OEE数据可信度校验器｜OEE与设备效能工具
这个工具解决什么问题
把损失科目拆开算，比笼统说提高稼动率有用得多。
对每台设备每天的 OEE 记录做 8 类规则体检：时间分解闭合性、性能率物理上限 （>100% 即录错）、良品数越界、OEE 复算与上报值一致性、填充式记录（连续完全相同）、 计划停机与良率异常等；按严重度扣分，给出可信度评分与必须复核的记录清单。
输入数据格式
数据文件 oee_records.csv，列顺序为：date、equipment、calendar_min、planned_stop_min、unplanned_stop_min、ideal_ct_s、total_pcs、good_pcs、oee_reported。
示例首行：2026-09-17,EQ-01,1440.0,60.0,45.0,12.0,5775.0,5630.0,0.755
示例输出（真实运行结果节选）
OEE 数据可信度校验报告
==============================================================================
受检范围：3 台设备 × 14 天，共 42 条记录
校验规则：时间分解闭合性 / 性能率物理上限 / 良品数越界 / OEE 复算一致性 /
填充式记录 / 计划停机占比 / 良率合理性
【一、异常清单（按设备与严重度排序，共 12 条）】
[中] EQ-01 2026-09-30 填充嫌疑 连续 5 天以上停机时长/产量/OEE 完全相同，疑似复制填充
[低] EQ-01 2026-09-18 良品率 良品率 100%，疑似未记录不良
[高] EQ-02 2026-09-21 性能率 性能率 109.3% >100%，物理不可能：节拍或产量录入有误
[高] EQ-02 2026-09-22 性能率 性能率 108.9% >100%，物理不可能：节拍或产量录入有误
[高] EQ-02 2026-09-25 性能率 性能率 109.3% >100%，物理不可能：节拍或产量录入有误
[中] EQ-02 2026-09-21 OEE一致性 复算 OEE 99.7% 与上报 78.0% 相差 21.7 个百分点
[中] EQ-02 2026-09-22 OEE一致性 复算 OEE 97.7% 与上报 76.0% 相差 21.7 个百分点
[中] EQ-02 2026-09-25 OEE一致性 复算 OEE 99.5% 与上报 78.3% 相差 21.2 个百分点
[低] EQ-02 2026-09-18 良品率 良品率 100%，疑似未记录不良
[高] EQ-03 2026-09-20 时间分解 计划停机 900 + 非计划停机 620 = 1520 分钟 > 日历时间 1440
[高] EQ-03 2026-09-27 良品数 良品数 5540 大于总产量 5500
[低] EQ-03 2026-09-18 良品率 良品率 100%，疑似未记录不良
【二、可信度评分】
高严重度 5 条（×8.0 分）｜中 4 条（×4.0）｜低 3 条（×1.5）
扣分合计 60.5 → 可信度评分 39.5 / 100
等级：不可信。高严重度缺陷
解决什么问题
OEE 报表数字越看越好，但「性能率 105%」「连续 7 天一模一样」「停机明细加起来 超过日历时间」这类硬伤，往往直到客户审核才被发现。本工具在数据进 KPI 之前 先做体检，把「数字好看但数据不可信」挡在门外。
使用方法
python oee_data_audit.py # 示例数据（3 台 × 14 天，含 3 类注入缺陷） python oee_data_audit.py 我的.csv
输出说明
· oee_records.csv：示例数据（首次运行自动生成） · oee_audit_report.txt：逐条问题清单（设备/日期/问题类型/严重度/说明）、 可信度评分与分级、复算口径对照、复核行动建议
适用场景
OEE 上线前的数据治理、月度绩效数据抽查、客户/总部审核前的自查。
注意事项
合格（而非可信）的判定标准是「复算值与上报值偏差 ≤0.5pp」且无高严重度问题； 建议把本校验挂在报表生成前，不要等到 KPI 算完再回头查。
常见误判（人工复核时先排除）
1. 性能率 >100%：多数不是造假，而是「理想节拍(ideal_ct_s)录成了实际节拍」或 一机多品种共用了一套节拍参数 —— 先核对节拍的主数据来源，再判断是否人为修饰。 2. 连续多日完全相同：可能是 MES 未采集而人工抄上月数据；也可能是复制粘贴公式时 忘了改行引用。两者处置不同：前者要补数据源，后者只需重填。 3. 停机明细相加超过日历时间：常见于「计划停机」里已经包含保养时间，又在 「非计划停机」里重复计入 —— 属于口径重叠，不是造假，但要统一定义后再算 OEE。 4. 复算值与上报值偏差小但长期同向偏移：说明口径差异固定（如是否计入换型）， 应写进报表注释，而不是每月逐条复核。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CSV_NAME="oee_records.csv"、REPORT_NAME="oee_audit_report.txt"、DAYS=14、BASE={、SEV={"高": 8.0, "中": 4.0, "低": 1.5}。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：oee_records.csv、oee_audit_report.txt。
脚本里的主要处理步骤
make_sample()：注入 4 类缺陷：性能率>100%（节拍录错）、时间分解超日历时间、
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 时间分解
- 停机时长为负值
- 计划停机 %.0f + 非计划停机 %.0f = %.0f 分钟 > 日历时间 %.0f
- 可用于生产的时间 ≤0 或产量为 0
- 性能率 %.1f%% >100%%，物理不可能：节拍或产量录入有误
- 良品数 %.0f 大于总产量 %.0f
- OEE一致性
- 复算 OEE %.1f%% 与上报 %.1f%% 相差 %.1f 个百分点
- 计划停机
- 计划停机占比 %.0f%%，偏高（需确认是否排产不足）
- 良品率 100%，疑似未记录不良
- 填充嫌疑
- 连续 5 天以上停机时长/产量/OEE 完全相同，疑似复制填充
- OEE 数据可信度校验报告
- 受检范围：%d 台设备 × %d 天，共 %d 条记录
- 校验规则：时间分解闭合性 / 性能率物理上限 / 良品数越界 / OEE 复算一致性 /
- 填充式记录 / 计划停机占比 / 良率合理性
- 【一、异常清单（按设备与严重度排序，共 %d 条）】
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：oee_data_audit.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 9 列：date、equipment、calendar_min、planned_stop_min、unplanned_stop_min、ideal_ct_s、total_pcs、good_pcs。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
跑完最该关注哪几项？
报告按 一、异常清单（按设备与严重度排序，共 %d 条）、二、可信度评分、三、按设备汇总、四、必须复核的记录（高严重度）、五、结论与建议 等部分组织，其中判定结论与建议部分直接对应下一步动作。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
同分类的其它工具
本工具归在 OEE与设备效能工具包，全部工具见 工具资源包下载页。
