人工智能在生产计划和控制中的应用

制造企业是数字化转型的最大受益者之一。不断增加的数据为提高效率、提高质量和降低成本提供了众多机会。人工智能（AI）解决方案的一个重要应用领域是生产计划和控制（PPC）。汉诺威供应链模型（德语：Hannoveraner Lieferkettenmodell，HaLiMo）根据时间和逻辑顺序构建了生产计划与控制的任务和流程。在HaLiMo中，可以找到人工智能解决方案的不同用例。

下面介绍三个这样的用例，其中包括订单管理中的交货日期预测、二次需求计划中的物料需求预测以及使用智能代理控制生产。

订单管理中的交货日期预测

制造企业的订单管理有两个重要功能。一方面，在订单处理开始时，作为订单澄清流程的一部分，对交货日期进行协商并承诺一个固定日期；另一方面，订单协调会跟踪客户订单的进度，并在出现无法挽回的中断时通知延迟。为了支持这两项任务，人工智能可用于预测交货日期。

确定交货日期的传统方法通常基于简单的统计方法，只考虑少数影响因素和专家知识。在人工智能方法的帮助下，可以通过使用现代企业资源规划系统（ERP）和生产执行系统（MES），利用公司现有的主数据和交易数据（如确认数据、路线、仓库移动情况）自动计算交货日期。所使用的人工智能算法通常远远优于统计方法。但需要注意的是，GIGO（无用输入-无用输出）原则在这里也同样适用。算法只能处理给定的数据。如果主数据维护不善，或者反馈数据不完整、粒度低，那么输出结果也会相应较差。还应注意的是，人工智能并不总是能确定正确的交货日期，而是根据基础模型确定最有可能的日期。然而，由于人工智能模型无法考虑所有环境条件，如缺勤和供应链瓶颈，因此有必要在向客户传达交货日期之前对其进行验证。

二次需求规划中的物料需求预测

在二级需求规划中，从属需求是根据生产计划规划确定的。从属需求包括原材料以及用于生产成品的零件和组件。考虑到计划库存和实际库存，计算总需求和净需求后，分配采购类型。分配的结果就是外部采购和/或内部生产的建议。

可以使用多种方法确定需求量。这些方法包括确定性需求估计、启发式算法和随机算法。确定性预测法非常适合稳定和可预测的生产环境。启发式方法基于经验和估计，在数据有限或需要快速决策时非常有用。随机方法使用统计模型和概率分布来预测需求，预测以历史数据和数学模型为基础，根据概率和趋势估计未来需求。当需求无法预测或波动较大时，随机方法就会派上用场。

应用随机算法的一个主要挑战是建立随机关系模型。在现实中，随机关系可能非常复杂。其中可能涉及多个变量和因素，它们相互影响、相互作用。因此，为这种复杂的关系建模需要耗费大量精力。人工智能可以解决这一难题。其主要优势在于，人工智能可以分析大量数据，并找出人类分析师可能无法发现的模式、趋势和关系。通过先进的机器学习算法，人工智能可以从数据中提取相关特征（特性）并将其纳入建模。这有助于创建更准确的模型，提高需求预测的准确性，并提高生产过程控制的效率。

借助智能代理进行生产控制

生产控制负责调度生产订单，并在生产过程中对其进行控制。其主要目标是根据现有的生产计划完成生产订单的处理，并考虑到因调整而产生的任何变化。为实现这一目标，订单必须按照统一的逻辑进行发布，并按照有意义的顺序排列。在这种情况下，整合环境因素对企业来说是一项重大挑战，因为除了传统的经济和生产物流因素外，还必须考虑到环境因素，这样才能在市场上长期生存。

人工智能提供了多种有可能解决上述复杂问题的方法。现有的生产控制方法通常基于专家知识、启发式方法或运筹学模型。人工智能的优势在于可同时考虑大量特征和广泛的数据集。除了上文解释的GIGO原则外，还应注意反馈数据，工业4.0和相关技术进步，如无线射频识别 (RFID)，为经济高效的数据收集奠定了重要基础，从而也为人工智能应用奠定了重要基础。

强化学习是应对生产控制过程复杂性的创新方法之一，它是一种机器学习技术，其中智能代理通过交互学会做出连续决策。在Q-learning或策略梯度的帮助下，可以训练代理进行整体的自我生产控制，同时考虑到现有的和新的限制（经济、物流、环境）。

初步分析表明，这种新方法能比既定的行业标准更好地满足要求，从而提高生产控制的物流性能。

来源：荣格-《国际金属加工商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。