现实很残酷:制造业设备的平均整体效率为 55-60%,只有 6% 的工厂达到 85% 以上的世界级水平。 生产经理通常会发现,他们的手动 OEE 计算掩盖了 10-30% 的隐藏生产能力,这对他们的打击往往是巨大的。
2025 年,OEE 解决方案市场规模将在 2033 年达到 120 亿美元,当务之急不再是 “我们是否应该测量? 而是 “我们如何保证数据的可靠性?在本文中,我们将以麦肯锡、Evocon 和 Symestic 为例,介绍扭曲衡量标准的 7 个致命错误。
为什么 OEE 计算至关重要
OEE (设备综合效率)结合了生产时间的三个关键维度:
OEE = 可用性 × 性能 × 质量
麦肯锡记录了与精确计算相关的巨大收益:
- 机器停机时间减少 30-50
- 生产率提高 10-30
- 生产率提高 15-30
案例研究:一家制药厂的 OEE 从 37% 提高到 60%,每年可获得1,400 万至 1,600 万美元的回报(麦肯锡,250 天/年,16 小时/天,利润率 40%)。
各部门的基准
- 制药:平均 35-37%,世界级 70
- 农业食品:平均 70-80%,领先 80-85
- 汽车:平均 75%,精益工厂 84-86
- 电子:平均 80-83%,85%以上领先
结果:大多数工厂的运行水平比世界一流水平低 20-30 个百分点,而且往往没有意识到这一点。
手工计算中的 7 个致命错误
错误 1 – 隐形微停机:可用性损失 15-20
问题是:这些几秒钟的停机(卡纸、传感器、调整)都逃不过人工采集。50 次 3 分钟的微停机 = 损失 2 小时 30 分。
数字影响:据 DBR77 Robotics 公司估计,微停占损失时间的 15-20%。国内文件:
- 50 站 × 3 分钟 = 150 分钟
- 超过 8 小时(480 分钟)=31.25% 的可用性损失
Nutriset 案例研究:该农业食品客户消除了这些 3-4 秒内发生 50-100 次/站的 “刺激因素”,从而在 8 年内将 OEE 提高了 11%。
解决方案:物联网传感器,从第一秒开始捕捉每个事件,无需人工干预。
错误 2– 平均速度:公司隐藏的 5-25% 潜力
问题是:使用历史平均速度而不是制造商的标称速度会人为地提高分数。
示例:制造商规定 3 秒/零件,实际时间为 4 秒。在 3,300 秒内生产 1,000 个零件:
正确计算(制造商速度):
- 理论 = 3 300 ÷ 3 = 1 100 件
- 绩效 = 1,000 / 1,100 =90.9%(可见差距:9.1)
计算错误(平均速度):
- 理论 = 3 300 ÷ 4 = 825 件
- 性能 = 1,000 / 825 =121.2%(不可能!)。
影响:Worximity 警告说,这一错误掩盖了改进的机会。纠正这一错误,就能发现5-25% 的潜在改进机会。
错误 3– 计算修饰效果:8 个质量差异点
问题:将返工部件算作质量 “良好”,会扭曲指数。
示例:生产 1 000 个单位 :
- 900 项立即达标
- 80 需要修饰
- 20 废料
错误计算: (900 + 80) / 1 000 =98% 正确计算(首次通过率): 900 / 1 000 =90% 差额:8 分
原则:Worximity 规定:”只有第一道工序没有缺陷的部件才算数。包括返工掩盖了生产过程中的问题”。
错误 4– 车站分类:对可用性的影响
问题:Evocon 将错误的停靠站分类确定为错误 1。为了提高分数,计划外的停靠站变成了 “计划内 “的停靠站。
棍棒文化:TipTeh 解释说:”当数据被用作惩戒大棒时,团队会错误地对停机进行分类,从而掩盖问题”。
典型的混淆:
- 预防性维护:计划停工还是减少可用时间?
- 格式变化:完全排除、部分包括还是全部计算在内?
- 休息时间:计算中包括还是不包括?
影响:掩盖了改进的机会,给人以优化的假象。
错误 5– 手工数据不准确
问题:Scytec 警告说:”手动输入数据会导致人为错误”。经典的 “您是否填写了您的表格?
