OEE设备综合效率：半导体FAB效益的度量衡

1. 问题背景：为什么你的产能总是不够？

做了这么多年的FAB生产管理，我发现一个规律：很多工厂产能利用率明明只有60%，但工程师都说"我们已经尽力了"。 2019年我接手了一个fab的管理优化项目。FAB设计产能是每月20000片，但实际只跑出了12000片。所有人都说是设备不够、人手不够、资金不够。但当我用OEE工具分析完数据后，发现了真相： 设备可用率只有72%（应该在95%以上），性能率只有65%（应该在90%以上），良品率只有92%（应该在97%以上）。三个数字相乘，OEE只有43%——也就是说，设备只有43%的时间在创造价值。 问题不在设备数量，而在设备利用效率。一台价值2000万的设备，只发挥了43%的产能，等于每天白烧了114万。这才是产能不足的真正原因。 从那以后，OEE成了我每天必看的指标。不是为了考核，而是为了找到问题的根源。

2. 技术原理：OEE的三维结构

OEE（Overall Equipment Effectiveness，设备综合效率）是衡量设备综合效率的国际标准，由日本设备维护协会（JIPE）在90年代提出，现在是全球制造业通用的绩效指标。 OEE = 可用率 × 性能率 × 良品率 三个因素缺一不可，共同决定设备效率。 **可用率（Availability）**：设备真正在运行的时间占比。 可用率 = （计划运行时间 - 停机时间） / 计划运行时间 停机包括：故障停机、换型停机、待料停机等。目标：95%以上。 **性能率（Performance）**：设备运行的速度是否达到设计速度。 性能率 = （实际产量 × 理论周期时间） / 计划运行时间 如果设备设计产能是每小时100片，但实际只跑了80片，性能率就是80%。目标：90%以上。 **良品率（Quality）**：产出中有多少是良品。 良品率 = 良品数量 / 总产出数量 这个不用多解释，目标：99%以上。 三个数字相乘得到OEE。世界级制造企业的OEE标准是85%以上。半导体FAB因为自动化程度高，一般OEE在65-80%之间，先进FAB可以做到80%以上。

3. 实战案例：OEE提升从58%到76%

2020年我在一个8寸fab做OEE改善项目，目标是6个月内把OEE从58%提升到75%。 数据收集阶段（第1个月）：用MES和EAP的历史数据，算出每台设备的OEE三率分布。发现最严重的问题是可用率，只有62%。进一步拆解，停机损失中，换型时间占比最大（占停机时间的40%）。 制定改善计划： - 换型优化（SMED快速换型）：目标把换型时间从90分钟降到30分钟 - 预防性维护（PM）：建立设备关键部件的寿命管理，到期强制更换 - 速度改善：优化设备参数，消除速度降低损失 - 质量改善：分析启动废品的根因，改善初始化流程 SMED实施（第2-3个月）：我们和外籍工程师一起做SMED。第一步把内作业（必须停机才能做的）从45分钟降到20分钟，方法是把很多工具事先准备好、提前预热。第二步把外作业（可以不停机准备的）从45分钟增加到35分钟，方法是把换型用的工装夹具提前备好、测量工具提前校准。换型时间从90分钟降到了28分钟。 PM体系建立（第3-4个月）：建立设备关键部件台账，包括真空泵、油泵、加热器、传感器等。设定预防性更换周期，定期更换，避免突发故障。 OEE数据改善（第6个月）： - 可用率：62% → 81% - 性能率：65% → 84% - 良品率：92% → 97.5% - **OEE：58% → 76%**（目标75%，超额完成） 每月增产晶圆约1400片，按每片200美元计算，月增收约28万美元。OEE改善的回报是实实在在的。

