不確定環境下車企如何破壁升級：從排產排程到倉儲物流的全局優化
當前，汽車行業正在發生巨變。隨著造車新勢力崛起，新能源汽車正加速替代傳統燃油車，汽車產業鏈不斷被解耦，生產供應模式被重塑，市場競爭日益加劇，疊加長期面臨著國際局勢動蕩、原材料成本上升、雙碳政策管制、疫情反復爆發等諸多挑戰，市場不確定性成為常態，汽車供應鏈亟需借助數智化技術提升韌性和柔性。
在此背景下，大多車企都在探索更加高效、靈活、低成本的生產運營方式，但汽車產業鏈異常復雜，轉型升級并非易事。一輛整車的生產會涉及數百家供應商、上萬個零部件，生產、供應、倉儲、物流等流程環環相扣，如何提升決策水平、優化各類資源調度成為降本增效的重點和難點，決策智能化也成為汽車廠商破局增長的突破口。
針對汽車制造行業的決策優化問題，很多車企進行了多種探索和嘗試，比如，通過一些數字化系統進行改造，但很少有從頂層設計到計劃執行的全局方案，例如，只從單個場景或執行層面出發，可能局部問題改善了但整體效益卻不一定提升；計劃和執行不一致，生產紊亂、協同不暢、效率低下；無法考慮成本因素，影響整體決策效果等等。
汽車制造供應鏈流程示意圖
在產能、資源和成本之間綜合尋優，是汽車精益生產的需要，也是新一代智能決策技術在汽車制造領域的價值所在。基于全局優化思維，杉數科技打造了針對汽車行業的智能決策解決方案，以綜合經濟效益最優為導向，以求解器COPT、COMatrix、COForecast三大技術引擎為基礎，深度融合汽車制造各個場景構建了定制化的智能排產、智能排程、需求預測、倉儲優化、物流運輸優化等模塊，從全局視角優化生產制造各個環節，不僅可以快速解決各場景的復雜決策問題，也能夠有效整合銷售、生產、供應、倉儲、物流等全流程，促進多層級聯動和多工廠協同，實現從局部到整體、從效率到效益的多維升級。
從應用情況看，領先車企正通過新一代智能決策技術快速“超車”，不同場景的落地成果表明，智能決策技術對車企當下業務增長和長期戰略轉型都舉足輕重，那么智能決策技術到底是如何撬開車企智能化轉型的枷鎖的？以下我們將從汽車生產制造的不同環節逐一拆解。
01整車工廠的智能排產
生產計劃包括排產（不同周期的生產數量計劃）和排程（計劃執行-生產排序）
生產計劃是整車工廠運作的重要抓手，發揮著連接市場需求、指導生產執行、拉動物料供應的重要作用。其中，排產是對長中短期生產數量進行計劃的過程，排產需要考慮客戶需求、車型、工藝、產能、成本、排班等因素，排產約束多，計算量級大，決策復雜度很高。目前整車工廠在排產時主要依靠人工或者基于既定排產規則的APS系統，效率低，準確度不高，而且無法全面考慮成本、產能等約束。
智能排產方案框架示意圖
某整車廠商采用杉數提供的智能排產方案，以生產成本最小化為優化目標，充分挖掘企業生產、銷售等部門的數據，結合設備、工藝等參數及人工經驗，全方位考慮產能、車間關系、均衡性、排班等約束，充分發揮算法模型和COPT求解器的優化求解優勢，制定全局最優的排產方案，不僅在排產效率上得到了大幅提升，也幫助企業節省了大量成本，有效提升了產能。同時，更精準的排產計劃可以提升物料籌措準確率，減少資源浪費。
從實際業務效益推算，使用智能排產系統后，該企業的JPH提升1%，可貢獻機會產能1萬臺左右，減少設備停產2%，可貢獻機會產能5000臺左右，在降本增效的同時，為企業靈活應對市場變化提供了強有力的支撐。
和傳統排產方式相比，智能排產改變的不僅是計劃方式，更是生產運營的思維和模式，基于智能排產，后續的生產流程都將更加精細化和科學化。不過需要指出的是，通過智能排產系統做出的生產計劃，對實際生產執行起到的是預測指導和參考基準的作用，在具體生產時，企業會根據該生產計劃數據進行相應的調整和轉換，以確定其他相關層級的執行計劃。
02整車工廠的智能排程
