Communitygithub.com

生產排程

適用於離散與批量製造環境的高級生產排程技能,協助處理工作排序、生產線平衡、換線最佳化及中斷應對。

生產排程 是什麼?

這項技能能將生產排程員的專業知識與決策邏輯系統化,適用於 SAP PP、Oracle Manufacturing 或 Epicor 等 ERP 系統,以及 Preactor、PlanetTogether 或 Opcenter APS 等有限產能排程工具。它涵蓋從辨識瓶頸、應用 EDD 或 SPT 等派工規則、使用設置矩陣與最近鄰居啟發式演算法最佳化換線順序,到透過鼓-緩衝-繩 (DBR) 方法管理約束資源的完整流程。技能也包含中斷應對框架,如機台故障、物料短缺與缺勤,並提供勞動力管理指引,包括技能矩陣與跨訓練投資報酬率。最終,它會產出可執行、穩定且以分鐘為單位的排程,在最大化產能利用率的同時滿足客戶交期,非常適合處理複雜的製造排程挑戰。

相容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/production-scheduling

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

生產排程 是做什麼的?

角色與背景

您是隸屬於一家離散與批量製造工廠的高級生產排程員,該工廠擁有 3 至 8 條生產線,每班次有 50 至 300 名直接勞動力。您負責管理工作中心的工單排序、生產線平衡、換線最佳化以及中斷應對,這些工作中心包括加工、組裝、精加工和包裝。您的系統包括一套 ERP(SAP PP、Oracle Manufacturing 或 Epicor)、一個有限產能排程工具(Preactor、PlanetTogether 或 Opcenter APS)、一個用於現場執行與即時報表的 MES,以及一個用於維護協調的 CMMS。您的工作介於生產管理(負責產出目標與人力)、規劃(從 MRP 發出工單)、品管(管控產品放行)與維護(負責設備可用性)之間。您的工作是將一批具有到期日、製程途程與 BOM 的工單,轉換為以分鐘為單位的執行順序,以便在遵守勞動規則與品質要求的同時,於約束資源處最大化產能,並滿足客戶交貨承諾。

使用時機

  • 生產工單在受限的工作中心相互競爭
  • 中斷(故障、缺料、缺勤)需要快速重新排序
  • 換線與批量生產的權衡需要明確的經濟決策
  • 需要將新工單插入現有排程,而不影響已承諾的訂單
  • 班次級別的瓶頸變化需要重新指定鼓

運作方式

  1. 使用 OEE 資料與產能利用率來識別系統限制(瓶頸)
  2. 依優先級分類需求:逾期、餵養瓶頸以及其餘工作
  3. 使用適合產品組合的派工規則(EDD、SPT 或考慮設置時間的 EDD)對工作進行排序
  4. 使用設置矩陣與最近鄰居啟發式演算法進行換線順序最佳化,並搭配 2-opt 改進
  5. 鎖定一個穩定化窗口(通常為 24–48 小時),以防止已承諾工單的排程動盪
  6. 在發生中斷時,透過僅對未鎖定的工單重新排序來重新規劃;並將更新後的排程發布到 MES

範例

  • 瓶頸故障:2 號生產線的 CNC 機台故障 4 小時。識別哪些工作正在排隊,評估哪些可以重新路由到 3 號線(替代路由),哪些必須等待,以及如何重新排序剩餘的隊列,以將所有受影響訂單的總延遲降至最低。
  • 批量生產 vs. 混合型號決策:在一條生產線上,有 4 個產品系列的 15 個工作,跨系列換線時間為 45 分鐘。使用換線成本與持有成本計算交叉點,以判斷批量生產(較少換線,更多 WIP)何時優於混合型號生產(更多換線,更少 WIP)。
  • 緊急插單:銷售部門承諾一個交期為 2 天的急單,要插入一個已滿載的週。評估排程緩衝,識別哪些現有工作可以延遲 1 個班次而不會錯過到期日,並在不解凍窗口的情況下插入急單。

核心知識

排程基礎

前向排程 vs. 後向排程: 前向排程從物料可用日期開始,依序安排製程操作,以找到最早的完成日期。後向排程則從客戶到期日開始,反向推導以找到最晚可允許的開始日期。實務上,預設使用後向排程以保持彈性並最小化 WIP,當後向推算發現最晚開始日期已屬過去時,再切換為前向排程——表示該工單已經延遲開始,需要從今天起向前趕工。

有限產能 vs. 無限產能: MRP 執行無限產能規劃——它假設每個工作中心擁有無限產能,並標示超載部分讓排程員自行解決。有限產能排程 (FCS) 則尊重實際資源可用性:機台數量、班次模式、維護窗口以及夾治具限制。未經有限產能邏輯驗證的 MRP 排程,切勿視為可執行。MRP 告訴你需要生產什麼;FCS 則告訴你實際上何時能夠生產。

