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×3，hold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