AI 在 MES 生产排程与设备预测性维护中的应用

为什么排程适合先试 AI

做过工厂计划的人都知道，排程这件事说起来简单——把工单分配到设备上、排好顺序就行。但实际做起来全是坑：插单、设备故障、模具坏了、物料没到齐、某个工人请假了……任何一个变量变了，整个排程就得重新调。

传统的做法是计划员在 Excel 里手动拖，或者用 APS（高级计划排程）系统按固定规则跑。但规则是死的，现场是活的。比如 APS 设定"同型号产品连续生产以减少换线时间"，但如果下一批同型号的料要后天才能到，今天排上去就是空等。

AI 在这里的用法并不神秘。更实用的做法，是把过去半年甚至一年的排程执行记录拿出来分析：哪些工单经常延期，哪些设备一换型就容易卡住，哪些物料看着齐套、实际到现场还要等。系统基于这些历史执行结果，再结合当前工单池、设备状态、物料齐套情况，给计划员一个更接近现场的推荐方案。

说白了，就是让 AI 把过去踩过的坑记下来，下次排程时先提醒人少走弯路。

AI 排程需要哪些数据

排程模型要跑起来，MES 里至少要有这些数据积累：

• 工单的计划开工时间、实际开工时间、计划完工时间、实际完工时间——这四个时间的偏差，是衡量排程质量的核心指标。
• 每台设备上每个工单的实际加工时长，以及换线（换模、换料、调机）花了多长时间。
• 设备的状态记录：什么时候在跑、什么时候待料、什么时候故障、什么时候保养。
• 物料的到货时间和齐套情况，这个通常需要从 ERP 或 WMS 取数。

数据维度不用太多，关键是"计划 vs 实际"的对比数据要准。如果 MES 里工单的实际开工时间都是工人下班前统一补录的，后面再好的算法也算不出靠谱结果。

落地方式：辅助计划员，而不是替代计划员

这里要特别强调一点：AI 排程的目标不是取代计划员，而是让计划员少做重复试算，把精力放在插单、客户优先级、关键设备冲突这些真正需要人判断的地方。

实际做法可以很简单：AI 先给出一个推荐排程方案，显示在 MES 的排程界面上。计划员可以直接采用，也可以手动调整。调整之后，系统记录"AI 推荐了什么、计划员改了哪里、最终执行效果怎样"，这些数据再用于后续优化。

我们在一个机加工车间试过这个模式。刚开始 AI 方案出来后，计划员大概会改 30% 的内容。跑了两个月之后，改动比例降到 10% 左右。不是计划员变懒了，而是模型慢慢摸到了这个车间的排程习惯和现场约束。

这种"系统先排、人再确认"的模式，比一上来就搞全自动排程要务实得多，车间也更容易接受。

预测性维护：从"坏了修"到"快坏了就修"

设备维护有三种模式：坏了再修（事后维护）、定期保养（预防性维护）、根据设备状态决定什么时候修（预测性维护）。

大多数工厂目前还停留在前两种。定期保养的问题是：明明设备状态还很好，按日历到了就得停机关掉保养，浪费产能；反过来，如果设备劣化速度比预期快，还没到保养日期就坏了，就是非计划停机。

预测性维护的思路是：通过分析设备运行数据（电流、温度、振动、转速等），在设备性能开始劣化但还没到故障的程度时，就给设备科发预警，让他们在计划内安排维修。

怎么做：不需要高大上的传感器

一提预测性维护，很多人就想到要加振动传感器、油液分析仪、红外热成像……这些当然有用，但不是必须的。

实际上，很多设备的 PLC 本身就在采集关键数据。比如一台 CNC 的主轴电流、伺服电机扭矩、冷却液温度，这些数据 PLC 里都有，只是以前没人去看趋势。

通过 OPC UA 或 Modbus 把这些数据接到 MES 里，存上一段时间，就可以做基础的趋势分析：

• 主轴电流在同样工况下比三个月前高了 15%，可能是轴承磨损了。
• 某个伺服轴的定位时间越来越长，可能是导轨需要润滑或丝杆有间隙了。
• 液压站的油温在同样负载下持续上升，可能是冷却系统效率下降了。

这些分析不需要深度学习，用简单的统计方法就能做：取正常运行时的数据建立基线，然后实时数据跟基线做对比，偏差超过一定范围就报警。

如果数据量够大，比如同类故障已经积累了几十次记录，再考虑做故障概率预测也不迟。但说实话，对大多数工厂来说，先把趋势分析做起来，就已经能避免不少意外停机。

跟 MES 的工单和报工联动

预测性维护的预警不能只发给设备科，还得跟 MES 的排程和工单联动才有闭环价值：

• 设备预警触发后，MES 自动在该设备的后续工单上标注风险提示。
• 计划员看到风险提示，可以提前把工单调到其他设备上，或者预留维修窗口。
• 维修完成后，维修记录回写到 MES 的设备档案里，形成完整的设备健康履历。
• 设备故障导致的停机时间，自动关联到对应工单，算进 OEE（设备综合效率）里。

这个闭环跑通之后，设备管理就不再是设备科一个部门的事，而是跟生产计划、车间执行完全打通了。

投入产出：一个真实的案例

去年我们给一个冲压车间做了设备数据采集和趋势预警。他们有三台大型冲床，之前平均每个月有一到两次非计划停机，每次停机维修加调试大概要 4-6 个小时，整条线的后道工序都得跟着停。

我们把冲床 PLC 里的主电机电流、离合器气压、润滑流量这些数据接到 MES 里，设了趋势预警规则。上线第二周就抓到一次：一台冲床的离合器气压在连续生产时缓慢下降，虽然还没到报警值，但趋势不对。设备科趁午休时间检查了一下，发现是气管接头有点漏气，拧紧就好了。

车间主任后来跟我们说，就这一次预警，省下的停机损失就够覆盖整个项目的投入了。

当然，不是每次预警都能抓到真问题，偶尔也会有误报。但相比"设备突然坏了全车间等着"的代价，偶尔多检查一次的成本几乎可以忽略不计。

从哪开始：给三个建议

如果你现在 MES 已经跑起来了，想在排程或预测性维护上试试 AI，给三个实在的建议：

1. 先看数据，再看算法。花一周时间把 MES 里的工单执行记录和设备运行数据拉出来看看，数据质量行不行、时间跨度够不够。数据不行，什么算法都白搭。
2. 选一个痛点先试。是排程经常要加班调？还是某台关键设备老坏？选一个最疼的场景先做，别同时铺开。
3. 接受不完美。AI 排程不可能每次都最优，预测性维护也不可能每次都准。但只要比纯人工做得好、比事后补救快，就已经有价值了。