生產計劃排程，主要是在執行層面對不同車間和產線的生產進行排序。整車生產要經過沖壓、焊裝、涂裝和總裝四大工藝，執行生產時各個工藝車間和產線的排序會影響到最終的執行結果。比如，計劃同時有10個車型需要生產，如何在保證產能的情況下滿足不同訂單的需求？應該先生產哪個車型？幾個車間如何保證生產一致性？同一個車型應該先生產哪種顏色？
計劃排序涉及訂單、產線、生產工藝、車型、顏色、配置、混線生產等多項業務需求，根據整車生產的實際場景，杉數智能排程系統可以將這些問題轉化為有限約束條件，構建排序計劃算法模型，并搭載求解器COPT進行求解，最終達成綜合最優的生產排序計劃。
智能排程案例示意圖
在上汽通用凱迪拉克工廠智能化升級過程中，杉數智能排程方案發揮了重要作用。針對凱迪拉克工廠焊裝車間（BS）、涂裝車間（PS）、總裝車間（GA）的計劃執行和運營問題，智能排程方案從平準化排產、分車間排序和車身分子線排序三個方面進行優化，首先，按配置級制定滿足工藝要求的平準、循環的排序計劃，實現平準化排產。然后，根據各個車間工藝及運作限制，統籌平衡物流及車間整體資源，充分考慮排序約束條件，準確制定分車間排序計劃。同時，單獨制定符合子線工藝限制的子線排序計劃，提升子線計劃與實際生產匹配度。
通過智能排程，該工廠打破了原有的三個車間按照同一序列、取最長的路徑、按同一節拍打散到物料需求的排產規則，提高生產計劃排程的科學性和生成效率，提升全鏈路生產與物流運作的精益化水平。上線后，該項目組反饋，“作業計劃電子化并實現與其他系統的聯動，分車間排序使不同工廠的排產更加精細化，更好地指導了整車生產和物料采購”。
03動力總成工廠的智能排產和排程
汽車動力總成包括發動機、變速箱、驅動軸等汽車核心部件，通常單獨生產運營，最后在總裝環節進行組裝成整車。大型整車廠商一般擁有自己的動力總成工廠，動力總成在做生產計劃時，主要有兩個痛點：如何與整車廠計劃保持一致，以及如何提升計劃的效率和效果。
如果整車排產計劃不合理，那么動力總成排產也將不準確，因此整車排產計劃是動力總成排產的關鍵約束之一。除此外，動力總成排產的限制因素還包括生產能力、換型損失、設備及工藝限制、人員安排、建儲庫存等。
根據杉數智能排產方案，某車企的動力總成工廠在做生產計劃時，以整車工廠的生產計劃為基準，再結合自身的生產約束得出動力總成排產計劃，包括與當前整車計劃時間一致的動力總成生產數量和生產日歷。優化后，可以在每月每機型的庫存數量大于庫存標準水平的同時，最小化庫存數量，在建儲方面，當某月生產計劃不滿足該月需求時，優先用該月前一個月進行建儲，并依次向前面的月份推進。由此，一方面能夠靈活滿足整車工廠的需求，另一方面也能靈活拉動相關供應商的物料籌措。
動力總成工廠在進行計劃執行時，生產排程和整車工廠類似，系統需要輸出一定周期內每天每產線每品種的生產順序，不過約束條件及優化目標和整車有所不同。動力總成工廠生產排程的約束條件包括安全庫存、期初庫存、型號信息、換型時間、建儲庫存、班次信息、時間占用等，通過對生產場景建模求解后，可以得到換型損失時間最小和庫存數量最優的生產排序方案。
04物料需求計劃（BKM預測）
合理地進行物料籌措是能否完成生產計劃的必要條件之一，汽車生產物料數量多達上萬種，每種物料又對應多個供應商，隨著供應鏈不確定性增加，如何預訂供應商產能以保證生產需求成為整車廠面對的棘手問題。
為了更好地指導供應商準備物料，某整車廠商引入了杉數智能決策解決方案。方案結合歷史銷量數據、歷史銷售支持數據、歷史銷售需求數據、未來銷售支持計劃、未來銷售需求計劃、最大產能等定制化算法模塊，預測未來2年的銷量以及相應的資源準備計劃。和傳統人工計劃相比，基于智能算法的預測可以明顯提高預測準確率，降低變動成本。
根據BKM預測結果，再經過PR（PR指汽車技術裝備和結構代碼）打散，整車廠商就可以從PR號級別來指導各個零部件供應商的產能。在實際運營過程中，雖然供應商不會完全按照整車廠提供的需求計劃來供貨，但是會將供貨量保持在一定的安全水位，更精準的需求預測可以幫助整車廠和供應商更敏捷地調整和變動，提升物料籌措效率和柔性。
