- 综合排序
- 最热优先
- 最新优先
两小时搭建自动排产系统，效率提 40%
没想到只用了两个小时，就把一套自动排产系统跑起来了。效果很明显：效率提升 40%，计划有章可循，设备利用率更均衡，车间的执行也稳定了。接下来和大家详细拆解一下。一、为什么生产排程总是乱？ 要解决排程混乱的问题，可以从这三个核心模块出发设计：订单优先级设置模块、设备负荷监控模块、自动排程计算模块。 1. 订单优先级设置模块排程混乱，往往从“先做哪个订单”开始。 排产的时候就可以合理调整，避免有的机器爆满、有的机器空闲。3. 自动排程计算模块最后一步，也是最核心的一步，就是自动排程计算。系统根据订单的优先级和设备的负荷情况，自动生成最优的排程方案。 五、我的心得这次搭建最大的感受是：排产其实不需要很复杂的算法，关键是把几个核心点抓住。优先级解决了“做哪个”的问题；设备负荷解决了“能不能做”的问题；自动计算解决了“怎么做”的问题。 把这三点串起来，就能形成一个高效、可执行的排产系统。另外，别想着一步到位。
1K10编辑于 2025-10-10- 来自专栏数据魔术师
APS智能排产+运筹优化算法=？
、控制和调整，当外部条件发生变化时，它就能自动运算、滚动排产，并输出结果以指导生产。 下料工序的生产计划是二维排样与排产优化综合问题，不仅仅根据物料的形状进行排样，同时也要考虑料号的生产计划或者交货期，因此排样+排产同时考虑。 APS智能排产系统整合国内顶尖的排样引擎，实现二维排样与排产计划联动。 ? 图 二维排样算法展示 （七）三维装箱优化算法 箱柜装载问题(three-dimensional bin packing problem，简称3D-BPP)：给定一些不同类型的方型箱子和一些规格统一的方型容器 图 路径规划求解器 APS智能排产系统集成国内自主研发的顶尖的车辆路径规划引擎，实现三维装箱、路径规划与排产计划联动，并在行业领先企业得到应用。 ? 图 APS排产系统甘特图展示路径优化结果
6K46发布于 2021-03-16 SpreadJS生产计划排产应用价值
排产表看似还在使用，实际上已经成为计划协同的瓶颈。图1生产计划排产从数据输入到执行反馈的协同闭环为什么电子表格适合承载排产排产本身就是一种二维或多维计划。 因此，排产数字化不一定要从一套复杂系统开始。企业可以先把现有排产表搬到业务系统中，再逐步增加数据联动、规则校验、协同审批和异常提醒。 SpreadJS为排产带来的核心价值图2SpreadJS作为排产交互层连接业务数据与计划服务业务价值SpreadJS的支撑方式计划员看得懂提供接近Excel的表格交互，适合按产品、工单、设备和日期组织排产 能力可演进从一张排产表逐步扩展到协同计划、异常闭环和供应链可视化。保留熟悉的排产体验计划员不需要从零学习一套完全不同的操作方式。 客户交流时可以追问的六个问题现在的排产表由谁维护？每天需要花多长时间整理数据？插入急单后，哪些订单、设备和物料会受到影响？计划员调整数量或日期后，库存和交期是否会自动重算？
13510编辑于 2026-10-09工厂生产排产为何总失控？ERP系统如何实现精准计划排程？
3.工序流转依赖纸质单据工序进度靠人工汇报，数据滞后且易出错，计划员无法及时调整后续排产。4.排产规则不透明老师傅凭经验排产，换人后生产节奏混乱，难以沉淀标准化排产知识。 ，自动计算关键工作中心的负荷，识别瓶颈工序。 2.物料需求计划（MRP）联动排产排产前系统自动展开BOM，计算物料净需求，并与采购在途、库存现有量比对，生成缺料预警。排产时只安排物料齐套的工单，从源头减少停工待料。 3.有限产能排程（FCS）优化工序顺序针对复杂工艺路线，ERP可设定设备产能、模具数量、人员班次等约束，采用正排、倒排或混合排程策略，自动生成工序级作业计划，减少设备空闲和等待时间。 4.培养复合型计划人才计划员既要懂生产流程，也要理解系统逻辑，能解读排产结果并做出合理调整，而非完全依赖系统自动输出。
23310编辑于 2026-09-06- 来自专栏APS-高级计划与排程
多工序、多机台(产线)环境下的排程要点
