安达发|日化用品行业aps软件：从规则排产到AI自学习的进阶之路

日化行业的生产调度，是制造业里少见的"两头难"：前端乳化配制是流程型生产，反应釜、乳化锅批次切换要严格清洗消杀；后端灌装包装又带着离散制造的特征，包材规格杂、产线换型频繁。上千个SKU、十几个工序、动辄一小时起步的换产清洗，再叠加电商大促的脉冲式订单，靠一支笔和一张表已经接不住。aps软件要做的，就是把配方、设备、包材、班次、交期这些相互打架的约束，放进一个能算、能看、能改的模型里。

一、多SKU、高频换产：日化为什么离不开aps软件

日化企业的产品结构决定了排产难度。洗发水、沐浴露、洗衣液、护肤品，同一配方下还有不同香型、不同规格、不同包装组合，SKU上千很常见。工艺链上，配料、乳化、搅拌、静置、灌装、贴标、包装、质检十余道工序，乳化锅和灌装机是典型的多品类共享瓶颈设备。

换产损失是最直观的痛点。不同香型、不同功效的产品切换，必须清洗反应釜、排空管道、校准参数，单次耗时一到四小时，头部企业日均换型可达十余次。这些时间不产出任何东西，却实实在在吞噬产能。此外，香精、防腐剂等原料保质期短，半成品静置有时间窗，排不好就会出现整批洗发水等灌装等到过期的浪费。

二、传统aps软件的天花板：规则与线性规划

早期的高级计划与排程系统，内核是规则加数学规划。规则解决"谁先做"——客户等级优先、交期紧迫优先、同香型合并生产；线性规划或混合整数规划解决"怎么做最优"——在设备产能、工序顺序、物料可得性等约束下求一个成本或交期的最优解。

这套逻辑在确定性环境里相当能打，但软肋也很清楚：参数是静态的。标准工时写死在主数据里，收率、单耗、清洗时长都取一个经验平均值，模型排出来的计划，与车间实际总是差一口气。设备老化、原料批次波动、季节温湿度变化，都会让标准值持续漂移；模型一旦和现场脱节，计划员就只能放弃系统、回到手工微调，排产重新变成个人经验。约束一多，求解规模上去，算一次动辄数小时，也扛不住日化高频插单的节奏。

三、AI赋能：让aps软件自己做参数自学习

AI的介入，首先改的是参数的来路。aps软件与MES、SCADA、IoT打通后，每条产线的历史生产数据都被沉淀下来：设备参数、批次记录、实际收率、实际能耗、实际换产耗时。机器学习模型在这些数据上拟合出响应关系，把主数据里的标准值替换成随工况实时校准的学习值。计划不再是按平均值推演，而是按当前这台设备、这批原料的真实表现推演。

这一点在石油化工行业已有成熟验证，也最有借鉴价值。炼化装置的排产长期受原油性质波动、催化剂活性衰减困扰，AI排产aps软件把历史生产数据、装置实际收率与能耗模型一起纳入求解，动态修正收率曲线与能耗单耗，让计划持续贴合装置真实运行状态。有炼化企业把启发式算法与求解器结合后，换产损失降低约四成；也有企业通过数字孪生实时跟踪装置关键参数，航煤收率提升逾两个百分点。

日化的映射同样成立：乳化收率随设备状态与配方批次变化，灌装损耗随包材批次与灌装速度波动，车间除湿的能耗随季节变化。把这些关系学出来，aps软件给出的排程才不只是数学上最优，而是现场能执行、执行还省钱。数据越跑越厚，模型越排越准，这是传统规则式系统不具备的自我进化能力。

四、落地怎么走：aps软件的选型与成效

要让AI能力真正落到产线上，三件事绕不过去。

其一是基础数据。aps软件配方工艺、设备参数、换产标准工时、包材适配关系、原料保质期，这些录入得越准，模型的上限越高；抱着先上线再补数据的想法，只会得到一个不能执行的计划。

其二是系统贯通。这套系统必须与ERP的订单、MES的车间执行、WMS的库存、SRM的供应商数据实时联动，排产前完成物料齐套校验，排产后回收完工数据，形成需求、排程、执行、反馈、优化的闭环。孤立的排产工具，优化空间非常有限。

其三是分阶段推进。中小企业先做日度自动排程、齐套校验与插单重排；集团型企业再扩展到中长期产能规划、多工厂协同与场景仿真。

从公开的行业落地情况看，日化与洗护企业引入aps软件后，换产次数平均减少约四成，换产耗时缩短三成以上，核心设备综合利用率提升两成左右，订单准时交付率提升到95%以上，库存与综合制造成本同步下降。需要说明的是，这些指标的取得依赖数据基础与管理配合，并非系统一上线就能兑现。

五、结语

回到行业本身。日化已经从大批量、少品种走到多SKU、小批量、快迭代，排产从经验活变成了算力活。传统aps软件用规则和线性规划解决的是能不能排的问题，AI赋能之后要解决的是排得准不准、改得快不快、越用越聪明不聪明。当大促插单、原料延迟、设备故障成为常态，能让计划自己学习、自己修正的系统，才是日化企业真正需要的那一个。政策层面，八部门《"人工智能+制造"专项行动实施意见》已把排产调度列为重点应用场景，这条路的方向是明确的。