05物流優化—零部件入場物流調度優化
在物流領域，汽車制造行業被認為是最復雜、難度最大的行業之一。尤其是入場物流，涉及零件及物料數量大，運輸調度約束條件多，如何在正確的時間、把正確的零件和物料運送到工廠或者生產車間，是極其復雜的運籌優化難題。
物流運作與物料籌措的流程示意圖
整車工廠的零部件供應商一般分布在全球各地，入場物流呈現多樣性的特點。在做路線規劃時要考慮多個維度，比如訂單類型、交付時間與成本、區域限制、線路等等，在裝箱配載時，要考慮組托計算邏輯，組垛車型等，已經超越了人工可計算的范疇。
杉數為某汽車主機廠提供的入場物流解決方案，對提卸貨時間窗、車輛裝載體積、裝箱配載、最大里程數/站點間距/最大作業時間限制等多方面約束進行綜合考慮建模，利用路徑優化求解器和配載優化算法得出最優入場物流方案，實現了綜合總成本、總車次數、總里程數的最小化，以及裝載率的最大化。
06倉儲優化—零部件倉儲布局智能規劃
一般整車廠會根據中長期產能和計劃對倉儲網絡進行整體規劃和布局，但在新產品導入或工廠/產品需要調整時，需基于最新的輸入信息，對LOC內零部件倉儲庫位布局進行調整，以保持零部件在工廠內的高效周轉。傳統的規劃方式是由人工收集并處理相關輸入信息，然后再由人工規劃接收/上線路徑并繪制庫位布局圖。人工規劃主要依賴規劃員的經驗，無法全局考慮所有影響因素，而且無法對規劃結果進行對比和評估，具有很大優化空間。
基于優化算法和仿真模擬的倉儲優化方案
某汽車主機廠與杉數合作后，將智能算法和模擬仿真技術應用到倉儲優化場景中，將生產模式、零件清單、包裝信息、堆高、緊急響應時間、供貨間隔等因素全面抽象為數學模型，進行仿真計算和優化，從而得到最優的倉庫布局方案，實現了零部件倉庫規劃和運營的智能化升級。最終，有效提高了物流運作的效率和精度，提升了場地利用率，降低物流運作成本，并實現倉儲運營的量化和可視化管理。
實施過程中，杉數結合定性+定量的原則給出多種方案及對應的評價指標，從庫內動線、流通性、空間利用率等角度，綜合給出初始布局設計方案。在貨位分配方面，確定貨位分配方案及商品與貨架的對應關系，在滿足庫位容量約束、sku庫位需求約束的情況下，優化貨位分配對應任務路徑及貨架利用率。同時，通過模擬仿真系統實現不同倉庫布局規劃下對應的物流成本模擬，實現布局規劃模型和結果的不斷迭代優化。
總結
汽車制造的決策智能化升級是一個極其復雜的過程，每個場景的問題和約束都不一樣，但整體思路是一致的，即把各種生產運營決策問題轉化為數學規劃問題進行求解優化，從而在決策層面實現從人工到智能的轉變。借助于智能化、精細化的運營決策方式，汽車制造工廠將更加“聰明”，考慮問題更全面，求解規模更大，求解速度更快。
從協同應用價值來看，任何一個環節的優化都將直接或間接地促進相關環節的改進，帶來1+1＞2的效果。比如，排產優化除了能降低成本提升產能外，還能夠為物料籌措、倉儲物流等提供更好的參考；入場物流優化不僅可以為企業節省大量運輸成本，還將提升整車廠物料籌措的效率和效果等。通過全局協同運營，汽車生產各個環節能夠實現動態平衡，在遇到突發狀況時企業就可以靈活響應。
未來汽車的生產運營模式會持續變化，但不管如何變化，精益生產的需求不會變，企業對精細化和敏捷性的要求只會越來越高。一方面，新能源汽車的快速發展讓代工方式及全球化布局更加多元，對企業的整體運營水平提出了更高要求；另一方面，新型汽車供應鏈生態將以用戶為中心進行定制化生產，將改變傳統串聯模式為并行工程，以最大限度地提高資源利用率。在生產模式轉變過程中，智能決策技術將發揮越來越重要的作用。杉數根據汽車生產運營場景打造的定制化算法、模型和求解器，不僅可以實現新舊系統的打通和轉換，以及不同流程的對接和整合，還可以可根據業務規則進行靈活復制和調整，將為各類汽車生產廠商智能化轉型提供全方位技術和方案支持。
