OEE 和自主生产：机器学习实现无操作员控制

无监督生产代表着工业自动化的顶峰。机器在夜间和周末运行，无需人工值守。熄灯生产可以提高生产率，因此极具诱惑力。但是，当无人在现场对问题做出反应时，如何保持 OEE 呢？在本文中，我们将探讨自主生产中性能监控所面临的具体挑战，以及即使没有操作员在现场也能保证最佳 OEE 的解决方案。在这一快速发展的领域，机器学习、监督学习和数据分析技术正在将这一雄心壮志变为工业现实。

无监督生产中的 OEE 挑战

当没有人看到问题时

在传统生产中，操作员会发现异常情况：异常噪音、可疑振动、工件位置不正确。操作员会立即进行干预，以限制损失。在无人监督的生产中，这些信号会被忽视。轻微的偏移可能会在任何人注意到之前演变成重大故障。借助机器学习和探索性数据分析，自动收集的数据应能取代人类的警惕性。

反应时间大幅增加。如果操作员在场，两分钟就能解决的堵塞问题，在操作员不在场的情况下，机器可能会堵塞几个小时。这些可用性损失会使 OEE 爆炸，并抵消自主生产的预期收益。如果没有适当的监控和基于学习的有效预测模型，熄灯就会成为一个陷阱而不是优势。在没有监控的情况下，每小时发生未被发现事故的概率都会增加。

不可控变量的倍增

受监控的机器得益于不断的调整。操作员会对材料变化进行补偿，针对不同产品调整参数，并预测需求。而在无人监管的生产中，机器必须自行管理这些变化。公差更严格，误差范围更小。必须通过分析数据结构的学习算法来控制流程的每个维度。

质量正成为一个关键问题。如果没有人工视觉检测，缺陷可能会在数百个零件上重复出现，然后才被发现。废品率会爆炸性增长，而 OEE 的质量部分则会崩溃。无监督生产要求对上游流程进行完美控制，并日复一日地对生产数据进行严格分析。机器学习可检测参数的异常变化，并识别离群数据点。

自主监测的基本技术

物联网传感器和持续数据收集

物联网传感器是无监控生产的支柱。它们取代了不在场操作员的感官：振动、温度、功耗、压力、流速。每个关键参数都会被持续自动测量。数据流进入一个复杂的数值矩阵，由学习算法进行分析。由此产生的数据集为预测模型提供数据。

这种仪器远远超出了简单的部件计数。传感器能在故障发生前检测到偏差。例如，发动机温度逐渐升高、振动加剧、油耗上升：这些都是可以利用的预警信号。每个数据矢量都有助于建立机器状态的完整图景，为模型的学习过程提供信息。监控的特征数量可达数百个。

智能警报系统和触发规则

光有原始数据是不够的。算法需要实时分析流量，并根据精确的规则在适当的时间触发适当的警报。过多的警报会淹没信息，而过少的警报则会错过真正的问题。监控的有效性取决于这些阈值的校准和噪音的减少。必须通过学习历史模式来明确界定每个警报的功能。

警报需要通过正确的渠道传达给正确的人。短信、移动通知、自动呼叫：事件的严重性决定了联系的类型。半夜发生的机器故障需要拨打电话，而轻微的漂移则可以等到早上报告。这种优先级排序技术可通过学习优先级和智能分配通知来避免警报疲劳。

远程监控和控制面板

监控平台将所有机器的数据集中到一个统一的仪表板上。管理人员可以通过智能手机或电脑实时查看生产状况。OEE 会显示出来，停机也会显示出来，趋势会以可用图表的形式显示出来，并通过持续学习加以强化。显示故障的概率分布，以预测风险。

这种远程可视性改变了工作关系。你不再需要亲临现场才能知道发生了什么。随叫随到的值班变得易于管理，并能在充分了解事实的情况下做出决策。得益于这种先进的监控技术，即使远离工厂数英里，无人监管的生产仍在掌控之中。

OEE 分析中的机器学习和分类

用于预测的监督学习

监督学习正在彻底改变自主生产的监控方式。这项技术根据标注的历史数据（过去的故障、正常情况、已识别的漂移）训练模型。学习算法学会识别前兆特征，并通过计算可能性预测未来故障。不同的故障类别可自动识别。

监督学习模型会随着时间的推移而不断改进。每个新事件都会增加训练数据库。算法会改进其预测，减少误报，并检测出肉眼无法看到的模式。这种持续学习功能可将原始数据转化为可操作的情报，以保持 OEE。强化学习用于优化事件响应策略。

根据不同的情况，会采用不同类型的监督学习：分类以识别故障的可能类型，回归以估计故障发生的时间。学习过程中产生的每种模型都为自主监控系统带来了各自的特殊价值。混合模型可识别数据中的子群。

成分分析和数据降维

主成分分析简化了对复杂机器的监控。这种数学技术通过分解为奇异值，将包含数百个变量的矩阵还原为几个基本组成部分。数据中的差异集中在最重要的维度上，从而更容易发现异常。随着经验的积累，对这些成分的学习也会不断完善。

降低维度可避免信息过载。该算法将机器状态综合为几个关键指标，而不是单独监控五十个参数。这种基于组件的方法大大降低了复杂性，同时保留了基本信息。在这个缩小的空间中，异常值会立即凸显出来，因为其方差超过了正常阈值。曼哈顿距离可作为欧氏度量的补充，用于检测某些异常情况。

