当前，汽车行业正在发生巨变。随着造车新势力崛起，新能源汽车正加速替代传统燃油车，汽车产业链不断被解耦，生产供应模式被重塑，市场竞争日益加剧，叠加长期面临着国际局势动荡、原材料成本上升、双碳政策管制、疫情反复爆发等诸多挑战，市场不确定性成为常态，汽车供应链亟需借助数智化技术提升韧性和柔性。

在此背景下，大多车企都在探索更加高效、灵活、低成本的生产运营方式，但汽车产业链异常复杂，转型升级并非易事。一辆整车的生产会涉及数百家供应商、上万个零部件，生产、供应、仓储、物流等流程环环相扣，如何提升决策水平、优化各类资源调度成为降本增效的重点和难点，决策智能化也成为汽车厂商破局增长的突破口。

针对汽车制造行业的决策优化问题，很多车企进行了多种探索和尝试，比如，通过一些数字化系统进行改造，但很少有从顶层设计到计划执行的全局方案，例如，只从单个场景或执行层面出发，可能局部问题改善了但整体效益却不一定提升；计划和执行不一致，生产紊乱、协同不畅、效率低下；无法考虑成本因素，影响整体决策效果等等。

汽车制造供应链流程示意图

在产能、资源和成本之间综合寻优，是汽车精益生产的需要，也是新一代智能决策技术在汽车制造领域的价值所在。基于全局优化思维，杉数科技打造了针对汽车行业的智能决策解决方案，以综合经济效益最优为导向，以求解器COPT、COMatrix、COForecast三大技术引擎为基础，深度融合汽车制造各个场景构建了定制化的智能排产、智能排程、需求预测、仓储优化、物流运输优化等模块，从全局视角优化生产制造各个环节，不仅可以快速解决各场景的复杂决策问题，也能够有效整合销售、生产、供应、仓储、物流等全流程，促进多层级联动和多工厂协同，实现从局部到整体、从效率到效益的多维升级。

从应用情况看，领先车企正通过新一代智能决策技术快速“超车”，不同场景的落地成果表明，智能决策技术对车企当下业务增长和长期战略转型都举足轻重，那么智能决策技术到底是如何撬开车企智能化转型的枷锁的？以下我们将从汽车生产制造的不同环节逐一拆解。

01整车工厂的智能排产

生产计划包括排产（不同周期的生产数量计划）和排程（计划执行-生产排序）

生产计划是整车工厂运作的重要抓手，发挥着连接市场需求、指导生产执行、拉动物料供应的重要作用。其中，排产是对长中短期生产数量进行计划的过程，排产需要考虑客户需求、车型、工艺、产能、成本、排班等因素，排产约束多，计算量级大，决策复杂度很高。目前整车工厂在排产时主要依靠人工或者基于既定排产规则的APS系统，效率低，准确度不高，而且无法全面考虑成本、产能等约束。

智能排产方案框架示意图

某整车厂商采用杉数提供的智能排产方案，以生产成本最小化为优化目标，充分挖掘企业生产、销售等部门的数据，结合设备、工艺等参数及人工经验，全方位考虑产能、车间关系、均衡性、排班等约束，充分发挥算法模型和COPT求解器的优化求解优势，制定全局最优的排产方案，不仅在排产效率上得到了大幅提升，也帮助企业节省了大量成本，有效提升了产能。同时，更精准的排产计划可以提升物料筹措准确率，减少资源浪费。

从实际业务效益推算，使用智能排产系统后，该企业的JPH提升1%，可贡献机会产能1万台左右，减少设备停产2%，可贡献机会产能5000台左右，在降本增效的同时，为企业灵活应对市场变化提供了强有力的支撑。

和传统排产方式相比，智能排产改变的不仅是计划方式，更是生产运营的思维和模式，基于智能排产，后续的生产流程都将更加精细化和科学化。不过需要指出的是，通过智能排产系统做出的生产计划，对实际生产执行起到的是预测指导和参考基准的作用，在具体生产时，企业会根据该生产计划数据进行相应的调整和转换，以确定其他相关层级的执行计划。

02整车工厂的智能排程

生产计划排程，主要是在执行层面对不同车间和产线的生产进行排序。整车生产要经过冲压、焊装、涂装和总装四大工艺，执行生产时各个工艺车间和产线的排序会影响到最终的执行结果。比如，计划同时有10个车型需要生产，如何在保证产能的情况下满足不同订单的需求？应该先生产哪个车型？几个车间如何保证生产一致性？同一个车型应该先生产哪种颜色？