单一工序，多资源种类 单一工序 ，多种类资源情况，仅对产品的一个工序进行排产，仅可用于这个工序的资源是多种多样的，并且各种资源之间可以互换的。此类计划主要是为了实现资源的优化分配。 多工序，多资源种类 多个工序，多资源种类的和产计划，也是目前最为常见，也是最为复杂的生产计划，是本文讨论的重点。多工序与前一个问题一样，是针对整个产品的工序路线进行排产。 那么当同时对多个产品进行排产时，各个产品的工序路线形成的工序生产序列和资源分配方案，很容易就形成了胶着状态，甚至在多个资源之间会出现死锁状态。 排程过程中产生的死循环 例如下图：红框的任务Task1, Task2, Task3表示了一个产品的工序路线上的3个工序对应的任务，即表示这三个任务形成了工序路线任务链，它们分别分布于machine1 小结 自此，本文描述了基于Optaplanner设计APS排产引擎时，遇到比较棘手的问题。
3.4K92发布于 2019-09-06 一文讲透企业精细排产的底层逻辑！
说白了，排产排的不是“人看着顺”的计划，而是“真正能落地”的生产节奏。举个例子：你有3张订单，客户A交期近，但还缺个关键原材料；客户B的单可以整批走；客户C单品种复杂，换线成本高。你是先干哪个？ 很多企业一看排产出问题，就想着上APS系统、高级排产插件、自动调度工具。系统确实重要，但别急！系统只是一种工具，逻辑才是根本。没有搞清楚排产的底层逻辑，上再先进的系统，也是“垃圾进，垃圾出”。 3. 设备排得满 ≠ 产能用得好排满了但频繁换模、调试、切换品种，不如合理集中、批量生产效率高。4. 3. 排产流程标准化，别再“临时抱佛脚”很多厂排产都是：业务催了，计划员打开Excel随手一排，现场跑不动了，再回来改。这种事后补救的方式，只会越来越乱。正确做法是：建立一套固定节奏的滚动排产流程。 排产前先让采购确认关键物料到位时间；计划排出来后，仓库预分物料、锁定库存；现场异常（比如设备故障、缺人），及时反馈计划员动态调整；车间干完每道工序，有MES或者反馈机制“自动回传”。
74600编辑于 2025-07-22周更内容怎么排产：把流程写成状态机
周更排产的关键不是“某一天做完所有事”，而是让每条内容始终处于明确状态。可以把流程定义为：选题→已列大纲→已生成初稿→已人工改写→已排版→已排期→已发布→已归档。 选题表至少包含来源、原始问题、热度、状态、负责人和截止日期；没有状态字段的选题表只是灵感清单，无法支持排产。 不允许从 {current} 直接转到 {target}") task["status"] = target return task第三步：把分发和复盘也流程化这段状态机保证未改写的初稿不能被排期 排期工具不需要一开始就很复杂。最小可用组合是：一张选题表、一个状态字段、一个截止时间字段、一个复盘字段。等这四个字段连续跑通，再考虑接入自动发布或矩阵管理系统。 小结： 周更排产的核心是状态机，而不是某一天集中赶工。每条内容都必须有明确状态、负责人、截止日期和复盘字段；状态不允许跳转，流程才有可能稳定复用。
9810编辑于 2026-10-16一文讲清智能排产系统搭建全攻略
本文将聚焦智能排产系统的落地路径：先阐释其“整合订单、工艺、资源等要素，实现自动化排产方案生成”的核心功能，再从基础数据搭建、智能排产工作台配置、生产报工闭环、经营看板分析四大模块，详解系统搭建的关键逻辑与实施步骤 它不只是帮你列个顺序，而是把订单、工艺、设备、人、料、工具这些生产要素拉通，通过系统算法自动计算出一套资源可用、顺序合理、能顺利执行的排产方案。 它主要解决以下问题：插单打乱排程，通过多方案排产与快速重排，提升计划稳定性和应变能力；资源冲突频发，系统自动检测设备、人力、模具、原材料等资源的可用性，避免“排上了但干不了”的情况；计划执行不可控，通过工序级报工反馈 ，实时掌握进度，及时识别偏差；库存与排产脱节，自动输出原材料和工装需求，提前校验是否齐套，减少“排了也干不了”的浪费；计划缺乏协同，通过引擎统一调度，实现订单、工艺、资源在一个逻辑闭环内自动联动，打破部门墙 3.给谁用？只要你的工厂存在“计划复杂、资源有限、执行偏差”的问题，这套系统就适用。