在无监督生产中，这种成分分析可以识别出简单阈值会忽略的微妙变化。变量之间相关性的变化、惯常模式的变化：这些微弱的信号都可以通过这种与机器学习相结合的统计还原技术检测出来。

关联规则和预测模型

关联规则揭示了生产事件之间隐藏的联系。当机器 A 出现故障往往先于机器 B 出现故障时，这种关联就能为预防性维护提供指导。这些规则产生于对历史数据的分析，并丰富了预测模型。

预测模型可计算出每台设备发生故障的概率。这些学习算法结合了维护历史、使用条件和部件的使用年限。其结果是风险评分，为预防措施决策提供指导。将设备划分为不同的风险等级有助于确定优先次序。

由此产生的风险矩阵确定维护行动的优先次序。故障概率高的设备将受到强化监控或有计划的干预。这种方法以学习得出的统计模型为基础，优化了维护资源的分配，最大限度地提高了无监督生产的可用性。备件供应商的市场细分也可以从这些分析中获益。

预测过程的每个阶段都以可靠的数据为基础。预测的质量直接取决于输入数据和训练的质量。不完整或错误的数据向量会扭曲整个模型。

将 OEE 计算与 Lights-Out 相结合

重新定义开放时间

在传统生产中，开放时间与团队在场的时间一致。熄灯后，机器可以每周 7 天、每天 24 小时运行。可用时间的延长极大地改变了 OEE 和相关目标的计算。必须通过学习实际绩效来重新校准参考值。

计划停机的定义也在发生变化。如果没有操作员，某些任务就会消失：休息、换班、简报。其他任务则取而代之：材料重新装载、定期预防性维护。OEE 的范围必须反映这一新的现实，并整合自主流程的每个阶段。

在没有人类参照物的情况下衡量性能

监控生产中的参考速率通常隐含着操作员的微观干预。在自主模式下，机器必须自行达到这一速度。实际周期时间可能与既定标准不同。生产功能的性质发生了变化，因此必须重新学习参考值。

根据熄灯情况重新校准参考点。在相当长的一段时间内测量独立模式下的实际性能。这一新数据将实现相关的 OEE 监控。计算模型通过学习新的条件来适应无监督生产的特殊性。

自动追踪停机原因

在没有操作员对停机进行鉴定的情况下，机器必须进行自我诊断。现代 PLC 可识别多种原因：传感器故障、卡住、材料用尽、安全警报。这种自动鉴定可直接用于监控矩阵中的损失分析。

不明原因的停机仍是薄弱环节。当机器在没有明确原因的情况下停机时，调查需要进一步的人工干预。分类算法在学习中不断改进：每解决一个案例都会丰富未来的模型，增强自我诊断能力。

预测性维护：减少计划外停机时间

预测而不是承受

在无人监督的生产过程中，预测性维护显得尤为重要。在无人修理的情况下，等待故障发生是不可取的。通过分析机器数据，可以预测故障，并在意外停机发生前采取措施。通过预测学习，减少故障次数成为主要目标。

机器学习算法可识别前兆特征。它们通过监督学习从历史数据中学习，并完善自己的预测。在没有操作员的情况下，人工智能就成了专家的眼睛。通过学习新的模式，监控参数向量不断得到丰富。

适时规划干预措施

预测性维护可生成最佳的干预窗口。与其在半夜发生故障，不如计划在工作时间内更换磨损的部件。这种技术可以最大限度地提高可用性。通过了解设备的生命周期，每一天的生产都变得更加可靠。

将这些干预措施作为计划停机纳入 OEE 计算。停工次数的明显增加不应掩盖其真正的益处：减少停工次数可提高总体 OEE。维护数据可反馈到预测模型中，通过不断学习提高模型的准确性。

自主模式的安全性和可靠性

在无人值守的情况下确保生产安全

无人监管的生产对安全提出了更严格的要求。火灾、泄漏、电气故障：无论是否有操作人员，这些风险都会存在。自动检测系统变得至关重要。安全问题不容忽视，从过去的事故中吸取经验教训也会使我们受益匪浅。

自动安全停机可保护设备和场所。触发自动安全关机会对 OEE 产生影响，但可避免代价更高的损坏。监控算法结合了这些关键参数，并通过学习得出适当的权重。

保证监控系统的可靠性

如果监控系统发生故障会怎样？在无人监管的生产过程中，这种故障至关重要。冗余系统可确保监控的连续性。每个数据矢量都有多个路径。

定期测试这些备份系统。从未经过测试的备份系统有可能在需要的那一天无法工作。可靠的监控是对自主生产和为学习目的而收集的数据的有效性产生信心的关键。

结论：通过自主增强 OEE

无监督生产并没有消除对 OEE 监控的需求，而是对其进行了改造。监控技术取代了人工值守。物联网传感器、监督学习算法和预测性维护使得即使没有现场人员也能保持性能。

成分分析和维度缩减简化了复杂系统的监测工作。基于学习的预测模型可计算故障概率。关联规则揭示了事件之间的联系。每种技术都有助于减少停机时间和优化 OEE。

控制良好的熄灯生产可提高整体 OEE。营业时间得以延长，成本得以降低，生产变得更加规范。向自主生产过渡的准备工作正在一步一步地进行，数据不断更新，学习不断提高。

 

常见问题：有关灯火通明生产中 OEE 的常见问题