← 全部文章 Read in English

轻排 PMClite 排产能力技术解析:可解释、可回溯的有限产能排程

这是轻排 PMClite 排产引擎的一次完整拆解。它面向 PMC 岗位的桌面级有限产能排程工具,核心目标只有一句话:把"这个单什么时候做、在哪条线做"从经验判断,变成可计算、可解释、可回溯的流程。

这篇文章不罗列功能,而是按代码链路逐层讲:数据精度怎么分层、生产模式怎么统一换算、约束怎么过滤、排程怎么落账、改动怎么预演、AI 到底负责哪一段。每个环节都可以被单独查看、单独干预,不干预时就按默认规则走——这是理解整个排产功能的钥匙。

精度模型 L0 / L2 / L2.5 生产模式 6 种 约束策略 软 / 硬 / 关 AI 角色 只打分,不算日期

一、定位与设计取舍

轻排的排产模块在架构上做了一个明确的取舍:不做 APS 级别的全局最优化求解,而是做"可解释的优先级驱动 + 有限产能日历消耗"。

这个取舍来自目标场景——中小制造企业的 PMC,通常只有 1 名专职或兼职计划员,主数据(工时、产能、良率)精度有限。任何黑箱式的最优化结果,都无法被信任和修正。

因此代码里的排产链路是:

主数据完整度判定 → 约束策略过滤 → 排程前体检 → 优先级加权排序
→ 逐产线搜索最早可行区间 → 日历落账 → 甘特可视化 → 人工复核/微调

这条链路上没有任何"跳步"。每一次排产的结果,都能沿着这条链反向追问到具体是哪一步、哪个参数导致的。

二、数据底座:L0 / L2 / L2.5 三级精度模型

排产精度的上限由主数据决定。轻排用 getDataLevel() 把所有产品分到三个精度层级:

层级判定条件排程粒度典型场景
L0 产品下没有任何 type='process' 且 standardMinutes>0 的工序行 整单占用产线,一段连续区间 产品刚建档,还没配工艺路线
L2 有工序行、有单件工时,但全部 postWaitMinutes=0 工序级,工序之间首尾相接 纯加工序,工序间无工艺等待
L2.5 有工序行,且至少一道 postWaitMinutes>0 工序级 + 工序间等待缓冲 回流焊后冷却、涂装后固化、检测前静置

这个分层不是标签游戏,它直接决定引擎走哪条代码路径:

配套的 UI 是 renderSchedulePrecisionBadge(),在甘特图工具栏上给出一个实时徽章:

🎯 精排 · L2.5   L2.5 等待 12 · L2 工序 5 · L0 整单 3

统计逻辑是扫描当前"待排产 + 进行中"的工单,逐单判定层级:全部 L2/L2.5 判为"精排",≥60% 判为"混合",否则"粗排"。

这个徽章的价值在于:排程结果偏乐观时,PMC 第一反应应该是去看这个徽章,而不是怀疑算法。
粗排意味着大部分工单没有工序数据,整单工时是按产品级参数估的——误差来源在数据,不在计算。

三、六种生产模式与统一换算引擎

不同行业"一件产品占多少产线时间"的算法完全不同。轻排把它抽象成六种模式(PRODUCTION_MODES):

模式公式(单件有效时间)适用行业
fixed_takt 固定节拍taktSeconds / 3600 小时/件SMT 贴片、食品灌装、制药压片
flexible_takt 柔性节拍processMinutes / 60 / 并行工位数手工组装、服装缝制、电子装配
single_station 单机作业cycleMinutes / 60 / 并行机台数注塑、冲压、CNC、印刷
batch 批量作业ceil(数量/批量) × 单批周期热处理、电镀、喷涂
continuous 连续流数量 / 每小时流量化工、造纸、纺织
project 项目型数量 × 单套天数 × 日工时模具、非标设备、工程安装

所有模式的差异都被收敛在 calcResourceHours() 一个函数里,全系统只有这一个"时长计算入口"。这是刻意的设计:换模式不改算法,只改参数。

6
生产模式,收敛到 1 个换算入口
3
精度层级 L0 / L2 / L2.5
60 天
单工单排程搜索上限

换算时统一处理了三件事:

