决策的质量取决于数据的质量。基于错误信息的 TRS 会导致错误的分析和针对性不强的行动。然而，许多公司在使用近似的 OEE 数据时甚至没有意识到这一点。在本文中，我们将指出最常见的测量误差，并分享实用的解决方案，使您的性能监控更加可靠。从物联网传感器到操作员培训，了解如何保证指标的准确性并获得高质量的数据。
目录 ：
-
数据质量差的后果
-
常见测量误差
-
使数据更可靠的方法
-
数据管理和质量控制
-
不断提高可靠性
低质量 OEE 数据的后果
72% 的 OEE 令人欣慰。但如果这个数字是基于少报的停机时间或过时的理论生产率，它就不能反映现实。劣质数据会导致错误的分析。团队认为他们的表现很好，但事实上却有看不见的需要改进的地方。这样做的直接后果是：启动了错误的杠杆，而真正的问题却依然存在。
这种情况在许多组织中反复出现。仪表板显示结果，生产会议接踵而至，但却没有任何真正的改进。决策都是凭空想象出来的。再多的分析也无法弥补源头上的错误测量，而指标的可信度也在现场团队的眼中大打折扣。
关机时出现 5 分钟的错误似乎可以忽略不计。如果将一年中 20 台机器上每天发生的 10 次事件乘以 5 分钟，则相当于数百个小时的误差。这些累积的差异会扭曲问题的优先次序，影响您的竞争力。交货时间缩短，客户信心下降。OEE 数据的完整性不能容忍近似值。任何严肃的项目都需要在分析前对数据质量进行投资。没有数据质量，创新就会因基础不稳而受阻。
常见测量错误 ：问题结构
手工输入数据及其局限性
手动收集停机时间数据仍然是最大的错误来源。操作员会估算内存长度，四舍五入，或者干脆忘记申报某些事件。不到五分钟的微小停机时间被系统性地忽略。累计起来，这些微小的损失往往占生产时间的 10%至 15%。
人的偏见使问题更加复杂。没有人喜欢报告机器停机时间。有意无意间，停机时间在减少，停机原因也在简化。杂项 “类别激增，导致无法进行任何分析。没有有效的数据，持续改进就会变成一厢情愿，数据的一致性也会消失。
过时的理论框架
OEE 性能的计算基于理论参考率。尽管这一参考速度可追溯到 15 年前机器投入使用时，但它已不再反映现实。工具的修改、材料的变化以及设备的磨损都导致了实际速度的变化。
理论速度过低会导致速度变慢。过高的速度会产生超过 100% 的性能，这是参数设置错误的明显标志。对每种产品和每台机器的速度进行定期检查是一项先决条件，但往往被企业忽视。
判决分类的混乱
计划内还是计划外停机？故障还是调整？对材料或质量的期望？这些区别为分析提供了条件，但仍然模糊不清。同一事件会因操作人员、团队或时间的不同而有不同的分类。这种不连贯的结构会污染一堆数据。
停工的帕累托混合了无法比较的类别。行动计划针对的是症状而不是原因。没有明确的术语，每项分析都要从头开始。事件追踪变得不可能，数据控制也失去了意义。
使数据可靠的方法
利用物联网传感器实现自动化采集
物联网传感器消除了数据收集中的人为因素。它们能自动检测机器的循环、停止和重启。不再有粗糙的人工输入，不再有疏忽。原始数据直接输入系统，没有任何中间环节，从源头上保证了数据的完整性。
这种自动化往往显示出与人工申报不同的实际情况。会出现微小的停止，并显示真实的持续时间。最初的震惊过去后，团队终于有了可靠的行动依据。物联网传感器提供的可靠数据在安装后的短短几天内就改变了质量。这是实现良好数据管理的第一步。
定义验证规则并修改参数