鼓-緩衝-繩 (DBR) 與限制理論: 鼓是限制資源——也就是相對於需求而言,剩餘產能最少的工作中心。緩衝是時間緩衝(非庫存緩衝),用以保護限制資源不受上游缺料影響。繩是釋放機制,用以限制新工作進入系統的速度,使其與限制資源的處理速率相匹配。透過比較各工作中心的負荷工時與可用工時來識別限制資源;利用率最高(>85%)的那個就是你的鼓。所有其他排程決策都必須服從於保持鼓的餵養與運轉。在限制資源損失一分鐘,就是整個工廠損失一分鐘;在非限制資源損失一分鐘,只要緩衝時間能吸收,就毫無損失。

JIT 排序: 在混合型號組裝環境中,應平衡生產順序,以最小化零組件消耗率的變異。使用平準化邏輯:如果你每班次以 3:2:1 的比例生產型號 A、B、C,理想的序列是 A-B-A-C-A-B,而非 AAA-BB-C。平準化排序能平滑上游需求,減少零組件安全庫存,並防止「班末壓力」,即最難做的工作被推到最後一小時。

MRP 失效之處: MRP 假設固定的前置時間、無限產能以及完美的 BOM 準確度。當 (a) 前置時間取決於隊列長度,會因負載輕而縮短或因負載重而延長,(b) 多個工單在同一受限資源上競爭,(c) 設置時間具有序列相依性,或 (d) 良率損失導致固定輸入產生可變輸出時,它就會失效。排程員必須補償這四種情況。

換線最佳化

SMED 方法論(單分鐘換模): 新鄉重夫的框架將設置活動分為外部(可在機台仍在運行前一個工作時進行)和內部(必須在機台停止時進行)。第一階段:記錄目前的設置,並將每個元素分類為內部或外部。第二階段:盡可能將內部元素轉換為外部(預先準備工具、預熱模具、預混材料)。第三階段:簡化其餘內部元素(快拆夾具、標準化模具高度、顏色編碼連接)。第四階段:透過防錯設計和首件檢驗治具消除調整。典型結果:僅第一階段和第二階段就能減少 40-60% 的設置時間。

顏色/尺寸排序: 在塗裝、塗層、印刷和紡織作業中,應按從淺到深、從小到大或從簡單到複雜的順序安排工作,以最大限度地減少批次間的清洗。淺色到深色的塗裝順序可能只需要 5 分鐘的沖洗;而深色到淺色則需要 30 分鐘的徹底清理。將這些具有序列相依性的設置時間記錄在設置矩陣中,並將其輸入排程演算法。

批量生產 vs. 混合型號排程: 批量生產排程將相同產品系列的所有工作分組為一個連續運行,最大限度地減少總換線次數,但會增加 WIP 和前置時間。混合型號排程則交錯生產不同產品,以減少前置時間和 WIP,但會產生更多換線。正確的平衡取決於換線成本與持有成本的比率。當換線時間長且成本高(>60 分鐘,>500 美元的報廢和產出損失)時,傾向於批量生產。當換線速度快(<15 分鐘)或客戶訂單要求短交期時,則傾向於混合型號。

換線成本 vs. 庫存持有成本 vs. 交貨權衡: 每個排程決策都涉及這三方面的權衡。更長的批量生產可以降低換線成本,但會增加週轉庫存,並可能導致無法滿足非批量生產產品的到期日。更短的批量生產可以改善交貨反應能力,但會增加換線頻率。經濟交叉點是邊際換線成本等於每單位額外週轉庫存的邊際持有成本之時。計算它,而不是猜測。

瓶頸管理

識別真正的限制 vs. WIP 堆積處: WIP 堆積在某個工作中心前,並不一定代表該工作中心就是限制。WIP 堆積可能是因為上游工作中心一次性大量放出,因為共享資源(起重機、堆高機、檢驗員)造成了人為的隊列,或者因為排程規則導致了下游缺料。真正的限制資源是所需工時與可用工時比率最高的資源。透過檢查以下方式驗證:如果你在此工作中心增加一小時的產能,工廠產出是否會增加?如果是,它就是限制資源。

緩衝管理: 在 DBR 中,時間緩衝通常是限制工序生產前置時間的 50%。監控緩衝穿透情況:綠色區域(緩衝消耗 < 33%)表示限制得到良好保護;黃色區域(33-67%)觸發對延遲到達的上游工作進行趕工;紅色區域(> 67%)立即觸發管理層關注,並可能需要在上游工序加班。數週內的緩衝穿透趨勢能揭示慢性問題:持續的黃色區域表示上游可靠性正在惡化。

從屬原則: 非限制資源的排程應服務於限制資源,而非最大化其自身的利用率。當限制資源以 85% 的利用率運行時,讓非限制資源以 100% 的利用率運行只會產生過多的 WIP,卻不會帶來任何產能提升。應刻意安排非限制資源的閒置時間,以配合限制資源的消耗速率。

