当前位置:首页 > 未命名 > 正文内容

OEE与设备效能工具包(59款)|稼动率·TPM·预测性维护实战工具

设备部门最容易陷入的循环是:停机了才修、修完不出三天又停。根因往往不是维修技术不行,而是数据没被算过——OEE 从来没拆到六损失层、故障间隔没统计过、备件消耗与故障率没关系。这个分类把设备侧该算的数补齐:从稼动率拆解到寿命外推,让「什么时候该修」有数据支撑。

这类问题,工具是怎么解决的

  • OEE 只报一个数:86% 这个数字背后是换型损失大还是速度损失大,看不出来,改善也就无从下手
  • 把「设备可用率」当 OEE 报:漏掉性能损失和不良损失,虚高十几个百分点
  • PM 有计划没执行率:台账上写按期,实际漏检率无人统计,故障后才补录
  • 备件凭经验备:几个关键备件常年缺货、其它一堆压库存,缺少基于故障率的定量依据

工具清单(共 59 款)

每款工具为一个 zip 包,内含可运行的 Python 脚本、示例数据与说明文档,基于标准库实现,无需安装额外依赖。点击名称可直接取用。

OEE与效率分解(13 款)

产能规划与匹配(6 款)

维护·点检·备件(15 款)

故障诊断与可靠性(21 款)

设备数据采集与监控(2 款)

其他(2 款)

怎么选:三条建议

  1. OEE 类工具要选能拆到六损失(故障、换型、小停、速度、不良、试产)的,只给总分的不解决问题;注意区分「时间开动率」和「设备综合效率」,两者混用是最常见的上报偏差。
  2. 可靠性类工具看它会不会处理删失数据。设备寿命统计里「还没坏的设备」不是无效样本,直接删掉会把 MTBF 算短,用 Kaplan-Meier 处理才站得住。
  3. 维护管理类工具要能输出「未来 N 天该做什么」的排程,而不是只生成一份历史台账。台账只能证明做过,排程才能提前干预。

配套阅读

下面这些文章讲的是同一批问题的现场做法,工具怎么用、结论怎么读,先看文章再动手更快。

常见问题

OEE 到底该按设备算还是按产线算?

两种都要,但用途不同:按设备算是找瓶颈(哪台拖了后腿),按产线算是给管理层看整体效率。工具支持两种口径切换,注意切换时不要混用分子分母。

MTBF 和 MTTR 需要多少数据才可信?

经验上至少 10 次以上故障记录,最好覆盖一个完整保养周期。样本太少时工具会给出置信区间提示,这时候的 MTBF 只能当趋势参考,不能用来定备件定额。

预测性维护的模型一定要上机器学习吗?

不一定。多数现场用 Weibull 寿命分布 + 阈值告警就能拿到大部分收益,而且解释得清楚;只有当有连续传感器数据、且故障样本足够时,机器学习才有边际价值。

点检表怎么防止漏检?

关键是让「未检」和「合格」在数据上长得不一样。工具用到期日 + 逾期天数双字段记录,未填写的项目单独列出,不会和「已检且合格」混成一种状态。

工具包导航

全部工具按方向分成 7 个分类,可按需直达:

本类工具详解页

每款工具的输入格式、输出解读、算式口径与常见坑都有独立说明页:

以上工具均基于公开的行业方法论(GB/T 2828.1、ISO 2859-1、SEMI 相关规范等)实现,用于工艺与运营侧的核算分析;结果请结合实际现场条件复核后使用。