OEE那些不为人知的小秘密
为什么仅仅依靠OEE会无法达到工厂要的效果，以及如何解决这个问题？
如果您在制造业工作，您的工厂很可能是依赖关键绩效指标（KPI）来管理和优化生产，而其中之一就是设备综合效率 （OEE）。这个关键指标标示了设备性能，通常被用作整体生产效率的衡量维度。它将可用性、性能和质量整合为一个百分比数值。
然而，如果您在车间或生产管理部门工作过相当一段时间，您就可能了解OEE的实际局限性。传统OEE系统只关注设备利用率，忽略了人为因素、瓶颈、供应链延误和流程低效。OEE还经常被用于评估其设计初衷之外的流程，从而导致误导性结论和错失改进机会。如果不考虑这些更广泛的问题，OEE就无法全面反映生产绩效。在此，我将讨论为什么OEE可能并非灵丹妙药，以及基于软件的现代方法如何有效克服其局限性。
传统OEE软件的常见问题
制造业的OEE： 行业通常如何计算OEE
OEE是衡量设备或生产线生产率的关键数字。要计算整体设备效率，三个主要组成部分是可用性、性能和质量。通常使用以下公式将它们计算得到OEE：
OEE =可用性x生产效率x直通率
这只是一个数字，但不是故事的全部
OEE过度简化了运营，提供的是一个可能掩盖了实际问题的高层次视图。良好的OEE数据并不一定意味着流程没有问题，而可能是掩盖了一些问题，如与产品相关的质量问题或潜在的流程低效。
OEE可能损害整体效率
最大化OEE将资源利用率置于流程效率之上，可能反而降低整个流程速度。OEE 只关注设备性能，而不考虑整个工作流程的效率。优化单个设备可能反而导致整体效率降低，这就是 “效率悖论 ”的例证。*
数据仅是"理论上"准确
虽然OEE的计算被认为是精确的，但其数据收集过程往往不一致，容易出现人为错误或操纵行为。不同班次的人员对事件可能有各种做法，从而导致数据不可靠并误导了结论。对局部条件的调整会进一步降低透明度，从而难以比较不同设备、生产线或现场的绩效。
手动输入的效果取决于现场管理纪律
人工数据录入容易出错，需要管理人员强力落实，才能确保数据的质量。更好的设备集成可以使采集标准化，自动化, 但成本高昂，而且不容易扩展到各式各样的设备中。因此，许多系统仍然依靠耗时、不可靠和昂贵的人工输入。
集成和维护成本高昂
建立和维护一个测量生产效率和提高 OEE 的系统可能既昂贵又繁琐。通常需要将设备与系统（如 ERP、MES 和 APS）集成，并在传感器、连接性和软件方面进行大量投资。成本的增加可能意味着细节操作或低优先级的步骤可能被排除在外。维护这些系统还需要专门的人员，这进一步增加了运营成本。
被动而非主动
传统的 OEE 系统主要是回顾性的，在问题发生后才进行分析。由于操作员只能在导致不必要的停机后将报警升级, 才能解决问题，因此几乎没有采取预防措施的余地。
短期捷径重于长期方案
操作员甚至可能会以牺牲适当维护为代价来提高 OEE 数据。虽然短期效益看似惊艳，但可能导致长期故障和更高的成本。
对人为因素的忽略
传统的OEE 系统无法仿效操作员的现场洞察力和专业知识。尤其是在人员流动率高、熟练劳动力稀缺的环境中，这种疏忽会导致宝贵的知识经验流失，阻碍持续改进。
21世纪的OEE方法
鉴于这些挑战，我们不禁要问，在当今互联世界中，传统的 OEE 方法对于提高整体生产效率是否仍然实用。基于人工智能（AI）和设备学习（ML）的现代软件工具使我们能够定义新的资源优化范例，这些工具在数据测量和上下关联方面提供了更大的灵活性，并给予了一种全面的方法来改善生产设施，更易于使用及维护，也降低了操作的复杂性。下面，我将以 iTAC.IOT&AI为例，展示这种现代化的 OEE 方法。
解决设备连接难题
与传统的 OEE 系统不同，现代软件工具使用人工智能和 设备学习方法直接从设备数据流中推断参数状态。 iTAC.IOT&AI可自动分析历史数据，推断班次利用率、生产换型和计划外停机等因素，且无需对每种产品类型进行大量配置或人工干预。
简易的连接使这些系统实施起来更快、更省钱，比传统的大数据分析和 OEE 系统更快提供可利用的见解。这种现代化的方法可以解决制造商面临的 “连接难题 ”*：
- 避免与 MES、ERP 和计划系统进行昂贵集成。
- 减少手动配置带来的错误和不一致。
- 最大限度地减少用人工干预来维护数据源的需要。
- 降低结果被篡改的风险。
图 1：通常情况下，使用传统法计算 OEE 需要大量额外数据，因此需要工厂的 ERP 和计划工具进行昂贵的集成，以实现自动化。上图举例说明了最先进的工具如何从现有设备数据中智能推断关键参数，而无需集成多个系统。在上图中，我们可以看到系统是如何自动识别计划生产时间（PT）和非生产时间（NPT）的。在下图中，我们可以看到人工智能如何自动识别生产线上的换型，每种产品都用不同的颜色表示。这样做还有一个好处，就是省去了大量的人工干预和不必要的手动数据输入，减少了人为错误的可能性。