1.6K10编辑于 2025-07-09- 来自专栏云蛛系统
云蛛系统AutoBI-anything的Mes套件-APS排产执行引擎
下面，我们就针对重头APS的业务逻辑，给您详细的阐述一下：时间触发在订单页面点击排产的时候，会产生排产数据，排产数据完成后，会生成工单数据并根据排产数据的最小时间确定工单的启动时间。 设备，会将所有排产数据导入执行序列中，作为执行数据执行。班组，将该班组所属工序的排产数据，汇总为一条数据，作为执行数据。 对于设备来说，如果排产数据不足的话，会自动补数据，但是这种情况，或多或少，会出现生产小误差，所以尽量需要在排产的时候，尽量估算准确。工序延迟工序中存在设备或者班组处于别的工单生产中，此工序延迟。
35910编辑于 2025-12-29 机械加工行业APS系统应用解析：用智能排产破解生产难题
很多传统机加工企业都有一个共同的想法，他们想摆脱订单复杂、工序繁多、交期紧张带来的麻烦，不想再用耗时费力的人工排产，他们希望生产流程能顺畅一些，产线能稳定一些，同时能提高生产效率。 要满足这些诉求，就会用到数字化进程中不太接触的APS高级计划排程系统，APS系统会和企业各类生产相关的系统对接，通过量化数据配置和计划规则配置后，APS算法对生产计划进行全局优化和精准排产，我们结合机械加工企业的实际需求 对机械加工企业来说，做到精准排产、保证产线稳定、优化生产计划，是企业的核心需求，APS系统的核心能力，刚好能匹配这些需求。 ，这种兼顾灵活性和稳定性的排产模式，正是企业需要的。 APS系统会自动分析每道工序、每台设备的负荷情况，快速找到瓶颈环节，还会清晰显示瓶颈工序的负荷率、等待时间、加工进度等信息，让企业管理人员能直观了解生产短板，为后续解决瓶颈问题提供数据支持。
20100编辑于 2026-08-19企业AI应用（十一）：AI排产，是颠覆APS还是换了一层皮？
现在AI排产的方案铺天盖地，号称能解决APS解决不了的问题。但真正拆开看，AI排产到底比APS强在哪？又有哪些问题，换了AI一样解决不了？ AI排产（强化学习）是通过模拟环境的奖惩机制，自动逼近这些复杂的经验边界。 一句话概括：刚性约束是共同的底层边界；区别在于经验策略是人定义的，还是模型演化出来的。 这种场景下AI排产的效率优势并不明显。 AI排产真正有效率优势的，是"规则本身需要临时调整"的插单场景。 排产的难点很多时候不在"怎么排"，而在"排了之后能不能执行"。销售临时插单、采购物料没到、设备突然需要保养、质量问题导致返工——这些来自排产系统边界之外的冲击，APS解决不了，AI排产同样解决不了。 AI排产的黑箱特征剥夺了这个微调手段。排产员看不懂为什么这样排，也就无从判断哪些部分需要调整、该往哪个方向调。"模型认为这个顺序最优"不是一个让排产员放心的理由。
46910编辑于 2026-07-22CCS 集成母排产线的质量数据采集与追溯架构设计
CCS（CellContactingSystem，电芯连接系统）集成母排是动力电池包里连接电芯与BMS的关键结构件，把信号采集、温度采样、高压连接集成在一块FPC或线束母排上。 这类产线的难点不在单台设备性能，而在"设备各自为政"。焊接机、视觉站、电测台往往来自不同厂商，协议各异，数据散落在各自的控制器和本地日志里。 例如热铆温度超出±3σ即拦截并上报，不必等云端回合。云端负责跨班次、跨批次的趋势分析和根因统计。 电测环节512点位的通断、耐压、绝缘结果按点位结构化入库，FAIL点位自动关联到对应焊接或铆接记录，不再靠人工翻查。改造前后的对比很直接。 数据量方面，按上述分层策略，单线日均上云事件约3万条、聚合标量约50万点，边缘时序库承担原始曲线存储，整体存储和带宽成本可控。这比"全量上云"方案节省了约一个数量级的云端写入压力。
14100编辑于 2026-09-16制造业执行层智能体：排产、设备运维的确定性协同