计划排序涉及订单、产线、生产工艺、车型、颜色、配置、混线生产等多项业务需求，根据整车生产的实际场景，杉数智能排程系统可以将这些问题转化为有限约束条件，构建排序计划算法模型，并搭载求解器COPT进行求解，最终达成综合最优的生产排序计划。

智能排程案例示意图

在上汽通用凯迪拉克工厂智能化升级过程中，杉数智能排程方案发挥了重要作用。针对凯迪拉克工厂焊装车间（BS）、涂装车间（PS）、总装车间（GA）的计划执行和运营问题，智能排程方案从平准化排产、分车间排序和车身分子线排序三个方面进行优化，首先，按配置级制定满足工艺要求的平准、循环的排序计划，实现平准化排产。然后，根据各个车间工艺及运作限制，统筹平衡物流及车间整体资源，充分考虑排序约束条件，准确制定分车间排序计划。同时，单独制定符合子线工艺限制的子线排序计划，提升子线计划与实际生产匹配度。

通过智能排程，该工厂打破了原有的三个车间按照同一序列、取最长的路径、按同一节拍打散到物料需求的排产规则，提高生产计划排程的科学性和生成效率，提升全链路生产与物流运作的精益化水平。上线后，该项目组反馈，“作业计划电子化并实现与其他系统的联动，分车间排序使不同工厂的排产更加精细化，更好地指导了整车生产和物料采购”。

03动力总成工厂的智能排产和排程

汽车动力总成包括发动机、变速箱、驱动轴等汽车核心部件，通常单独生产运营，最后在总装环节进行组装成整车。大型整车厂商一般拥有自己的动力总成工厂，动力总成在做生产计划时，主要有两个痛点：如何与整车厂计划保持一致，以及如何提升计划的效率和效果。

如果整车排产计划不合理，那么动力总成排产也将不准确，因此整车排产计划是动力总成排产的关键约束之一。除此外，动力总成排产的限制因素还包括生产能力、换型损失、设备及工艺限制、人员安排、建储库存等。

根据杉数智能排产方案，某车企的动力总成工厂在做生产计划时，以整车工厂的生产计划为基准，再结合自身的生产约束得出动力总成排产计划，包括与当前整车计划时间一致的动力总成生产数量和生产日历。优化后，可以在每月每机型的库存数量大于库存标准水平的同时，最小化库存数量，在建储方面，当某月生产计划不满足该月需求时，优先用该月前一个月进行建储，并依次向前面的月份推进。由此，一方面能够灵活满足整车工厂的需求，另一方面也能灵活拉动相关供应商的物料筹措。

动力总成工厂在进行计划执行时，生产排程和整车工厂类似，系统需要输出一定周期内每天每产线每品种的生产顺序，不过约束条件及优化目标和整车有所不同。动力总成工厂生产排程的约束条件包括安全库存、期初库存、型号信息、换型时间、建储库存、班次信息、时间占用等，通过对生产场景建模求解后，可以得到换型损失时间最小和库存数量最优的生产排序方案。

04物料需求计划（BKM预测）

合理地进行物料筹措是能否完成生产计划的必要条件之一，汽车生产物料数量多达上万种，每种物料又对应多个供应商，随着供应链不确定性增加，如何预订供应商产能以保证生产需求成为整车厂面对的棘手问题。

为了更好地指导供应商准备物料，某整车厂商引入了杉数智能决策解决方案。方案结合历史销量数据、历史销售支持数据、历史销售需求数据、未来销售支持计划、未来销售需求计划、最大产能等定制化算法模块，预测未来2年的销量以及相应的资源准备计划。和传统人工计划相比，基于智能算法的预测可以明显提高预测准确率，降低变动成本。

根据BKM预测结果，再经过PR（PR指汽车技术装备和结构代码）打散，整车厂商就可以从PR号级别来指导各个零部件供应商的产能。在实际运营过程中，虽然供应商不会完全按照整车厂提供的需求计划来供货，但是会将供货量保持在一定的安全水位，更精准的需求预测可以帮助整车厂和供应商更敏捷地调整和变动，提升物料筹措效率和柔性。

