XMagital智能排程系统凭借其原生融合、开放生态、全面智能的平台特点，以及基于NP嵌套分割理论的先进技术支撑，为流程行业与离散行业的企业提供了优质的排程解决方案。

从上述食品工厂的成功案例可以看出，和利时智能排程系统不仅能够有效解决企业在排程管理方面的痛点问题，还能帮助企业实现生产效率提升、成本降低、订单交付准时率提高等多重目标，为企业的数字化转型与智能制造升级注入强大动力。

未来，和利时将继续秉持技术创新的理念，不断优化XMagital平台的功能与性能，拓展智能排程系统的应用领域，为更多行业的企业提供更加先进、更加贴合实际需求的智能制造解决方案，与企业携手共进，共创智能制造的美好未来。

摘自《自动化博览》2026年4月刊