业务痛点
拉链厂的排产员通常是最忙也最容易被误解的岗位。销售催交期，车间抱怨换色太频繁，采购说原料没到齐，而排产员手里只有一张 Excel 甘特图和多年积累的直觉。
- 约束太多。染色缸容量、缸号合并规则、注塑机模具数量、电镀线节拍、装配线人员配置，任何一项变化都会推翻整张计划。
- 换色损失被低估。深色转浅色需要清洗缸体，频繁换色让有效产能大幅缩水，但这项损失很少被量化。
- 急单破坏节奏。服装厂补单往往要求三到五天交付，插单后原计划全线顺延，交期违约像多米诺骨牌。
人工排产的真正问题不是排产员不聪明，而是人脑无法同时权衡几十个约束和上百个工单。把排产问题显式建模，让算法给出可行解，再由人做取舍，才是可持续的路径。
技术方案
排产系统的核心是"约束模型 + 优化目标 + 交互调整"三件套。约束模型描述现实规则，优化目标决定计划偏好，交互调整保证排产员仍然掌握控制权。
| 要素 | 内容 | 拉链场景示例 |
|---|---|---|
| 资源 | 设备、模具、缸体、人员 | 染色缸按容量分档，注塑机按吨位与模具匹配 |
| 约束 | 工艺路线、换型时间、班次 | 深色转浅色需额外清洗时间，电镀线不能停线 |
| 目标 | 交期、换型、在制、利用率 | 优先保交期，其次减少换色次数 |
| 扰动 | 急单、缺料、设备故障 | 插单时只重排受影响工序，保持其余稳定 |
算法层面，不必一上来就追求全局最优。可先用启发式规则快速生成初始解，例如按交期先后排序、同色同规格合并、瓶颈工序优先排满；再用局部搜索在初始解附近优化换型次数与延期天数。这样既保证响应速度，又比纯人工更稳定。
- 分层排产：先做月度产能平衡，再做周计划，最后做日排程，每层时间粒度不同。
- 冻结区机制：未来二十四小时内的计划锁定，减少车间反复调整。
- 可视化甘特：支持拖拽调整并实时提示对交期与换型的影响。
实施步骤
- 数据基线：统计各工序标准工时、换型时间、设备可用率与历史延期原因，形成可信的参数表。
- 规则梳理：与排产员逐条确认优先级规则，把"凭经验"的判断转成可配置的权重。
- 单工序试点：先在染色或注塑一个瓶颈工序做排程，验证算法结果是否优于人工。
- 全流程贯通：把前后工序串起来，处理工序间的在制缓冲与节拍匹配。
- 人机协同：保留人工调整入口，记录每次调整原因，用于反向优化规则。
- 指标固化：以按期完工率、平均换型次数、在制品数量三项指标评估效果，按周复盘。
投入与收益
排产优化的投入主要是软件与实施，硬件要求不高。收益来自三个方向：换型次数下降带来的有效产能释放、交期履约率提升带来的客户信任、在制品下降带来的资金占用减少。
| 指标 | 改善方向 | 说明 |
|---|---|---|
| 换色换模次数 | 下降 | 同色同规格合并，减少清洗与调机 |
| 按期完工率 | 提升 | 急单插入后自动重排受影响工序 |
| 在制品 | 下降 | 减少工序间盲目备货 |
| 排产耗时 | 缩短 | 由数小时缩短到分钟级生成初稿 |
需要提醒的是，排产算法的效果高度依赖基础数据质量。如果标准工时和换型时间本身就是拍脑袋填的，算法只会把错误放大。东龙拉链的经验是先花两个月把工时与换型数据测准，再谈智能调度。
风险与误区
- 误区一：期待算法全自动。现实中总有原料延误与设备异常，排产系统应做"建议者"而非"独裁者"。
- 误区二：目标函数设得过多。交期、成本、利用率同时最优往往不存在，必须明确优先级。
- 风险：忽略车间执行能力。计划再优，若班组无法按节拍执行，仍会退回人工协调。
- 风险：急单没有规则。应事先约定急单的审批层级与可挤占的资源范围，避免销售随意插单。
排产的终极目标不是消灭人工，而是把人的判断从"算数"升级为"决策"。当排产员从重复劳动中解放出来，才有精力去处理真正需要经验判断的异常。