制造业AI排产：订单、物料或设备变化时，生产计划如何判断和调整？

在制造企业的生产排产中，订单、物料和现场条件都可能发生变化。面对这些变化，计划人员需要重新判断原有安排能否继续执行，再确定哪些任务需要调整，并评估对其他订单交付的影响。

这些判断需要同时参考ERP、MES、WMS、QMS中的订单、库存、生产和质量信息。即使系统已经打通，计划人员仍要逐项确认数据对应哪些任务、任务适用哪些规则，以及变化会影响哪些订单。

看得到数据，只是AI参与排产的开始；看懂数据背后的任务关系和业务规则，才能判断变化影响，并为计划调整提供建议。

同一项排产任务，在不同系统中看到的信息并不相同。

生产信息分散在不同系统中，需要把订单与对应的物料、工单、工序、设备和质量状态关联起来，才能看清一项排产任务的实际情况。

比如，WMS显示物料有库存，但这批物料是否被占用、质量是否合格、数量是否充足，都会影响当前工单的安排。

系统打通解决的是信息获取问题，而排产需要的是看清数据与具体任务的关系。

新增订单进入现有计划，需要重新核对原有的生产安排。具体如何调整，可以从三个方面判断：

物料准备：核对物料到货、备料齐套和质检结果，确认工单能否开工。

产能安排：结合设备空档、工序衔接和换型时间，确定新增订单如何排产。

交付影响：评估工单调整对其他订单的影响，明确交期变化和确认责任。

AI要参与这些判断，需要理解三类业务上下文：

业务对象：明确订单、物料和工单之间的关联关系。

企业规则：掌握订单优先级、工序衔接要求和可调整范围。

计划基准：对照调整前的生产安排，识别受影响的任务和交期。

缺少其中任何一类，AI给出的排产建议都难以匹配实际生产条件。

来料异常同样会影响现有生产计划。QMS记录的是检验结果和处置意见，仅凭这些信息，计划人员还难以判断关联的工单和订单。

判断和处理来料异常时，可参考以下环节：

记录异常：在QMS中确认检验结果和处置意见。

核对物料：通过WMS查看库存位置、数量和领用状态。

关联工单：在MES中查找相关工单、工序和在制任务。

追溯订单：通过ERP核对关联订单和交付时间。

评估影响：根据物料状态判断原有计划受到的影响。

确认方案：由责任岗位决定是否调整及具体处理方式。

跟进结果：落实处理方案，并保留调整和处置记录。

异常物料尚未投入生产，处理范围主要集中在库存隔离和补料；进入生产环节后，则进一步扩展到工单、设备排期和订单交付。设备故障或工序变化，同样会影响关联工单和后续生产安排。

AI适合在这个环节辅助汇总信息、关联任务、分析影响并提示风险。具体调整方案仍由责任岗位结合现场情况确认。

计划调整完成，并不意味着这项工作已经结束。订单出现延期后，企业需要查清：延期由哪些变化造成，又是怎样一步步形成的？

ERP能显示订单是否延期，但交付结果无法说明计划如何变化、哪些任务受到影响。缺少过程记录，复盘只能逐个向相关岗位核实。

订单延期可能源于物料晚到、设备异常，也可能是多次计划调整累积的结果。最终排产表只能呈现当前安排，无法说明延期是怎样形成的。

复盘订单延期时，可从以下几类过程信息入手：

触发原因：记录引起计划变化的具体情况。

计划变化：对照调整前后的生产安排。

影响范围：明确受到影响的工单和订单。

责任确认：保留相关岗位的判断依据和确认结果。

结合这些过程记录，AI可以梳理计划变化、辅助定位延期原因，为后续排产调整提供依据。

新增订单、来料异常和延期复盘有一个共同点：都需要持续记录任务变化前后的关系，并保留人工判断和责任确认。仅靠调取不同系统的数据，难以支撑完整的处理过程。

ERP、MES、WMS、QMS分别承载不同环节的业务信息。流程围绕具体排产任务，将这些数据与规则、岗位和判断节点关联起来，形成排产判断所需的业务上下文。

AidaPoint是数启智星推出的企业级AI流程智能平台。在生产排产场景中，通过以下四项能力组织业务信息、跟踪任务变化，并辅助相关岗位作出判断：

智能流程搭建：明确每项任务所需的数据、规则和责任岗位。

全链路流程地图：呈现任务关联，帮助计划人员看清影响范围。

AI流程智能诊断：辅助识别异常与风险，为后续复盘保留记录。

AI辅助决策：提供调整建议，最终方案由人工确认。

这四项能力要解决的，不是替计划人员做决定，而是让数据回到具体任务，让建议能够说明依据、过程和责任边界。

企业启动智能排产试点时，不必一开始覆盖所有订单和异常。更稳妥的做法，是先选择发生频率高、规则清晰、结果便于验证的场景。例如，评估新增订单能否纳入现有计划，或分析来料异常会影响哪些任务。

试点启动前，可参考以下八项内容：

触发场景。明确需要评估的变化和调整条件。

数据范围。核对关联系统、数据字段和更新时效。

对象关系。理清订单、物料、工单、工序和设备的对应关系。

排产规则。确认优先级、工序衔接、换型条件和调整范围。

岗位责任。明确影响复核、方案确认和执行跟进的责任岗位。

AI工作边界。确定信息汇总、异常识别、影响分析和方案建议的范围。

人工确认节点。标明确认环节，保留调整原因和处理记录。

验证指标。核对基准数据、响应时间、调整耗时和准时交付率。

判断试点效果，关键不是预设提升多少，而是对比企业自己的业务数据。用同一统计口径比较试点前后的异常响应时间、计划调整耗时和订单准时交付率，才能看清哪些指标发生了变化。

完成一个场景的试点验证后，企业可结合实际情况，逐步扩展到设备异常、工序变化和更多订单类型。不同场景的试点情况，也有助于发现数据、规则和流程中的问题，并检验AI建议是否符合现场条件。

如果企业正在评估AI在生产排产中的应用，可以从上述八项内容入手，梳理一个具体场景。对于跨系统查找信息、排产规则难以融入实际流程等问题，也可以进一步了解AidaPoint的产品能力与制造业应用场景。