基于大模型的车间生产计划辅助生成方法研究

引言

随着制造业向智能化、数字化转型，传统的车间生产计划编制方法已难以满足现代制造企业的需求。生产计划作为制造执行系统的核心环节，直接影响生产效率、资源利用率和交付准时率。当前，生产计划编制主要依赖计划人员的经验，存在效率低下、难以应对复杂变化等问题。近年来，大语言模型在文本生成、知识问答等任务中展现出强大能力，这为生产计划辅助生成提供了技术基础。国内外学者已开始探索人工智能在生产计划领域的应用，如基于规则的系统、专家系统和传统机器学习方法等。然而，这些方法在灵活性、适应性和知识整合能力方面存在明显不足。大模型的横空出世为该问题提供了解决之法。大模型技术不仅推动了人工智能的发展，也带来了影响商业的多个变化，例如人机交互方式、软件应用生态、智能生产方式、数据飞轮的形成等，这些改变会重塑企业提供产品、服务的形式和流程，以及企业内部的流程。[1]

本研究旨在探索如何有效利用大模型辅助生成生产计划，重点解决实际应用中的关键技术问题。通过系统研究提示词设计、回答优化等方法，开发出一套可行的大模型辅助排产方案，为制造企业智能化转型提供技术支持。

一、研究背景

当前制造业面临多品种小批量、定制化需求增加等挑战，传统生产计划方法已难以满足需求。人工排产通常需要数小时甚至更长时间，且容易受到经验局限影响，难以实现全局优化。大模型具有强大的知识处理和推理能力，可以快速分析复杂约束条件，生成较优的生产计划方案。然而，直接将大模型应用于生产计划生成存在输出不稳定、忽略关键约束等风险。因此，需要研究如何通过科学的提示词设计和结果优化方法，确保大模型输出的生产计划切实可行。

二、大模型优势

基于大语言模型的生产计划辅助生成方法具有多方面显著优势。首先，在知识整合能力方面，大模型可以融合来自市场需求、设备手册、工艺文件、历史计划数据等多源文本数据，充分考虑所有对生产可能造成不利影响的因素。其次，自然语言交互特性大幅提升了系统的易用性。计划人员可以使用日常语言描述需求，且仅需准确表述生产计划的限制条件和排产的需求即可，不需要进行复杂的排产计算，快速便捷。不仅如此，大模型具备强大的智能优化能力。系统可以同时考虑设备状态、物料供应、人员技能等多个约束条件，在很短的时间内便可生成多个可行方案。此外，大模型还具备持续学习能力。通过不断吸收新的生产数据和反馈，系统可以逐步优化计划策略。

二、大模型的使用难点

尽管大模型技术为生产计划生成带来诸多优势，但在实际应用中仍面临多项挑战。首要难点是数据质量问题。生产计划依赖的数据通常分散在各个系统中，存在格式不统一、记录不完整等问题。例如，设备状态数据可能来自 MES 系统，而物料信息存储在 ERP 中，如何实现有效的数据对齐和清洗是关键技术难题。

领域知识融合是另一个重要挑战。大模型的通用知识需要与制造业特定的领域知识深度结合才能生成可用的生产计划。这包括理解工艺路线、设备特性、质量控制标准等专业内容。缺乏足够的领域知识可能导致生成的计划不符合实际生产要求。

结果可靠性问题也不容忽视。生产计划直接影响实际制造过程，任何错误都可能导致严重的经济损失。大模型固有的"幻觉"问题可能生成看似合理但实际不可行的计划。如何确保生成结果的准确性和可靠性是系统设计的关键考量。

计算效率与实时性要求构成另一项挑战。车间生产环境变化快速，计划系统需要在分钟级响应设备故障、急单插入等突发事件。大模型的推理速度可能难以满足这种实时性要求，特别是在需要考虑复杂约束条件时。

此外，多目标优化平衡也是难点之一。生产计划需要同时满足交货期、成本、质量、设备利用率等多个目标，这些目标往往相互冲突。大模型需要具备在多目标间进行合理权衡的能力，这对算法设计提出了很高要求。

三、大模型选用

本研究选用 DeepSeek-R1 作为基础大模型，主要基于以下考虑：首先，DeepSeek-R1 在逻辑推理和数学计算方面表现突出，能够较好处理生产计划中的约束满足问题；其次，该模型对中文语境理解深入，适合国内制造企业使用；再次，其 API 接口稳定，响应速度快，满足实时排产需求。与其他通用大模型相比，DeepSeek-R1 在处理包含多个变量的优化问题时表现出更强的稳定性，减少了输出结果出现逻辑矛盾的概率。

四、提示词撰写思路

提示词设计需兼顾数据安全与模型理解。采用代号替代敏感数据，如"设备 A 产能系数 X"。约束条件应完整描述工序逻辑、设备参数及人力配置等关键要素，确保计划可行性。表达方式宜采用结构化段落，按工序流程、资源约束等维度组织信息，提升模型理解准确度。最后需明确输出要求，包括时间安排、资源分配等具体内容，引导模型生成规范化的计划方案。这种设计既保护企业数据安全，又能获得符合实际需求的生产计划。

五、大模型回答结果优化

为提高大模型输出质量，本研究设计了分步优化的方法：

1. 初步方案生成：首先获取大模型的初始计划方案，重点关注其是否满足所有约束条件。

2. 针对性追问：对可疑点进行验证式提问，进一步研究生成排产计划正确性。

3. 结果校验：将大模型输出转化为甘特图等形式，直观检查是否存在冲突。

4. 参数调整：当发现不合理处时，修改相关约束条件重新提问，而非直接要求修改结果。

5. 迭代优化：通过多轮问答逐步完善计划细节，每次提问仅聚焦 1-2个问题点。

这种方法避免了单次复杂提问导致的错误累积，显著提高了最终方案的可靠性。实践表明，经过 3-5 轮优化后，计划方案的可行性可达 90% 以上。

六、系统特点

本研究提出的方法具有以下显著优势：

1. 效率提升：将传统需要数小时的排产过程缩短至 10 分钟内完成，大幅减少人工时间。

2. 科学性强：基于客观约束而非主观经验，避免了人为偏见的影响。

3. 灵活性高：可快速响应计划变更，只需修改相应约束条件重新生成即可。

4. 可解释性好：通过保留提问记录，可以追溯计划生成的逻辑过程

5. 持续进化：随着大模型迭代升级和案例积累，排产质量将不断提高

七、总结与展望

本研究证实了 DeepSeek-R1 大模型在车间生产计划生成中的实用价值。通过精心设计的提示词和分步优化方法，可以有效控制输出质量，获得可行的计划方案。与人工排产相比，该方法在效率和科学性方面具有明显优势。未来研究方向包括：开发领域专用的微调模型，进一步提升排产专业性；实现与 MES 系统的深度集成，自动获取实时生产数据；探索多目标优化方法，平衡效率、成本等多个维度。随着技术的不断发展，大模型辅助生产计划制定将在智能制造中发挥越来越重要的作用。

参考文献

[1]沈抖. 大模型浪潮：商业机遇、产业变革与未来趋势 [M]. 北京：中信出版集团，2025 年 6 月

作者简介：费禹铖（1996-），男，广西全州人，本科，助理工程师研究方向为系统数字化、信息化与智能化。