规上工业增加值涨了5.4%，但排产还在用Excel？JVS-APS智能排产与您聊聊制造业数字化转型的“最后一公里“
上周，国新办开了场工信发展的发布会，几个数据挺有意思：上半年规上工业增加值同比增长5.4%，制造业AI技术应用普及率超过了30%。
宏观数据看着挺好。但你要是去工厂里走一圈，会发现一个很割裂的现实——
有的工厂已经在用AI做质量预测了，排产还在用Excel。有的工厂设备上了MES系统，但数据还是靠人工抄表录入。有的工厂花大价钱买了ERP，但车间主任排产的时候还是打开Excel拉公式。
数字化搞了这么多年，"最后一公里"始终没打通。
今天聊聊这"最后一公里"到底卡在哪，以及从排产和设备联网两个最核心的场景出发，怎么把这段路走完。
一、排产：制造业数字化的"深水区"
说实话，如果让我选制造业数字化最难的一个环节，我选排产。
不是ERP难、不是MES难，而是排产——因为它处在所有系统的交叉点上。
排产要用的信息来自四面八方：
- 销售给的订单需求和交期
- 仓库给的物料齐套情况
- 设备给的产能和状态
- 工艺给的工序路线和标准工时
- 人员给的班次和技能矩阵
任何一个环节的数据不准确、不及时，排出来的计划就是一张废纸。
而大部分工厂的现状是什么？
订单信息在ERP里，物料信息在WMS里，设备状态在MES里（如果有的话），工艺路线在工艺部门的Excel里，人员排班在HR系统里。
信息散落在五六个系统里，靠PMC手工汇总、手动平衡，最后排出一版计划——这版计划的准确率，说句不好听的，全靠经验和运气。
为什么排产这么难数字化？
因为它不是一个"数据展示"的问题，而是一个"约束求解"的问题。
排产的本质是在一堆硬约束（设备产能、物料齐套、交期要求、工艺路线）和软约束（减少换线次数、均衡负荷、优先高价值订单）之间，找到一个尽可能优的方案。
这个问题在数学上叫NP-hard问题——不是说没有解，而是说随着约束条件增加，计算复杂度呈指数级增长。Excel拉公式根本解决不了。
目前排产数字化的主流方案：
- APS（高级计划与排程）系统：用约束求解引擎（如基于OptaPlanner的求解器）来自动计算排产方案。能处理多约束、多目标的复杂场景，几分钟出结果。
- 启发式算法+人工调整：用遗传算法、模拟退火等方法做近似最优解，PMC在结果基础上微调。灵活度高，但依赖人的经验。
- AI+规则混合方案：用AI预测设备故障概率、质量趋势等不确定因素，结合规则引擎处理确定性约束，再由求解器做最终排产。
从落地成熟度来看，APS系统是目前最主流的方案。APS智能排产支持硬约束+软约束建模，能处理多设备、多工序、多订单的复杂排产场景。它的优势在于可以私有化部署、跟MES和物联网平台打通，形成"数据采集→排产计算→执行反馈"的闭环。
不过也要说实话——APS系统不是万能的。它排出来的方案再优，如果基础数据不准（比如标准工时偏差大、物料数据不实时），结果照样不靠谱。排产数字化的前提，是数据的准确性和实时性。这就引出了下一个话题——设备联网。
二、设备联网：数据从哪来？
排产需要准确的数据，但数据从哪来？
很多工厂的现状是：设备在那里跑着，数据在设备里藏着，人拿着纸笔在旁边记着。
一台注塑机，温度、压力、周期时间这些关键参数，设备控制系统里都有。但如果没做联网，这些数据就只存在于设备的HMI屏幕上——运维人员走过去看一眼，手抄到表格里，月底汇总一下。
这种方式的后果是什么？
- 数据不实时：你看到的是10分钟前的数据，不是现在的数据
- 数据不完整：人只记了他认为重要的参数，其他参数没记
- 数据不可靠：人可能看错了、记错了、甚至懒得记
- 数据不可追溯：出了问题想回头看，发现记录缺失
这些问题在合规场景下尤其致命——环保排放数据、设备安全数据、质量追溯数据，监管机构要的是"可验证的、连续的、不可篡改的记录"，不是月底补出来的Excel表。
设备联网要解决的核心问题，就是把数据从设备里"搬"出来，搬到平台上。
说起来简单，做起来有三道坎：
1. 协议兼容性
工厂里的设备品牌五花八门——西门子的PLC、三菱的CNC、欧姆龙的传感器、各种国产设备。每个品牌用的通信协议不一样：Modbus、OPC UA、Profinet、EtherCAT、MQTT……
要把这些设备都连起来，平台必须支持足够多的工业协议。
2. 边缘计算能力
不是所有数据都需要传到云端处理。有些场景需要毫秒级的响应——比如设备温度异常，不可能等数据传到云端、云端处理完、再下发指令回到设备端。这个来回可能就几十秒，而几十秒在工业场景下可能就是事故。
所以平台要有边缘计算能力——在设备端就近完成数据采集、初步处理和紧急响应，不需要事事依赖云端。
3. 数据治理
设备连上来以后，数据量会很大。一台设备每秒采集10个数据点，100台设备就是每秒1000个点，一天下来就是8600万条数据。
这些数据不能一股脑全存，得有策略：
- 哪些数据需要高频存储（比如安全相关的关键参数）
- 哪些数据可以降频存储（比如环境温湿度）
- 哪些数据需要在边缘就做过滤和聚合（比如设备正常运行时只存统计值，异常时才存原始数据）
- 数据保留策略是什么（实时数据保留多久、历史数据保留多久、归档数据保留多久）
没有数据治理策略，光"连上设备"是没有意义的——数据量太大，存不起也算不动。
三、排产+联网：闭环才是价值
说了排产和联网各自的难点，最后聊聊为什么要把这两件事放在一起做。
因为排产的质量取决于数据的准确性和实时性，而联网的价值需要通过排产等应用来体现。
举个具体例子：
传统排产流程：PMC每天早上根据昨天的数据和经验排一版计划，发给车间执行。计划里假设某台设备全天可用。
但实际情况是：这台设备在上午10点出了故障，维修需要4小时。这4小时里，原本排在这台设备上的3个订单全部停滞。PMC接到通知后，手动调整计划——但调整的时候发现，另一个订单需要的物料还没到，替换订单也排不了。最后折腾了一下午，新计划还是漏洞百出。
联网+APS的流程：设备故障的瞬间，物联网平台就检测到了异常，同时更新了设备的可用状态。APS系统自动感知到产能变化，触发了重排计算——把故障设备上的订单迁移到备用设备，同时检查物料齐套情况，确保迁移后的订单能正常执行。整个过程从故障检测到新计划下发，可能在10分钟内完成。
这就是闭环的价值——感知→决策→执行，全链路自动化。
不是取代PMC，而是让PMC从"手动排产+到处救火"变成"审核AI方案+处理异常情况"。效率完全不同。
四、结语
5.4%的增长、30%的AI渗透率——这些宏观数据说明制造业的数字化转型确实在加速。
但数字背后的现实是：很多工厂的核心环节（排产、设备管理、质量控制）还没有真正数字化。不是不想做，而是"最后一公里"的难度被低估了。
排产不是一个软件能解决的，它需要准确的数据、合理的约束建模、以及跟执行层的闭环。设备联网也不是装几个传感器就完事了，它需要协议兼容、边缘计算、数据治理的完整体系。
把这两件事打通，数字化转型的"最后一公里"才算真正走完。