5 不准确的原因:
- 内存数据(移位结束)
- 数据输入错误(450 件 vs 540 件)
- 团队之间方法不一致
- 人才利用不足(文书工作与生产)
- 过时数据(上周分析)
PSA Stellantis 案例研究:Christophe Pasquet 证实,为操作员节省了大量时间,他们可以集中精力进行生产。
错误 6– 时间单位混淆
问题是:将分钟、秒钟和小时混合在一起会产生荒谬的结果。
示例:390 分钟运行时间,45 秒/件,500 件
错误(混合单位):(45 × 500) / 390 =57.7(荒谬 ) 正确(秒):(45 × 500) / (390 × 60) =96.2%。
建议:”检查异常结果是否有单位错误”(Symestic)。
错误 #7– 缺乏多站点标准化
问题:Evocon 认为缺乏标准化是一个关键错误 #7。如果没有统一的方法,就不可能对各个地点进行比较。
4 不一致的根源:
- 可用时间的定义各不相同
- 对变化的不同处理
- 参考速度不一致
- 变量质量分类
陷阱:Worximity 提醒进行不恰当的比较(1 次/天变化与 4-5 次/天变化)。
Eolane 案例研究:Vincent Perrault 使用标准的多站点工具进行统一监控,大大节约了成本。
解决方案:自动化的四大支柱
1.自动收集
物联网传感器实时捕捉每个事件。消除错误 1(微停)和错误 5(数据不准确)。
2.标准化计算
自动应用正确的公式、类别和单位。消除第 2、3、6 和 7 项错误。
3.智能分类
根据可配置的规则停止分类,每天 24 小时应用。消除错误 #4。
4.原因分析和警报
将数据转化为帕累托、趋势和相关性。自动分析根本原因。主动检测漂移。
记录投资回报率
麦肯锡收益:
- 停机时间减少 30-50
- 吞吐量提高 10-30
- 20-40% 机器寿命
- 息税折旧摊销前利润提高 4-10
记录在案的案例:
- HKScan: 6 个月内 OEE 提高 20
- Toftan: 1 年内 OEE +35% (40%→75%)
- 汽车:-25%的计划外停车(麦肯锡)
典型投资回报率:6-18 个月,取决于安装规模。
常见问题 – 有关 OEE 的常见问题
如何正确计算 OEE?
OEE = 可用性 × 性能 × 质量
可用性= 实际时间/计划时间性能= 实际零件数量/理论速度(制造商速度)质量= 优良零件(一次通过)/总产量
例如:轮班 8 小时(480 分钟),休息 30 分钟,停顿 45 分钟
-
可用性 = 405/450 = 90%。
-
性能 = 385/405 件 = 95%。
-
质量 = 377/385 = 98
-
OEE = 83.8
为什么我的手动 OEE 比自动 OEE 好?
正常!自动化通常要低 5-15 分,因为它捕捉到的是……:
-
微损失(15-20% 的隐性损失)
-
实际速度与平均速度的对比(5-25%的可能性)
-
不包括修饰(相差 8 分)
-
正确的判决分类
-
消除所有输入错误
怎样才能做好平等就业机会?
一般标准:
-
< 60%:不足(世界平均 55-60%)。
-
60-75%:可接受的中小型企业
-
75-85%:良好水平
-
> 85% : 世界级
按行业划分:
-
制药:35-37%为平均水平,70%为世界一流水平
-
农业食品:平均 70-80%,领先 80-85
-
汽车:平均 75%,精益 84-86
重要信息:只有 6% 达到 85%以上(埃沃森)。持续改进的目标:+5 分/年。
结论
只有 6% 的生产商达到了世界一流水平,大多数生产商的实际生产率为 55-60%,但他们却认为自己达到了 70-75%。这一差距意味着在生产期间隐藏着数十万欧元的产能。
要点
自动化成本低于人工作业:
- 节省行政时间
- 检测到 10-30% 的隐藏容量
- 基于真实数据的决策
记录的快速投资回报率:
- 投资回报< 6-18 个月
- 吞吐量提高 10-30%,停机时间减少 30-50
- 解决方案 99 欧元/月起
下一步:
- 自我诊断:你能识别多少错误?
- 估算 OEE 差距(显示与实际的差距)
- 关键线路试点 1 个月
采取行动的免费工具
在 2 分钟内计算您的投资回报率这 7 个错误会让您损失多少钱?我们的计算器可估算出您的潜在收益和个性化投资回报。
了解解决方案的实际应用
为您的行业量身定制的 20 分钟演示:实时查看您的数据。
2025 年,卓越运营始于可靠的数据。您的满意度取决于指标的质量。
0条评论