高度的业务抽象能力
在APS项目的实施中,核心挑战在于对业务细节与规则的精准提炼。与传统的企业信息系统不同,APS系统不仅仅追求生产数据的信息化和流程的自动化,其核心目标在于基于现有的生产资源,实现生产计划的快速、自动化和智能化编排,并在此基础上进行计划优化。
在制造业的供应链管理中,每个环节都有自身的特点和复杂性,这要求将供应链网络进行模型化的抽象处理。这些抽象处理包括使用有向图表示供应链网络,基于产品BOM和工艺的动态网络生成,对各种工艺和柔性生产的支持,实现工程更改管理(ECM),以及处理外包、代工和改制工艺等。这些抽象化的业务模型提供了一种可视化和系统化的方式来理解和管理整个供应链网络。
每个行业的生产过程都要遵循特定的工艺要求,即使在同一行业内,不同的公司也会基于自身的特定需求,制定出各自的业务和工艺约束。因此,已经精简的通用业务规则,在APS项目的业务规则系统中只占有很小的比例。这导致了不同APS项目之间所面临的业务规则有很大的差别,很难找到两个业务约束规则完全相同的APS项目。因此,一些APS产品在设计时,可能无法为特定的业务逻辑设计相应的规则约束,这就需要APS供应商有高度的业务抽象能力才可以确保APS项目的实施与落地。
算法模型工程化
APS项目实施的一个主要挑战在于复杂的算法模型工程化。这个过程需要将业务问题精确地转换成可操作的数学模型,同时在项目实现阶段,需要针对不同的目标和约束进行独立编程。由于这些目标和约束需要灵活配置以适应生产需求和变化,所以这个步骤的难度可想而知。
同时,APS系统还需要运用启发式算法对业务问题进行编码和变异处理来应对业务的动态变化。启发式算法能够提供一种灵活而高效的方式来生成新的解决方案,但这也是一项技术性很强的工作,涉及到业务问题的抽象编码和工程抽象。深度强化学习算法的应用更进一步加大了实施难度。这种算法需要结合深度学习的强大特性和强化学习的决策制定能力,其目标是解决复杂的决策问题。虽然这种算法可以有效地模拟生成面向长期目标的优化决策,但其学习过程和模型化过程都需要大量的计算资源和技术支持。
规则算法的应用同样充满挑战。这里需要将关键的业务约束抽象为实体之间的复杂关系,包括工艺流程、资源配置、产品依赖关系等。这些依赖关系在项目实现中通常表格的形式呈现,处理这些关系的计算过程需要精确的系统配置。
基础数据的管理与分析机制
在问题识别阶段,APS系统面临的挑战往往源自企业的数据管理和分析机制。首先,数据的准确性和完整性是APS系统成功的基石。如果企业的数据收集存在缺陷,例如数据不准确、时效性差或信息不全面,这将严重削弱APS系统识别问题的能力。不准确的数据可能导致对实际情况的误判,而信息不全则可能忽视关键的业务风险或机遇。其次,缺乏一套有效的量化指标体系也是一个关键障碍。若企业未能建立一套明确、可衡量的业务运营和绩效指标,APS系统将难以进行有效的监控和评估,进而影响问题的早期识别。
解决这一难题的一个有效途径是APS供应商与企业共同定义相关指标。例如,在某新兴制造企业的APS项目中,数策与企业合作,共同确立了核心指标,并通过管理驾驶舱的形式进行展示。这些指标使计划员或决策者能够洞察订单的总体态势,了解当前的交付能力,以及基于现有能力预期的交付能力。实际生产指标、能耗指标等关键数据得以展示,并持续推动整体运营能力的提升。通过这样的合作,APS系统能够更准确地识别问题,为企业提供更精准的决策支持。
APS与其他信息化系统的整合
大量的制造业信息化系统,如ERP、MES和MRP等,已经服务于行业十余年之久。由于技术发展的时代局限,这些系统的计算机语言、架构设计乃至迭代更新的策略均是上一代技术的产物。尽管如此,它们已成为生产过程中不可或缺的一部分,与日常运营紧密相连。任何数据系统的中断都可能导致从集团到工厂、从车间到设备等多个层级的生产活动受阻。同时,APS的效能进步依赖于这些现有信息系统所积累的数据。这种背景下,对这些系统进行升级和改造就像在一个运转中的大脑上执行手术,既要保证不损害已有的功能,又要实现精确而精细的改进,这无疑是一项充满挑战的工程。
为了解决这一难题,数策采用了一种创新性的方法——在不打乱与生产密切相关的其他系统的前提下,建立起一个数据中间层。这样的设计避免了直接“硬连线”,而是采用了“软耦合”的策略。通过这一数据中间层,数策IDEAS APS能够顺畅地与原有信息系统进行数据交互,而无需直接接触到生产的关键系统。如此,数策成功地为APS排产系统与现有信息化系统之间搭建了一座数据交流的桥梁。
地址:上海浦东新区新金桥路1599号B1幢6层(邮编:201206)
邮箱:sales@mathartsys.com
2024数策软件版权所有
沪ICP备13005394号-1 | 公安备案号31011502010445