一、排产规则外置排产跨产线、设备、物料，规则常变。我的做法是把排产规则外置成可配置项，计划员自己调，不用等开发。某装备制造企业的费用与排产类规则沉淀三百多条、可自助调整，靠的正是规则固化。 数据对齐，执行才不跑偏，计划才不被脏数据带歪，指令才落得准，产线才听指挥。四、落地的护栏首要，排产与运维规则外置、业务自助；其次，异常自动升级、工单自动派；再次，跨系统先过数据门再自动化。 制造执行层忌讳“重设备轻数据”，数据不对齐，再聪明的排产也跑歪。建议从一条高价值产线起步，验证确定性后再扩。护栏设好，执行才稳，产能才真可控，交付才不悬空。 制造执行层的确定性，是排产外置、运维主动、数据对齐三件事叠加：把老师傅的手感固化成可承接的能力，制造才不靠个别骨干的状态好坏定生死。很多工厂卡在经验随人走、数据对不齐，自动化永远落不到产线。 把执行层固化，产线才真正听指挥，计划才不被脏数据带歪，交付才不悬在老师傅的状态上，产能才稳稳可控。检查清单 排产与运维规则是否外置、业务自助？ 设备异常是否自动升级、工单自动派？
13210编辑于 2026-09-17从排产到质控，知名MES厂商盘古信息如何撬动制造业效率革命？
盘古信息MES系统集成生产计划排程、生产进度跟踪、生产任务甘特图等等标准功能，对生产过程中的数据进行整合、分析，管理者根据生成的详实报表进行排产颗粒度的细化，实现生产过程的计划管理和需求管理，实现生产环节的智能调度和过程追溯 3.全域质量管理体系质量是制造业的生命线.MES系统自动采集每道工序的工艺参数与监测数据，实时触发质量预警。 2.电子元器件行业对于电子元器件产品更新换代快、生产工艺复杂的行业特性，MES系统的智能排产、物料管控等功能发挥了关键作用。 3.精密机加行业在精密机加行业，产品精度要求极高，设备运行稳定性至关重要。
57410编辑于 2025-05-15- 来自专栏TKE操作指北
自动化网络排障工具使用说明
提交这些截图通过工单的形式联系腾讯云侧帮忙向运营商报障，或者如果客户有本地运营商联系途径，可以直接拿这些测试截图直接找运营商报障（效率比较快一点） 因为大多数用户不太清楚MTR 工具的使用，所以为了方便用户操作，腾讯云侧专门自研了自动化网络排障工具 ，用户只要下载自动化工具，在本地 或者 服务器执行start 操作，该工具就会自动执行 Ping 检测 MTR 检测 TRACERT 检测，本地出口IP 检测，并自动把这些信息上传到腾讯云后台。 windows系统： 直接使用工单中给的链接，会自动跳转到该工具的下载页 下载后点击应用程序的图标进行安装，然后打开该工具，输入目的端地址即可。 3. 该工具为腾讯云自研产品工具，并非开源产品或者官网收费产品，最终解释权归腾讯云所有。
1.8K00发布于 2019-07-27 应对多型号混线挑战：CCS集成母排产线数据架构设计探讨
在动力电池与储能行业，CCS（CellsContactSystem，集成母排）正经历从“FPC+镍片”向“铝巴+热压”等多元结构的快速迭代。 这种“一拖多”的柔性制造模式，对控制系统提出了传统刚性产线未曾面对的挑战。 不同型号对应的焊接功率曲线、视觉检测ROI区域、耐压测试阈值均不同，如果数据采集系统无法实现“随型号自适配”，产线的智能就仅仅是“自动化”的遮羞布。 新架构上线后，通过将焊接过程中的焦点偏移量与熔深检测数据实时关联，系统能自动剔除因夹具磨损导致的焊接飞溅。 例如，当PLC报出“AxisError”时，系统自动关联上下文，转译为“激光焊接振镜电机过热，建议停机冷却20分钟”，直接推送至安灯系统看板。
19300编辑于 2026-07-27从甘特图到自动化排程：2025年项目排期工具全面指南
复盘数据仓：自动沉淀预估工时、实际工时、变更次数等维度，为后续项目估算提供可信基线。[图二、项目管理工具能力雷达图] 三、项目排期工具1. Worktile核心优势：支持甘特图和任务依赖关系配置，适合节点性很强的排产项目。报表与流程分析能力强，适合做月度产能评估与绩效复盘。支持OKR管理模式，任务排期与战略目标联动。 3.板栗看板核心优势：操作简单，上手快，界面清晰，适合快速构建任务流。支持看板视图、任务分配、实时提醒和工作流管理。提供拖拽式任务处理，支持多看板联动管理。支持私有化部署，数据安全可控。 5. monday.com核心优势：排期看板支持自动化流转设置，如完成任务A自动创建任务B。模板丰富，支持客户、订单、设备等模块整合管理。报表与数据连接能力强，适合数据驱动型管理者。 Q2：关键人员被抽调，计划如何快速重排 A：启用“资源替换模拟”功能，系统会基于技能标签自动推荐可替换人选，并重新计算关键路径。Q3：客户坚持压缩工期，如何评估可行性？