  1. 良率补偿:effectiveQty = 计划数量 / yieldRate,实际投入永远大于计划产出;
  2. 准备时间:产品级 setupMinutes 每次开工固定加一次;
  3. 换线时间:产线级 changeoverMinutes,来自 resourceParams。

一个容易踩的坑:产能单位

代码里有一段显式注释(getLineCapacityPerDay),值得单独说明:

// 日产能 = dailyHours × utilizationFactor
// 绝不能再乘 parallelStations
return baseDaily;

原因:calcProcessHours 在算工序工时时,已经把"单件时间 ÷ 并行工位"折进去了。如果日产能再乘一次工位,产能会被放大 N² 倍,排程结果会离谱到不可用。

这个坑在很多自研排产工具里都出现过。轻排把它写进了代码注释和设置页的提示文案里("日可用小时 = 日工时 × 利用率,不再乘工位")。

工序级换算的返回值

calcProcessHours() 返回五个量,区分得很清楚:

{
  runH,    // 运行工时
  setupH,  // 准备工时
  waitH,   // 后等待工时
  busyH,   // = runH + setupH,真正占用工作中心产能的部分
  totalH,  // = runH + setupH + waitH,仅用于显示"从开工到完全结束"
}

关键点是 日历只扣 busyH。后等待(比如冷却 30 分钟)不占产线产能,只在工序之间推后下一道的起点。

这个区分让 L2.5 的排程结果明显更贴近车间实际:
回流焊做完,炉子在冷却,SMT 线可以继续打下一批,但下一道工序不能提前开工。产能和工期被拆成了两个独立的量。

四、流转类型:flow 与 batch 的产能差异

同样是多工序产品,产能模型可以完全不同。productionParams.flowType 控制这个分支:

flow 流水线

多道工序并行推进,产能由瓶颈工序决定:

总工时 = Σ(单件时间) + (N-1) × 瓶颈单件时间 + Σ准备时间 + 换线时间

这是"首件走完全流程,其余按瓶颈节奏流出"的模型,符合 SMT、组装线的实际。

batch 批量 / 单机

整批走完第一道工序,再走第二道:

总工时 = Σ(各工序全部时间)

符合热处理、电镀、喷涂这类"整炉进整炉出"的场景。

这个分支同时影响两处:getOrderTotalHours() 决定整单工时,scheduleByProcess() 决定是否逐工序消耗日历。flow 模式下工序段是重叠的(甘特图上看得到瀑布式并行),batch 模式下工序段是串行的。

五、排程引擎:从约束到落账

5.1 约束策略:软 / 硬 / 关

排程前有一道可配置的过滤(getConstraintPolicy()),四类约束各自可选三档:

约束软(默认)硬关
📦 物料齐套 照排,体检告警 缺料工单不进排程队列 完全不检查
📅 交期 照排,产出可能晚于承诺 承诺交期已逾期的不排 完全不检查
🔄 换型 同线连续换型时提示 仅提示,不阻断(实际不自动拦) 不提示
📦 批量合并 建议合并 提示必须先合并 不提示

默认全软是刻意的。中小工厂的物料到货、交期承诺、换型时间都不完全可靠,全硬约束容易"排死"——所有工单都被拦下来,计划员反而无路可走。软约束 + 体检告警 + 人工判断,是更实用的默认值。

硬约束的实际拦截在 _filterWOsByHardConstraints() 里,返回 { eligible, blocked },被拦下的工单会带着原因("缺料 3 种(硬齐套)")通过 toast 明确告知,不会静默消失。

5.2 排程前体检

runSchedulePrecheck() 是一个纯诊断函数,输出 error / warn / info 三级问题清单:

