汽车冲压车间排产经济性提升探索

文／蓝立高，苏喜·广汽乘用车有限公司

汽车冲压车间排产经济性提升，是提高冲压车间柔性及效率、降低生产成本、提高企业竞争力的必要途径。本研究以深入剖析汽车冲压生产过程的特点为基础，对比不同排产优化方法的优缺点，并运用Gurobi 优化求解器求解某汽车冲压车间排产问题，为企业推进冲压排产经济性提升项目提供参考。

冲压是汽车制造四大工艺之首，直接影响后工序生产计划的达成。汽车市场竞争日益激烈、客户需求逐渐多样化、个性化，共线生产车型数量逐年攀升，同时为充分发挥规模效应降低采购成本，车企逐步加大冲压件内作深度。上述趋势对冲压车间柔性、效率提出更高要求，汽车冲压车间排产经济性提升重要度逐步提升。当前我国主流的汽车冲压排产仍采用人工排产方式，部分车企结合数字化转型战略，以拓展MES 系统管理冲压材料及零件为前提，逐步自主开发或导入定制化的辅助排产系统，提高生产经济性。

汽车冲压车间生产特点

与焊装、涂装、总装工艺追求生产平准化不同，汽车冲压工艺采用大批量生产方式，其具有以下特点：

⑴生产准备时间长及批量性。单个冲压零件对应3 ～5 个模具、5 ～6 个专用端拾器(搬运抓取工具)，单次准备时间为50 ～60 分钟。为避免出现等待浪费，每种零件生产经济时长不低于生产准备时间，即批次生产量应大于准备时间×每小时冲次数。

⑵多样性。共线生产车型数量增多、内作深度增大，同时为确保满足已停止售卖车型的售后件供应，冲压须具备一百多种零件共线生产的能力。

⑶提前性及临时性。冲压须提前做好多个车型、每个车型十几种零件的建库；在疫情、芯片供应等造成整车生产计划及售后零件需求波动较大时，冲压生产量波动起伏很大，需合理设置并维持库存大小。

⑷工艺复杂性。为提高材料利用率，车门内外板、翼子板、前后地板等部分零件采用并模形式，即一次冲压生产多个零件。

⑸批量的不确定性。一是不同零件对应的材料批量不同，排产时要考虑此因素，以免大量中断材占用车间面积甚至报废，二是不同零件对应的料架不同，且为降低成本，当前越来越多通用化料架投入使用，为排产增加了更多的不确定性。

⑹生产线差异性。不同线体于不同时间进行设备招标、导入，可能存在较大差异，包括可容纳的模具大小、能耗差异等。

⑺计划执行难度较大。冲压生产过程中，受材料不良、生产过程中异常、料架占用等因素影响，极有可能导致当批次产量未达预期数量，因此需要频繁重新进行排产。

汽车冲压生产复杂性高，对排产的科学性要求高。成本削减是制造车间为企业盈利作贡献的最优途径。汽车冲压排产不经济，将可能导致不必要的重复上线生产，需要更多生产准备时间(不产生直接价值)、更长的生产时间，需要投入更多的人员工时成本、能源成本。

排产经济性提升方法对比

汽车冲压车间排产是常见的混合整数规划问题，约束条件众多，求解难度较大，排产经济性提升即运用各种数字化手段求解最优排产方案，实现最小完成时间或最低综合成本。对比研究表明，排产经济性提升主要运用以下几种方法或途径。

⑴针对零件种类较少、排产周期较短的场景，可采用Microsoft Excel 软件提供的规划求解工具(Evolutionary Solver)进行求解，其依托常用的办公软件，具有门槛低、便捷的特点。