1.1K10编辑于 2025-07-31- 来自专栏软件测试那些事
super-jacoco-3-单测排坑指南
从下载super-jacoco代码到极简项目的案例跑出来，一共排了3+1+1+1=6个坑，这里记录一下，供参考。 1、pom.xml中关于java.home的设置（3个坑） 这部分有三个坑， 首先是配置文件中关于变量设置的部分，JAVA.HOME指向了一个很奇怪的路径，需要修改为开发环境的JAVA_HOME， 或者建议修改为内置的 对于@DisplayName这样的JUnit5的注解存在一个中文名称不支持的Bug，需要在maven-surefire-plugin:3.0.0-M3,也就是3.0的候选版本上才支持使用中文名称作为测试用例的名字 3.jacoco-maven-plugin的问题-第五个 在上述命令中，使用了super-jacoco团队自行修改后并发行的jacoco-maven-plugin插件版本，也就是jacoco-maven-plugin
3.2K80编辑于 2022-02-08 # 带 3 人小团队，我用 WorkBuddy 把日报 + 产能排期全自动化了（脱敏复盘）
关键词：WorkBuddy、自动化、钉钉日报、可复用 skill、飞书多维表格、团队排期说明：本文已脱敏，不含任何客户名称、项目细节与真实人名，仅分享可复用的工程方法。 排期：要量化 3 个成员 × 每天 8 小时 × 每周 5 天的拍摄、制作、整理产能，用一张表管起来，避免"谁今天满了吗、这个需求排给谁"全靠脑子记。 其中几个值得抄的公式设计：期望交付日公式（填了排期日期自动算交付日，空值不报错）：IF(ISBLANK([排期日期]),"", IFERROR([排期日期] + SWITCH([交付档位],"T+1 六、小结把"记日报"和"排期"这两件高频又机械的事交给 WorkBuddy：用 daily-report skill 统一格式，用每日自动化兜底推送，用飞书多维表格做实时排期。 3 人小组现在基本不再为流程本身花时间。如果你也在带小团队，强烈建议先把这两块自动化——省下的时间比攒积分值钱多了。本文为脱敏复盘，不涉任何具体客户、项目与个人信息，方法可直接复用。
27510编辑于 2026-08-28储能模组CCS集成母排产线数据架构设计——从“拼设备”到“管数据”
储能模组的电气连接与信号采集依赖CCS集成母排。它由信号采集组件（FPC/FFC）、塑胶结构件、铜铝排等构成，通过激光焊接将铜铝排与电芯串并联，采用热压或铆接工艺整合为电气连接与信号检测结构部件。 这种“快慢数据”的异步冲突，轻则导致数据延迟，重则引发产线控制系统崩溃。实测中，一条CCS产线未经处理的焊接过程数据若全部上传，日数据量可超过1TB。 行业数据显示，CCS母排焊接的虚焊问题占整体不良率的40%至50%。在缺乏高频数据支撑的产线中，质量问题的平均追溯时间长达8小时，人工记录误差率可达15%。换型时的数据“张冠李戴”。 换型时间从4.5小时压缩至3分钟以内，产线整体稼动率提升8.2%。追溯效率：缺陷从发现到根因定位，由原来的数小时缩短至1分钟内精确定位到具体工序。同类重复性缺陷发生率下降76%。 一个值得分享的故障排查案例：某批次CCS出现间断性焊接错位，在新架构下直接调取IoTDB存储的连续3天焊接功率数据做功率谱密度分析，发现错位时刻存在约85Hz振荡分量，定位到激光器冷却系统水泵轴承故障。
15600编辑于 2026-09-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号