体检本身不阻断排程,只是在"一键自动排程"前弹一次确认:确定继续(忽略体检) 还是 取消去看详情。

这个交互细节很重要——它把"排程结果不准"的责任,从算法转移到了可修复的数据问题上。

5.3 一键自动排程的算法

_autoSchedule() 的主循环可以拆成五步。

第一步:锁定在制工单

const lockedWOs = activeRows('workOrders').filter(w =>
    w.status === '进行中' && w.assignedLine && w.scheduledStart && w.scheduledEnd
);

进行中的工单不做重排,但它的工时按天均摊写入 lineCalendars,占住产线日历。这一步防止一键排程把新单塞进正在生产的产线空档里。

第二步:优先级加权排序

wo._weight = (priorityScore[wo.priority] || 2) * 10 + urgency;

// urgency 计算
const diffDays = ceil((delivery - today) / 86400000);
urgency = diffDays < 0 ? 100 : (diffDays > 30 ? 0 : 30 - diffDays);

权重 = 优先级基础分(高 30 / 中 20 / 低 10)+ 交期紧迫度(逾期 100,30 天内线性递增)。按权重降序处理。

第三步:逐产线搜索最早可行区间

对每个工单、每条候选产线,从今天开始逐日试探,用 consumeCalendar 的逻辑消耗日产能,直到工时耗尽。搜索上限 60 天,起始日每次失败后推后一个工作日。

第四步:串行 / 混线控制

这是排程结果是否符合车间直觉的关键开关(db.pmcSettings.allowMixedLine):

串行模式牺牲了产线利用率,换来的是可执行的排程——大多数中小工厂的实际状态就是一张单做完再做下一张。

第五步:选最优产线

所有候选产线里选"占用跨度最短"的那个(span < best.span)。如果全部失败,会输出一段详细的诊断信息:各产线日产能、产品单件工时均值、产线数量、工作日规则,以及四条排查建议。

5.4 失败时的行为

排程失败不是静默的。assignedCount === 0 时会拼一段结构化提示:

❌ 未能为任何工单分配排程

【当前配置】
   • 各产线日产能:SMT线A=6.8h、SMT线B=6.8h
   • 产品单件工时均值:2.35 小时/件
   • 基础日产能:8h(日产能 8h × 系数 85%)
   • 产线数量:2
   • 工作日:仅周一至周五

【排查建议】
   1. 「设置 → 行业配置」增加产线的「并行工位数」
   2. 「设置 → PMC规则」增大「日产能」或「产能系数」
   3. 检查产品单件工时是否设置过大
   4. 减少单次排产的工单数量
这段文案的设计意图是:让不懂算法的计划员也能自己修好数据。
排程失败时最糟糕的处理方式是"什么都没发生"。给出当前配置 + 可执行建议,用户就能自己定位问题。

六、沙盘推演:先看影响,再决定改不改

排产之后最常见的操作是"这张单往前挪两天行不行"。轻排的做法是沙盘:所有改动先在内存里推演一遍,把挤占、冲突、交期风险全部列出来,确认后才落库。

L0 沙盘(calcScheduleImpact)

输入目标产线 + 新开始日期,输出:

被挤占的工单默认整体后移到目标工单结束日的下一个工作日,保持原有跨度。

L2.5 沙盘(scheduleByProcess + 空日历模拟)

工序级排程的沙盘走的是另一条路径:用一个全新的空日历调用 scheduleByProcess,推演结果完全不污染真实排程数据。

const simCalendars = {};
db.industryConfig.lines.forEach(l => {
    simCalendars[l] = {};
    simCapacityMap[l] = getLineCapacityPerDay(l);
});
const plan = scheduleByProcess(draft, simCalendars, simCapacityMap);

推演结果会做三件事:

  1. 合并原进度:已报工的 completedQty / status 保留,不会被重排冲掉;
  2. 冲突检测(_calcL25SandboxConflicts):逐工序段与其他活跃工单比对其工作中心上的日期区间;
  3. 交期风险:最后一道工序的结束日 vs 销售订单承诺交期。

预览界面(_renderL25SandboxPreview)分四块:工序排程对照表(原排程 vs 新排程,变动行标"已调整")、汇总条(占用产能 / 完工日 / 主产线 / 周期)、冲突清单(最多列 10 处)、交期风险横幅。

