一、痛点派工员每天花3小时排产手工排的顺序永远不是最优的Fab派工Dispatching是最复杂的决策问题之一每分钟有几十个批次在系统中每台设备有多个腔室每个腔室有多个recipe每条产品在每个工序有多个可选路径——派工员要在几秒钟内决定哪个批次去哪个设备而且这个决策会影响良率、周期时间、设备利用率三个目标函数。我见过最夸张的派工员案例每天花3小时手工排产排出来的顺序仍然被设备工程师抱怨腔室状态不匹配、recipe切换太频繁——派工员说我知道不合理但我顾不过来。我的解决方案把派工员的经验规则变成派工规则引擎用算法自动计算最优派工序列同时保留人工干预的入口。二、派工规则引擎的核心设计第一层派工约束库。派工不是想派哪派哪有大量硬约束必须满足设备能力约束这台设备能不能跑这个产品recipe兼容吗、腔室状态约束这台腔室的状态适合这个recipe吗PM后有没有清洁期、批次优先级约束有没有加急批次有没有hold批、时间窗口约束某些产品必须在某个时间窗口内完成某个工序。这些约束必须被编码成引擎能理解的规则。第二层派工目标函数。派工优化的目标通常是三个的权衡①设备利用率最大化设备Busy时间②周期时间最小化批次在系统内的等待时间③良率影响优先排能够稳定良率的设备腔室组合。三个目标通常是相互冲突的最大化利用率可能导致批次积压增加周期时间需要一个加权目标函数来综合权衡。权重的设置需要和业务部门讨论当前Fab最痛的是什么利用率低还是周期时间长权重反映了Fab当前的业务优先级。第三层规则引擎 人工干预。算法给出推荐派工序列但最终决策权在派工员。派工员可以接受推荐、修改派工、拒绝推荐并说明原因。任何人工修改都会被记录作为规则引擎的学习数据——如果派工员经常修改某个推荐说明这条规则需要调整。规则引擎不是替代派工员是帮他过滤掉80%不需要动脑筋的常规决策让他把精力集中在20%的复杂决策上。三、派工规则库的常见规则规则类型规则描述优先级典型场景硬约束-Recipe兼容性仅当设备的recipe list包含该批次recipe时可选最高P0某产品只能在能做该recipe的设备上跑硬约束-腔室清洁状态PM后首10片不允许跑高良率要求产品最高P0新PM腔室不稳定软约束-腔室匹配优先排与批次历史腔室匹配的腔室高P1减少腔室匹配问题的发生软约束-批量最小化尽量把相同产品连续排减少换线中P2减少recipe切换时间和换线良率损失软约束-优先级加权加急批权重×3hold批权重0中P2优先处理加急批四、派工引擎的效果Q厂实施案例Q厂实施派工规则引擎前派工员手工派工平均派工时间3小时/天设备利用率72%平均周期时间18天。实施后派工员审核算法推荐处理异常平均30分钟/天设备利用率提升到81%9pp平均周期时间缩短到14天-4天。派工员反馈以前派完工还是提心吊胆怕哪里排错了现在大多数时候直接接受推荐有问题系统会提醒反而轻松了。五、派工规则引擎的三个限制限制一规则引擎不能处理新情况。规则引擎是基于历史经验设计的遇到训练数据里没有覆盖过的场景比如新设备上线、新产品导入、突发设备故障规则可能失效。派工员在这种情况下的临场判断仍然不可替代。规则引擎是经验的复用不是通用的智能。限制二目标权重的设定是主观的。三个目标利用率/周期时间/良率的权重反映的是Fab管理层的业务判断而不是算法能优化的客观函数。如果权重设定不合理比如过度强调利用率而忽视良率算法会最优地做错事。权重设定必须定期和业务部门review反映Fab当前的实际优先级。限制三派工员接受率影响引擎价值。如果派工员不信任引擎推荐觉得算法不懂我的现场他会绕过引擎继续手工派工引擎的价值归零。解决这个问题的关键是可解释性引擎不仅要给出推荐还要给出为什么这样排的理由让派工员理解和信任推荐逻辑。六、避坑清单① 派工引擎的规则必须来源于派工员的真实经验而不是工程师的假设——花一周时间访谈派工员把他每天做决策的逻辑问出来这是规则库最重要的数据来源② 规则上线后要追踪人工修改率——如果派工员修改率30%说明规则不准确需要调整③ 硬约束和软约束必须严格区分——硬约束违规的派工是不允许的软约束违规的派工是不推荐的系统要自动拦截硬约束违规但软约束违规可以放行④ 派工引擎不是替代派工员是让他把精力放在20%的复杂决策上——80%的常规派工让算法自动处理这才是价值所在⑤ 派工引擎的价值衡量标准是Fab综合指标利用率/周期时间/良率不是算法推荐和派工员决策的一致率。配图说明图1核心数据可视化示意图2补充分析示意配套资料本文配套实战工具包含完整Python源码示例数据点击上方「VIP资源」下载区获取本文完整Python源码可直接跑示例数据集含正常/异常两组配套使用说明与参数配置指南FAB工程师踩坑案例合集PDF----------------------------------------本文首发于博客半导体智能制造 | MES工程师实战笔记你在这些工艺/数据/管理场景里踩过什么坑欢迎评论区分享真实经历一起把行业认知做深。标签MES自动化 | 半导体Fab | 工程实战 | 量化改进 