⑵企业中亦可自主开发或导入排产管理系统，通过运用遗传算法等智能优化算法提高排产经济性。此类系统存在导入成本高、维护难度大等局限性，难以适应瞬息万变的供应链变化。

⑶Gurobi 等综合了多种优化算法的全局优化求解器，以其在连续和混合整数线性问题、含有绝对值、最大值、最小值、逻辑与或非目标或约束的非线性问题等类型模型求解的便捷性，逐步为汽车冲压车间(或其软件供应商)所采用。企业可通过Java、Python 与优化求解器的接口进行调用，便捷高效。优化求解器多为商用产品，知识产权管控严格，需结合投入产出比进行综合判断。

汽车冲压车间排产案例分析

本文以某汽车企业冲压车间生产排产案例为原型，建立单冲压生产线排产模型，以Python 编程语言为载体，通过接口调用Gurobi 数学规划优化求解器进行求解，探索其在汽车冲压车间排产经济性提升方面的可行性。

建立单冲压生产线排产模型

⑴案例原型。后工序日投入量(需求)已知，生产规则如下：1)单班生产，日生产工时不超过10小时；2)零件排产模式为2天1循环(即某零件安排：第i天，第i+2 天生产)；3)某零件单批次生产时间不低于生产准备时间；4)某零件单批次产量为原材料批量的整数倍；5)某零件产量不超过该零件容器最大收容数，部分零件容器通用；6)零件必须满足后工序需求，且库存数量≥最小安全库存。

⑵模型定量参数。1)P 为零件集合；2)T 为排产周期天数集合；3)Gsphi表示i 种零件每小时产量；4)Tci表示i 种零件的容器收容数；5)Ci表示i 种零件的初始库存；6)Ai表示i 种零件对应的安全库存基准；7)Mi表示i 种零件的原材料批量；8)Bij表示i 种零件与j 种零件的容器是否通用；9)Dit表示i 种零件每天的需求量；10)W 为一个最大的数值；11)α 为日生产工时权重；12)β 为换模次数权重。

⑶模型变量参数。1)Zmax为排产周期内最大日库存；2)Nit表示任意一个整数值；3)xit表示i 种零件第t 天产量；4)yit表示第t 天是否生产i 种零件；5)fijt表示第t 天i 种零件借用j 种零件容器的数量。

⑷最优排产方案目标。1)日生产工时最小；2)换模次数最小化；3)日库存量总量最小化。

⑸数学模型。目标函数：

条件约束：1）每天生产工时不超过10 小时：

2)某个零件单批次生产时间不低于生产准备时间：

3)某零件单批次产量为原材料批量的整数倍：

4)每天某零件库存不低于安全库存：

5)某零件的班后库存量不超过可用于该零件的容器最大收容数：

6)某零件被借用的容器收容数量不超过对应的容器收容数总量：

7）Zmax存在最小值：

8)变量类型：

求解结果

Gurobi 数学规划求解器以数学规划为框架，综合多种启发式算法，帮助用户更快获得初始可行解、更多或更优质的可行解。本研究中通过调用Gurobi 数学规划求解器，快速高效获得冲压排产方案，缩短排产时间1 小时/次，求得的排产方案对应的完成时间较人工排产缩短20%～30%。

汽车冲压车间排产经济性的提升需充分考虑冲压生产过程的特点，结合零件种类、周期长短、数字化水平、人员专业性、求解器成本等方面的实际情况，选取合适的提升方法，以实现完成时间最小、成本最优的目标。对于未导入定制化排产系统的企业，可检讨运用编程语言调用数学规划求解器的方式，提高排产经济性。

结束语

汽车冲压车间排产要考虑的约束条件众多，在冲压排产模型建立过程中，可能存在约束条件考虑不够全面或者进行了偏离实际的取舍，例如不同生产设备的能耗差异很大，在实际排产中只考虑了生产时间。面向未来，要以提高实用性为目标，尽量立足实际场景(多生产线)、实际规则(多约束条件)，探究集成优化问题(同时对任务分配、生产排序、生产批量进行决策优化)，实现人力、能源、库存等综合成本最小化。