应用前如果存在冲突,会再弹一层确认,明确列出冲突工单号,并给一个「先去看冲突」的出口——这个细节避免了"应用完才发现产线打架"。

七、甘特图:双版本并存

轻排保留了两套甘特图,通过一个开关切换(localStorage.enable_gantt_v2),这是渐进式重构的产物。

7.1 经典表格版(buildGanttHTML)

冲突检测做了算法优化:_buildGanttConflictCache 先按产线分组,组内按 scheduledStart 升序,然后逐条比对并提前剪枝(other.start > w.end 就 break)。组内通常 20–50 条,O(M²) 完全可接受,比全局 O(N²) 快一个量级。同时保留了 _buildGanttConflictCacheNaive 作为回滚路径(window.__ganttConflictAlgo = 'naive')。

7.2 v2 版(renderGanttV2)

v2 的核心变化是引入了资源视图 / 订单瀑布视图双模式和时间轴缩放。

数据转换层(convertWOToGanttData)把工单转成任务数组:

时间坐标用"小时数"而非日期,start = (时间戳 - baseTs) / 3600000,渲染时乘 HOUR_WIDTH = DAY_WIDTH / 24。这样日视图和小时视图可以共用一套任务数据。

动态时间窗口(_ganttV2ComputeWindow)是个实用设计:

dayWidth >= 360  → 8 天(小时视图)
dayWidth <= 90   → 30 天(紧凑视图)
其他             → 16 天(日视图)

但窗口不是固定的,会扫描传入任务的 startDate / endDate 动态扩展,前后各留 2 天缓冲,最大跨度限制 180 天防止单条异常数据撑爆 DOM。

缩放三档:紧凑(90px/天)/ 日(180px/天)/ 小时(360px/天)。小时视图下时间轴头部会渲染 0:00 / 6:00 / 12:00 / 18:00 / 24:00 刻度,track 背景叠加 6 小时虚线。

订单瀑布视图(_ganttV2RenderOrderWaterfall)是把同一订单的所有工序段排在一行上,用浅色容器条框住整体跨度,内部逐段渲染实色工序条,段间 postWaitMinutes > 0 的位置用斜纹虚线标出等待。如果相邻工序在同一天开始,会做 topOffset 堆叠错开,避免视觉重叠。

交期线:订单视图里会画一条橙色虚线,位置取关联销售订单的 deliveryDate 当天右边界,带一个"交期 YYYY-MM-DD"的小旗标。这是给 PMC 最直接的视觉信号。

移动端降级:innerWidth < 768 时整个甘特图替换成卡片列表(_renderGanttV2MobileList),每张卡片显示工单号、产品、数量、产线、起止日期、工序进度条。触屏拖拽在窄屏上不可靠,直接降级比勉强支持更实用。

7.3 拖拽:两条不同的路径

拖拽在 L0 和 L2.5 上是完全不同的语义。

L0 拖拽(_handleL0Drag):拖动整条工单条,松手后不直接改数据,而是把目标日期塞进 window.__pendingSandboxStart,然后打开沙盘推演弹窗。用户看到挤占和风险后再确认。这个设计避免了"手一抖就把排程改乱"。

L2.5 工序段拖拽(_handleL25Drag):拖单道工序,松手后调 _calcProcessDragImpact 做三件事:

  1. 校验不能早于前序工序 end + postWait;
  2. 后续工序按"保持跨度、遇冲突顺延"的规则联动,生成受影响清单;
  3. 检查最后一道工序是否会越过销售订单承诺日期。

确认弹窗里会逐条列出"工序名:原排程 ⇒ 新排程 (+N天)",以及交期风险横幅。确认后一次性写入 processProgress 和 scheduledStart/End,同时往 timeline 表写一条留痕记录。

经典表格版还有第三套拖拽(_initGanttDragDrop),逻辑是把像素位移换算成天数,松手后用 confirm() 弹一个带产能冲突提示的确认框,直接在工单表上改日期。这套逻辑和 v2 的拖拽互不干扰,因为两套甘特图不会同时渲染。