长河君 · 2026/8/11 6:38:37 · 阅读 1.2k 派工规则引擎：让算法帮你排产
一、痛点派工员每天花3小时排产手工排的顺序永远不是最优的Fab派工Dispatching是最复杂的决策问题之一每分钟有几十个批次在系统中每台设备有多个腔室每个腔室有多个recipe每条产品在每个工序有多个可选路径——派工员要在几秒钟内决定哪个批次去哪个设备而且这个决策会影响良率、周期时间、设备利用率三个目标函数。我见过最夸张的派工员案例每天花3小时手工排产排出来的顺序仍然被设备工程师抱怨腔室状态不匹配、recipe切换太频繁——派工员说我知道不合理但我顾不过来。我的解决方案把派工员的经验规则变成派工规则引擎用算法自动计算最优派工序列同时保留人工干预的入口。二、派工规则引擎的核心设计第一层派工约束库。派工不是想派哪派哪有大量硬约束必须满足设备能力约束这台设备能不能跑这个产品recipe兼容吗、腔室状态约束这台腔室的状态适合这个recipe吗PM后有没有清洁期、批次优先级约束有没有加急批次有没有hold批、时间窗口约束某些产品必须在某个时间窗口内完成某个工序。这些约束必须被编码成引擎能理解的规则。第二层派工目标函数。派工优化的目标通常是三个的权衡①设备利用率最大化设备Busy时间②周期时间最小化批次在系统内的等待时间③良率影响优先排能够稳定良率的设备腔室组合。三个目标通常是相互冲突的最大化利用率可能导致批次积压增加周期时间需要一个加权目标函数来综合权衡。权重的设置需要和业务部门讨论当前Fab最痛的是什么利用率低还是周期时间长权重反映了Fab当前的业务优先级。第三层规则引擎 人工干预。算法给出推荐派工序列但最终决策权在派工员。派工员可以接受推荐、修改派工、拒绝推荐并说明原因。任何人工修改都会被记录作为规则引擎的学习数据——如果派工员经常修改某个推荐说明这条规则需要调整。规则引擎不是替代派工员是帮他过滤掉80%不需要动脑筋的常规决策让他把精力集中在20%的复杂决策上。三、派工规则库的常见规则规则类型规则描述优先级典型场景硬约束-Recipe兼容性仅当设备的recipe list包含该批次recipe时可选最高P0某产品只能在能做该recipe的设备上跑硬约束-腔室清洁状态PM后首10片不允许跑高良率要求产品最高P0新PM腔室不稳定软约束-腔室匹配优先排与批次历史腔室匹配的腔室高P1减少腔室匹配问题的发生软约束-批量最小化尽量把相同产品连续排减少换线中P2减少recipe切换时间和换线良率损失软约束-优先级加权加急批权重×3hold批权重0中P2优先处理加急批四、派工引擎的效果Q厂实施案例Q厂实施派工规则引擎前派工员手工派工平均派工时间3小时/天设备利用率72%平均周期时间18天。实施后派工员审核算法推荐处理异常平均30分钟/天设备利用率提升到81%9pp平均周期时间缩短到14天-4天。派工员反馈以前派完工还是提心吊胆怕哪里排错了现在大多数时候直接接受推荐有问题系统会提醒反而轻松了。五、派工规则引擎的三个限制限制一规则引擎不能处理新情况。规则引擎是基于历史经验设计的遇到训练数据里没有覆盖过的场景比如新设备上线、新产品导入、突发设备故障规则可能失效。派工员在这种情况下的临场判断仍然不可替代。规则引擎是经验的复用不是通用的智能。限制二目标权重的设定是主观的。三个目标利用率/周期时间/良率的权重反映的是Fab管理层的业务判断而不是算法能优化的客观函数。如果权重设定不合理比如过度强调利用率而忽视良率算法会最优地做错事。权重设定必须定期和业务部门review反映Fab当前的实际优先级。限制三派工员接受率影响引擎价值。如果派工员不信任引擎推荐觉得算法不懂我的现场他会绕过引擎继续手工派工引擎的价值归零。解决这个问题的关键是可解释性引擎不仅要给出推荐还要给出为什么这样排的理由让派工员理解和信任推荐逻辑。六、避坑清单① 派工引擎的规则必须来源于派工员的真实经验而不是工程师的假设——花一周时间访谈派工员把他每天做决策的逻辑问出来这是规则库最重要的数据来源② 规则上线后要追踪人工修改率——如果派工员修改率30%说明规则不准确需要调整③ 硬约束和软约束必须严格区分——硬约束违规的派工是不允许的软约束违规的派工是不推荐的系统要自动拦截硬约束违规但软约束违规可以放行④ 派工引擎不是替代派工员是让他把精力放在20%的复杂决策上——80%的常规派工让算法自动处理这才是价值所在⑤ 派工引擎的价值衡量标准是Fab综合指标利用率/周期时间/良率不是算法推荐和派工员决策的一致率。配图说明图1核心数据可视化示意图2补充分析示意配套资料本文配套实战工具包含完整Python源码示例数据点击上方「VIP资源」下载区获取本文完整Python源码可直接跑示例数据集含正常/异常两组配套使用说明与参数配置指南FAB工程师踩坑案例合集PDF----------------------------------------本文首发于博客半导体智能制造 | MES工程师实战笔记你在这些工艺/数据/管理场景里踩过什么坑欢迎评论区分享真实经历一起把行业认知做深。标签MES自动化 | 半导体Fab | 工程实战 | 量化改进