采用实时监控并主动触发工作流
现代工具提供实时分析，对问题做出即时响应。iTAC.IOT&AI可在潜在问题出现时通知团队，从而阻止停机并提高整体效率。因此，操作从被动反应转变为主动出击，缺陷、故障或异常测量值皆能触发自动响应。
图2：iTAC IOT&AI系统通过实时监控测量数据和检测数据集中的异常值，自动检测异常系统行为。如果达到特定阈值，这些数据可以设置警报或触发工作流程。
图3：iTAC IOT&AI在发现三防涂层检测 (CCI) 设备出现异常多的质量问题后，向轮班值守的工艺工程团队自动发送消息，要求调查问题的一个示例。这里触发了一个外部工作流，通过 MS Teams 向团队通报了异常行为和故障情况。
利用虚拟双胞胎技术
人工智能驱动的虚拟生产线，分析设备在不断变化的条件下如何互动。iTAC IOT&AI的停机时间跟踪器可识别瓶颈、上游或下游问题及其对生产线整体性能的影响。这种全面的视角有助于做出更好的决策、更有效地利用资源。
图 4：现代工具不仅能了解每台设备的动态，还能了解在故障等特定情况下，生产线上所有设备的行为是如何相互影响的。在上图中，我们可以看到iTAC IOT&AI如何使用数字孪生模型来增强实时数据流，并为每台设备和生产线的整体状态提供非常准确的状态描述。这让生产人员更深入地了解生产中断和产量降低背后的根本原因。
图 5：iTAC IOT&AI的实时跟踪使用效率矩阵向系统用户显示生产线上单个资源的利用效率，以及这些资源对总流程效率的贡献程度。完美状态是指设备既高效又精益地运行，显示在矩阵的左上角。右上角显示的是 “效率岛”，即设备单独高效运行，但与生产线上的其他设备无关。右下角是 “高效海洋”，即设备之间同步运行，但利用率不高。最后，处于 “荒地 ”类别（左下角）的设备没有资源或流量效率，是最不理想的情况。在本例中，我们看到瓶颈设备（pnp_2）的运行效率低于最高资源效率。这种情况并不理想，管理层可以立即意识到，如果能提高这台设备的利用率，整条生产线的生产率将有巨大的提升潜力。
整合人的洞察力
像iTAC IOT&AI的AI Playbook这样的创新系统可以捕捉人类的专业知识，记录人类的行为以确定其根本原因，甚至提供可操作的建议。这有助于团队从过去的挑战中吸取经验教训，制定积极主动的解决方案，并不断提高绩效。这样全面集成的互联解决方案正在帮助下一代人工智能实现前所未有的效率提升。
图6：iTAC IOT&AI的一个菜单示例，允许操作员在解决问题的过程中添加额外的注释信息，使他们的流程知识和工厂专业知识与实时数据流相融合。
底线
虽然 OEE 是一个有用的指标，但它并不是提高现代制造业效率的最终解决方案。今天的工厂需要的工具不仅要考虑设备性能，还要考虑流程效率、实时监控和人类的专业知识。人工智能驱动的系统提供了一种更实用、更有效的方法，它将数据、上下文和前瞻性策略结合在一起，推动车间发生有意义的变化。真正的生产力不是追求高 OEE 分数，而是通过更智能的集成解决方案实现可持续改进。
*延伸阅读
Liker, J.K., 2004. The Toyota way; The company that invented lean production.
Modig, N. and Åhlström, P., 2012. This is lean: Resolving the efficiency paradox. Vol. 41. Stockholm: Rheologica.
Riggs, J.L., 1987. Production systems: planning, analysis, and control. Vol. 582. New York: Wiley.
Toro, C., Wang, W. and Akhtar, H., 2021. Implementing Industry 4.0. Springer International Publishing.
Womack, J.P., Jones, D.T. and Roos, D., 2007. The machine that changed the world: The story of lean production--Toyota's secret weapon in the global car wars that is now revolutionizing world industry. Simon and Schuster.