八、AI 排产:AI 打分,本地执行

这是最容易被误解的部分,代码里的分工非常明确:

AI 只输出优先级评分和产线建议,不输出日期。日期由本地引擎计算。

8.1 Prompt 的输入与输出

buildSchedulingContext() 把工单压缩成紧凑结构,每条包含:工单号、产品、数量、优先级、状态、生产模式、模式参数摘要、预估工时、齐套状态、交期。

buildPMCPrompt() 在 Prompt 里写死了评分规则(高=30 / 中=20 / 低=10,交期 ≤3 天 +40,≤7 天 +25,逾期 +50,齐套 +10,缺料 -15,无 BOM -30,进行中 +5),并要求严格 JSON 输出:

{
  "schedule": [
    {"woId": 1, "priorityScore": 85, "lineHint": "产线A", "reasoning": "逾期订单,优先"}
  ],
  "overallStrategy": "整体策略说明(30字以内)",
  "riskAlerts": ["风险1", "风险2"]
}

Prompt 末尾有一组硬约束:只输出 JSON、reasoning ≤20 汉字、overallStrategy ≤30 汉字、riskAlerts 最多 3 条、schedule 必须包含所有传入工单、首尾必须是花括号。

8.2 本地执行

拿到 AI 评分后,runLocalScheduler() 按评分降序重排工单,然后走和 _autoSchedule 相同的日历消耗逻辑,lineHint 作为首选产线(如果不合法则回落到全部产线)。返回结果里带上 processProgress(L2.5 工序段),由 _applyAISchedule() 一次性写入。

8.3 失败降级

callAIChat() 做了几层防御:

AI 整体失败时,弹窗里有三个出口:先用本地自动排程(调 _fallbackToLocalSchedule)、重试 AI、前往设置。降级路径不会让用户卡在失败页面上。

8.4 插单重排

_showInsertOrderModal → _insertWorkOrderAndReschedule 的流程是:创建工单 → 保存 → 800ms 后自动触发 _runAIScheduling(true, newWoId)。插单场景的 Prompt 会额外带上 insertedWorkOrder 和 existingSchedule(进行中工单的产线/日期/数量),并明确要求"优先保证新工单交期,尽量少调整已有排程"。

九、排程质量闭环

排产不是一次性动作。轻排做了一套从"事后观察"到"参数校准"的闭环。

9.1 排程 KPI(calcScheduleKPIs)

四张卡片,都基于近 30 天数据:

指标计算方式
交期达成率完工工单的实际完工日 vs 关联销售订单承诺日期,准时 / (准时+延期)
最高产线负荷未来 7 天,逐产线累加已排工单工时 / 产线容量,取最高
换型次数同产线相邻工单产品不同的次数
平均延期实际完工日 vs 计划完工日,超期天数的平均值

9.2 工时偏差监控(renderLaborHealthCard)

三个粒度的偏差计算:

分级阈值统一:|偏差| ≤ 10% 健康,10%–30% 偏高,> 30% 偏差大。

看板展示全厂平均偏差、Top 5 产品偏差、Top 5 工序偏差,工序行带"校准"按钮。

9.3 工时校准向导(_openLaborCalibrationWizard)

这是闭环里最关键的一步。流程:

  1. 收集最近 20 个完工工单样本;
  2. 算总计划 / 总实际 / 整体偏差 / 样本标准差;
  3. 规则归因(_attributeLaborDeviation):工时填小、工时填大、波动大、样本少、缺后等待、整单精度低;
  4. AI 归因(可选,失败自动降级到规则归因);
  5. 算建议值(_computeCalibratedValue):按模式反推参数,加权平均,越新的样本权重越高;
  6. 影响预览(_calcCalibrationImpact):临时改参数重算未完工工单的工时,按 8h/天估算影响天数。

应用时只改一个字段:L0 改产品 productionParams 里的模式参数,L2.5 改工序行的 standardMinutes。产品级校准会往 calibrationHistory 追加记录(保留最近 20 条),可追溯。