一份标准化的停机原因清单可以消除歧义。验证规则必须以具体实例精确定义每个类别。操作人员必须能够毫不犹豫地对任何事件进行分类，或作出个人解释。这种方法要求与现场进行合作。共同制定分类方法可确保其被采纳。这些最佳做法可确保数据条目符合规定的标准。
理论速度和周期时间应至少每年审查一次。每次对设备进行重大改动时，都要检查参数是否合适。定期验证基准及其文件可确保历史记录的可追溯性。数据处理必须包括这种系统性验证。系统偏差表明数据仓库中的参数需要修正。
数据管理和质量控制
实施数据管理
OEE 数据管理需要结构化的数据管理。确定责任：由谁验证参数、由谁纠正异常、由谁审核质量。如果没有指定的负责人，错误就会无限期地存在。每个组织都必须根据自身的结构调整这种管理，并调动必要的资源。
数据安全和数据保护是管理的一部分。谁可以修改参考率？谁可以访问原始数据？这些安全规则可以保护系统的完整性，防止未经授权的修改。这些规则的透明度可加强团队支持。
实施自动质量控制
简单的质量检查可检测出明显的错误：已生产的机器 24 小时停机、性能超过 120%、负循环时间。这些自动检查可立即提醒您注意异常数据，并保证数据的一致性。可靠数据的使用取决于这种响应速度。
配置这些警报可立即发出通知。当天纠正的错误可保留上下文。类似团队或机器之间的对比分析也能突出系统异常。质疑偏差而不指责。在培训人员前纠正流程。定期检查数据，发现需要纠正的偏差。
不断提高数据可靠性
光有技术还不够。即使有了物联网传感器，部分鉴定流程仍需人工完成。操作人员需要了解精度为何如此重要。本培训课程解释了数据与决策、精确度与改进之间的联系。操作员看到自己的输入转化为具体行动，就会意识到自己的作用。随着时间的推移，这些好的做法会在企业文化中扎根，这要归功于始终如一的管理。
无法衡量的东西就无法改进。定义数据质量指标：完整输入率、鉴定停机所需的时间、检测到异常数据的百分比。跟踪这些指标的方式与跟踪 OEE 本身的方式相同。这种方法将数据质量转化为受控目标。进展是可见的，偏差也是可检测的。持续改进也适用于您的数据，而不仅仅是您的机器。
结论：可靠数据是基础
OEE 数据的可靠性决定了其他一切。错误的指标会产生错误的分析。数据管理、自动质量控制和团队培训是有效数据管理的支柱。
物联网传感器实现了收集自动化，消除了臆测。清晰的方法使分类标准化。定期修改参数可确保计算的相关性。一旦奠定了基础，您的数据就可用于持续改进。
这就是 “靠眼力 “和 “靠仪器 “之间的区别。您的决策将更加可信，您的竞争力将得到加强，创新也将最终建立在坚实的基础之上。
常见问题：有关 OEE 数据可靠性的常见问题
如何知道我的 OEE 数据是否可靠？
将您申报的数据与实地测量结果进行比较。手动为几个站点计时，然后与记录进行比较。如果差异超过 10%，说明数据有问题。性能水平超过 100%，也说明参数设置不正确。
物联网传感器能消除所有错误吗？
物联网传感器使收集时间和数量的工作更加可靠，但通常仍需手动查明原因。停机会被自动检测到，但原因必须由操作员输入。传感器与引导输入的结合提供了最佳的折中方案。
应该定义多少类停靠站？
15 至 25 个类别可提供良好的平衡。少于 10 个类别缺乏精细度。多于 30 个则会阻碍用户进入。在设置之前，请与操作员一起测试您的命名。
您应该多久修订一次理论比率？
年度审查是最起码的。您还应在每次重大变更后启动审查。系统地记录数值和更新日期，以便追溯。
当你的团队抵制透明度时，你能做些什么？
阻力往往来自对评判的恐惧。将数据定位为改进工具，而不是监测工具。重视进展，而不是指出差异。透明度建立在管理一致性的基础上。
0条评论