05物流优化—零部件入场物流调度优化

在物流领域，汽车制造行业被认为是最复杂、难度最大的行业之一。尤其是入场物流，涉及零件及物料数量大，运输调度约束条件多，如何在正确的时间、把正确的零件和物料运送到工厂或者生产车间，是极其复杂的运筹优化难题。

物流运作与物料筹措的流程示意图

整车工厂的零部件供应商一般分布在全球各地，入场物流呈现多样性的特点。在做路线规划时要考虑多个维度，比如订单类型、交付时间与成本、区域限制、线路等等，在装箱配载时，要考虑组托计算逻辑，组垛车型等，已经超越了人工可计算的范畴。

杉数为某汽车主机厂提供的入场物流解决方案，对提卸货时间窗、车辆装载体积、装箱配载、最大里程数/站点间距/最大作业时间限制等多方面约束进行综合考虑建模，利用路径优化求解器和配载优化算法得出最优入场物流方案，实现了综合总成本、总车次数、总里程数的最小化，以及装载率的最大化。

06仓储优化—零部件仓储布局智能规划

一般整车厂会根据中长期产能和计划对仓储网络进行整体规划和布局，但在新产品导入或工厂/产品需要调整时，需基于最新的输入信息，对LOC内零部件仓储库位布局进行调整，以保持零部件在工厂内的高效周转。传统的规划方式是由人工收集并处理相关输入信息，然后再由人工规划接收/上线路径并绘制库位布局图。人工规划主要依赖规划员的经验，无法全局考虑所有影响因素，而且无法对规划结果进行对比和评估，具有很大优化空间。

基于优化算法和仿真模拟的仓储优化方案

某汽车主机厂与杉数合作后，将智能算法和模拟仿真技术应用到仓储优化场景中，将生产模式、零件清单、包装信息、堆高、紧急响应时间、供货间隔等因素全面抽象为数学模型，进行仿真计算和优化，从而得到最优的仓库布局方案，实现了零部件仓库规划和运营的智能化升级。最终，有效提高了物流运作的效率和精度，提升了场地利用率，降低物流运作成本，并实现仓储运营的量化和可视化管理。

实施过程中，杉数结合定性+定量的原则给出多种方案及对应的评价指标，从库内动线、流通性、空间利用率等角度，综合给出初始布局设计方案。在货位分配方面，确定货位分配方案及商品与货架的对应关系，在满足库位容量约束、sku库位需求约束的情况下，优化货位分配对应任务路径及货架利用率。同时，通过模拟仿真系统实现不同仓库布局规划下对应的物流成本模拟，实现布局规划模型和结果的不断迭代优化。

总结

汽车制造的决策智能化升级是一个极其复杂的过程，每个场景的问题和约束都不一样，但整体思路是一致的，即把各种生产运营决策问题转化为数学规划问题进行求解优化，从而在决策层面实现从人工到智能的转变。借助于智能化、精细化的运营决策方式，汽车制造工厂将更加“聪明”，考虑问题更全面，求解规模更大，求解速度更快。

从协同应用价值来看，任何一个环节的优化都将直接或间接地促进相关环节的改进，带来1+1＞2的效果。比如，排产优化除了能降低成本提升产能外，还能够为物料筹措、仓储物流等提供更好的参考；入场物流优化不仅可以为企业节省大量运输成本，还将提升整车厂物料筹措的效率和效果等。通过全局协同运营，汽车生产各个环节能够实现动态平衡，在遇到突发状况时企业就可以灵活响应。

未来汽车的生产运营模式会持续变化，但不管如何变化，精益生产的需求不会变，企业对精细化和敏捷性的要求只会越来越高。一方面，新能源汽车的快速发展让代工方式及全球化布局更加多元，对企业的整体运营水平提出了更高要求；另一方面，新型汽车供应链生态将以用户为中心进行定制化生产，将改变传统串联模式为并行工程，以最大限度地提高资源利用率。在生产模式转变过程中，智能决策技术将发挥越来越重要的作用。杉数根据汽车生产运营场景打造的定制化算法、模型和求解器，不仅可以实现新旧系统的打通和转换，以及不同流程的对接和整合，还可以可根据业务规则进行灵活复制和调整，将为各类汽车生产厂商智能化转型提供全方位技术和方案支持。