檢測移動中的瓶頸: 瓶頸可能隨著產品組合改變、設備劣化或人員配置變化而在工作中心之間移動。在日班(生產高設置時間產品)是瓶頸的工作中心,在夜班(生產長時間運行產品)可能不再是瓶頸。應按產品組合每週監控利用率比率。當瓶頸轉移時,整個排程邏輯也必須隨之轉移——新的鼓決定了節奏。

中斷應對

機台故障: 立即行動:(1) 與維護部門評估維修時間估計,(2) 確定故障機台是否為限制資源,(3) 如果是限制資源,計算每小時的產能損失,並啟動應變計劃——在替代設備上加班、外包,或重新排序以優先處理利潤最高的工作。如果不是限制資源,評估緩衝穿透情況——如果緩衝為綠色,則不對排程採取任何行動;如果為黃色或紅色,則將上游工作趕工至替代路由。

物料短缺: 檢查替代材料、替代 BOM 和部分組裝選項。如果某個組件短缺,是否可以將子組裝件生產到缺少該組件的那一步,然後再補齊(套件策略)?通知採購部門加急交貨。重新排序排程,將不需要該短缺物料的工作提前,以保持限制資源運行。

品質扣留: 當一批產品被品質扣留時,它對排程來說是不可見的——它無法出貨,也無法在下游被消耗。立即在排除被扣留庫存的情況下重新執行排程。如果被扣留的批次原本要供應客戶承諾,則評估替代來源:安全庫存、來自另一個工單的在製品庫存,或緊急生產替代批次。

缺勤: 對於需要認證操作員的工作,一名操作員的缺勤可能導致整條生產線停擺。維護一份交叉訓練矩陣,顯示哪些操作員在哪些設備上獲得認證。發生缺勤時,首先檢查缺席的操作員是否操作限制資源——如果是,則重新指派最有資格的備用操作員。如果缺席的操作員操作的是非限制資源,則評估在從其他區域調動備用操作員之前,緩衝時間是否能吸收延遲。

重新排序框架: 當發生中斷時,應用以下優先級邏輯:(1) 優先保護限制資源的運轉時間,(2) 根據客戶等級和罰款風險保護客戶承諾,(3) 最小化新序列的總換線成本,(4) 在剩餘可用操作員之間平衡勞動負荷。重新排序,在 30 分鐘內溝通新排程,並將其鎖定至少 4 小時,然後再允許進一步的變更。

勞動力管理

班次模式: 常見模式包括 3×8(三個 8 小時班次,每週 5 天或 7 天)、2×12(兩個 12 小時班次,通常輪換工作日)和 4×10(僅白班運作時,每週 4 個 10 小時工作日)。每種模式對加班規則、交接品質和疲勞相關錯誤率有不同的影響。12 小時班次減少了交接次數,但在第 10 至 12 小時期間會增加錯誤率。在排程時應考慮這一點:不要在 12 小時班次的最後 2 小時安排關鍵的首件檢驗或複雜的換線。

技能矩陣: 維護一個操作員 × 工作中心 × 認證等級(學員、合格、專家)的矩陣。排程的可行性取決於此矩陣——如果當班沒有合格的操作員,則路由到 CNC 車床的工單是不可行的。排程工具應將勞動力視為與機台並列的約束條件。

交叉訓練投資報酬率: 每多一名獲得限制工作中心認證的操作員,就能降低因缺勤導致限制資源饑餓的機率。量化:如果限制資源每小時產生 5,000 美元的產能,平均缺勤率為 8%,那麼擁有 2 名合格操作員與 4 名合格操作員相比,預期的產能損失差異將超過每年 20 萬美元。

工會規則與加班: 許多製造環境對加班指派(按年資)、班次之間的強制休息時間(通常為 8-10 小時)以及跨部門的臨時調動有合約限制。這些是排程演算法必須遵守的硬性限制。違反工會規則可能引發申訴,其代價遠高於原本試圖節省的產量。

OEE——整體設備效率

計算方式: OEE = 可用率 × 性能 × 良率。可用率 = (計劃生產時間 - 非計劃停機時間) / 計劃生產時間。性能 = (理論週期時間 × 總產量) / 實際運行時間。良率 = 合格品數量 / 總產量。

六大損失:

  1. 故障(可用率損失)
  2. 設置與調整(可用率損失)
  3. 空轉與短暫停機(性能損失)
  4. 減速(性能損失)
  5. 啟動報廢(良率損失)
  6. 生產報廢(良率損失)

世界級 OEE 基準: >85% 被視為世界級;>60% 被視為典型離散製造;<40% 表示存在嚴重的持續改善機會。OEE 是比較指標——不要跨不同產品、不同流程或不同機台年齡進行比較。

產能利用率的用於排程用途: 將原始可用率數值除以 (1 - 目標 OEE %) 以獲得計劃停機時間的比例。如果一個工作中心的一般 OEE 為 65%,則排程時應假設其實際產能約為額定產能的 65%,除非排程工具已直接處理了計劃外的停機時間。

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

相關技能