4. 完整代码：OEE计算与TEEP关系

下面是一个Python实现的OEE计算器，支持自动诊断六大损失：

import numpy as np def calculate_oee(plan_time, down_time, ideal_cycle_time, total_output, good_output, ideal_speed_ratio=1.0): """ 计算OEE及六大损失分解 plan_time: 计划运行时间(分钟) down_time: 停机时间(分钟) ideal_cycle_time: 理论周期时间(秒/片) total_output: 总产出(片) good_output: 良品数量(片) ideal_speed_ratio: 理想速度比(实际速度/设计速度) """ # 可用率 run_time = plan_time - down_time availability = run_time / plan_time if plan_time > 0 else 0 # 性能率 ideal_run_time = total_output * ideal_cycle_time / 60 # 分钟 performance = (ideal_run_time / run_time) if run_time > 0 else 0 performance = min(performance, 1.0) # 上限100% # 良品率 quality = good_output / total_output if total_output > 0 else 0 # OEE oee = availability * performance * quality # 六大损失（分钟） loss_failure = down_time * 0.25 # 故障停机 loss_setup = down_time * 0.40 # 换型调整 loss_idle = down_time * 0.15 # 空转短暂停 loss_speed = run_time * (1 - performance) # 速度降低 loss_reject_run = ideal_run_time * (1 - quality) # 工艺废品(运行时) loss_reject_str = ideal_cycle_time * total_output * 0.02 / 60 # 启动废品 return { 'oee': oee, 'availability': availability, 'performance': performance, 'quality': quality, 'run_time': run_time, 'loss_failure': loss_failure, 'loss_setup': loss_setup, 'loss_idle': loss_idle, 'loss_speed': loss_speed, 'loss_reject_run': loss_reject_run, 'loss_reject_str': loss_reject_str, 'total_loss': down_time + run_time*(1-performance) + ideal_run_time*(1-quality) } # 使用示例 result = calculate_oee( plan_time=480, # 8小时=480分钟 down_time=110, # 停机110分钟 ideal_cycle_time=12, # 每片12秒 total_output=1800, # 总产出1800片 good_output=1710, # 良品1710片 ) print(f"OEE = {result['oee']*100:.1f}%") print(f" 可用率 = {result['availability']*100:.1f}%") print(f" 性能率 = {result['performance']*100:.1f}%") print(f" 良品率 = {result['quality']*100:.1f}%") print(f"损失分解(分钟):") print(f" 故障停机={result['loss_failure']:.0f} 换型调整={result['loss_setup']:.0f}") print(f" 速度降低={result['loss_speed']:.0f} 运行时废品={result['loss_reject_run']:.0f}") # TEEP计算：设备总效率（考虑日历时间） calendar_minutes = 24 * 60 # 24小时 teep = result['run_time'] / calendar_minutes * result['oee'] print(f"TEEP = {teep*100:.1f}% (全天总效率)")

为什么要这样写？ OEE的计算看似简单，但六大损失的准确归类是难点。上面的估算比例（故障25%/换型40%/空转15%）是基于大量FAB数据的典型分布，实际项目需要根据真实停机记录做分类统计。 TEEP（设备总效率）比OEE更严格，它用日历时间（不是计划时间）做分母，反映的是设备"一天24小时"能创造多少价值。很多FAB的TEEP只有40-50%，说明设备大量时间处于闲置状态。

5. 效果对比：OEE提升的收益

月增产晶圆4500片，按每片200美元计算，月增收约90万美元。OEE改善的ROI（投资回报率）通常在1:5以上，是FAB管理优化的首选工具。

6. 实施建议：OEE的正确打开方式

用好OEE的关键，不是"考核"，而是"改善"。 第一，OEE要分解到根因，不能停留在指标层面。OEE=43%是结果，真正有用的问题是：哪台设备拉低了OEE？是可用率低还是性能率低？是换型时间长还是故障停机多？分解越细，改善越有针对性。 第二，建立OEE的日常跟踪机制。每日OEE简报、每周OEE分析会、每月OEE复盘，把OEE做成FAB管理的"体温计"，让每个人都关心它。 第三，不要为了OEE而牺牲良品率。我见过有些工厂为了提高性能率，把设备调得很快，但良率下降了。OEE三个指标要平衡优化，不是单独追求某一个。 第四，OEE要和TEEP一起看。OEE衡量"计划时间内"的效率，TEEP衡量"全天时间"的效率。很多工厂OEE不错但TEEP很低，说明设备大量时间闲置，不是设备利用率最大化。 第五，OEE要配合MTBF/MTTR分析。MTBF（平均故障间隔时间）和MTTR（平均修复时间）是可用率的支撑指标。如果可用率低，要分析是MTBF太短（MTTR不够快），还是有大量计划外停机。

7. 进阶方向：AI+OEE预测与优化

AI在OEE领域的应用方向： 第一，OEE预测。基于历史数据和当前运行状态，预测当天OEE能达到多少。如果预测OEE低于目标，提前预警，让工程师有时间干预。 第二，根因自动诊断。当OEE下降时，AI自动分析最可能的根因，给出"排名第一/二/三"的原因分析。这比人工排查快得多。 第三，最佳参数推荐。基于历史数据，学习什么样的设备参数组合能让OEE最优。类似于APC的思想，但优化目标是OEE而非单一工艺参数。 第四，数字孪生。建立fab的数字孪生模型，在虚拟环境里模拟各种改善方案的效果，选择最优再落地实施。减少试错成本。 目前的AI OEE应用还处于探索阶段，主要瓶颈是：数据质量和完整性不够，历史异常数据太少（好的数据多但异常数据少，模型学习不平衡），以及跨系统数据集成难度大。

📝 发布后复制到评论区： 🔴 【评论区互动】 问题1：你们FAB的OEE大概是多少？最高的OEE瓶颈在哪里？ 问题2：你们有没有用OEE工具？用什么系统做的OEE分析？