9.4 换型时间学习(learnChangeoverTimes)

从历史工单里采样"同产线、前单已完工、后单已开始、间隔 0.2–8 小时"的相邻不同产品对,取间隔的中位数(抗异常值)作为换型时间建议。

不自动应用。弹窗里明确提示:"换型间隔不一定等于换型时间(可能含等待、换料、午休),建议结合现场经验判断。"

9.5 精度升级建议(_detectUpgradeSuggestions)

规则引擎,两类建议:

每条建议带一个按钮,直接跳到对应产品的工艺路线页。

9.6 排程自检(_runSchedulingSanityChecks)

设置页里有一个自检按钮,跑六个行业的典型算例,验证 calcResourceHours 的换算是否正确:

模式算例期望值
fixed_takt30 秒/件 × 1000 件8.33h
flexible_takt30 分/件 ÷ 10 工位 × 1000 件50.00h
single_station45 秒/件 ÷ 3 台 × 1000 件4.17h
batch100 件/炉 × 8h/炉 × 250 件24.00h
continuous5 吨/h × 100 吨20.00h
project15 天/套 × 8h/天 × 3 套360.00h

误差阈值 0.5h,全部通过才显示绿色。排程结果异常时,先跑这个自检,能快速排除"换算函数被改坏"的可能。

十、PMC 决策台:排程的上游

排产之前,PMC 需要知道"今天必须处理什么"。决策台(renderPmcDecision)是一个事件驱动的队列,事件由前端规则引擎派生(derivePmcEvents),只在主机/单机模式运行:

规则触发条件严重度
缺料活跃工单齐套校验不通过48h 内开工 → red,否则 amber
交期风险计划完工日 > 销售订单承诺日期red
产能过载产线当日负荷 > 100%>115% → red,否则 amber

每条事件有 fingerprint 去重(同工单同缺料清单不重复生成),有 sla_hours(red=4h,amber=24h),有 owner_role(缺料归采购、交期和产能归 PMC)。

事件可以催办(生成协同记录、推送到钉钉/企微群、SLA 超时每 60 秒检测一次并闪红点),可以闭环,可以查看完整流水。报工类事件(report_confirm)有专用按钮,确认后直接更新工单的 actualQty / actualHours / progress / status。

十一、工程细节

几个不影响功能但影响体验的实现点:

十二、上手路径

对一个新装的实例,最短路径是:

  1. 设置 → 行业向导(_openIndustryWizard):选行业,回答 3–5 个数字(几条产线、每条几个工位/机台、一天开几小时、单件周期),自动配好产线 resourceParams 和产品默认 productionParams,同时设好约束策略默认值;
  2. 产品 → 应用行业模板(_openBatchApplyTemplate):把默认参数批量刷到没配参数的产品上,已有工序的产品默认不勾选;
  3. BOM → 工艺路线:给需要精排的产品配工序(序号、工序名、工作中心、单件工时、准备、后等待);
  4. 生产 → 排程体检:跑一次,修掉阻断项;
  5. 生产 → 一键自动排程:排完看精度徽章和甘特图;
  6. 生产 → 决策台:日常从这里开始,处理缺料/交期/产能事件。

结语

轻排的排产模块在技术上的特点是:每一层计算都可解释、每一个决策都可回溯、每一个失败都有明确的原因输出。

它不追求"算出理论最优解",而是追求"算出 PMC 能看懂、能改、能负责的方案"。六种生产模式统一到一个换算入口、三级精度模型、软硬约束可配、沙盘先看后改、AI 只打分不算日期——这些设计都指向同一个原则:

把算法的不确定性,转译成用户可以判断的信息。
排产工具的价值不在于替人做决定,而在于把每一个决定的后果提前摊开。

想在自己的数据上跑一遍这套排程?

本地部署 · 一次性买断 · 1-3 天上线 · 30 天完整功能免费试用

了解轻排 PMClite →

文中提及的算法与实现细节为公开演示版本,实际产品以发布版本为准。轻排 PMClite 为独立产品,与文中提到的任何第三方厂商无商业关联。