Sådan forbedrer du OEE: De 5 håndtag der faktisk rykker tallet

OEE er det mest brugte nøgletal i diskret produktion. Det beregnes som produktet af tre faktorer:

Tilgængelighed: Andelen af planlagt produktionstid, hvor linjen faktisk kører. Uplanlagte stop, omstillinger og materialemangler trækker tilgængeligheden ned.

Ydelse: Forholdet mellem den faktiske cyklustid og den ideelle cyklustid. Hvis din linje er designet til 60 enheder/time, men i praksis kører 52, er din ydelse 87 %. Mikrostop, langsom opstart og reduceret hastighed trækker ydelsen ned.

Kvalitet: Andelen af producerede enheder, der er godkendte ved første forsøg. Kassationer og genbearbejdning trækker kvaliteten ned.

De tre faktorer multipliceres. Tilgængelighed 90 % x Ydelse 92 % x Kvalitet 98 % = OEE 81 %. Det virker rimeligt, men du mister stadig 19 % af din potentielle output.

Det vigtige ved OEE er ikke tallet i sig selv, men opdelingen. En OEE på 75 % kan betyde vidt forskellige ting:

• Scenarie A: Tilgængelighed 78 %, Ydelse 98 %, Kvalitet 98 % = nedetid er dit problem.
• Scenarie B: Tilgængelighed 95 %, Ydelse 80 %, Kvalitet 98 % = hastighedstab er dit problem.
• Scenarie C: Tilgængelighed 95 %, Ydelse 95 %, Kvalitet 83 % = kvalitet er dit problem.

Hver scenarie kræver en helt anden indsats. Derfor er det afgørende at måle alle tre komponenter præcist, ikke bare rapportere det samlede tal.

Verdensklasse diskret produktion kører 85 %+ OEE. De fleste mellemstore fabrikker ligger på 55–70 %. Gabet mellem de to er næsten altid domineret af 3–5 specifikke tabsposter, der tilsammen udgør 15–20 procentpoint.

Ydelsestab er den mest undervurderede komponent i OEE. Tilgængelighed er synlig: linjen står stille. Kvalitet er synlig: der ligger kasserede dele i spanden. Men ydelse? Linjen kører. Den kører bare langsommere end den burde.

Typiske kilder til ydelsestab:

1. Reduceret hastighed efter omstilling: Linjen starter efter en omstilling og kører på 80 % hastighed, mens operatøren trimmer parametre. "Indkøringsperioden" varer 15–30 minutter. Multiplicer med 3–5 omstillinger om dagen, og du har mistet 1–2 timers produktiv kapacitet.

2. Defensiv hastighedsreduktion: Et kvalitetsproblem opstod for 3 måneder siden ved fuld hastighed. Operatøren satte hastigheden ned til 90 % som midlertidig løsning. Problemet blev rettet, men ingen satte hastigheden op igen. Maskinen kører stadig 10 % under kapacitet.

3. Aldrig opdaterede idealtider: OEE-beregningen bruger en ideel cyklustid som reference. Hvis den blev sat, da maskinen var ny for 8 år siden, og maskinen siden har fået opgraderinger, kan idealtiden være forkert. Nogle fabrikker opdager, at deres "idelle" cyklustid allerede er langsommere end hvad maskinen faktisk kan.

4. Tomgangstid i automatisk cyklus: Maskinen er i automatisk drift, men venter på en operatørhandling, en robot der ikke er klar, eller et signal fra en opstrømsstation. PLC'en tæller det som driftstid, men der produceres intet.

At identificere ydelsestab kræver, at du måler den faktiske cyklustid pr. enhed og sammenligner med idealtiden. De fleste PLC'er kan logge cyklustider. Analyser fordelingen: den burde toppe skarpt ved idealtiden. Hvis den har en lang hale mod højere tider, har du ydelsestab.

De hurtigste resultater kommer typisk fra at gennemgå hastighedsindstillinger på alle maskiner og verificere, at de matcher den aktuelle kapabilitet. Det er en eftermiddags arbejde, og det giver typisk 2–5 procentpoint i ydelse.

Traditionelle OEE-rapporter viser tal pr. linje, pr. skift, pr. dag. Du kan se, at linje 3 havde 68 % OEE tirsdag aften. Men rapporten fortæller dig ikke, at linje 3 ligger ved siden af modtagelsen, hvor en port var åben og sænkede temperaturen 4°C, og at materialebatchen var fra en leverandør, der konsekvent leverer i den lave ende af specifikationen.

Den type korrelation kræver, at data fra forskellige kilder kombineres i en kontekst, der bevarer de rumlige relationer. Det er hvad digital twin-platforme gør.

Når maskindata, sensordata, miljødata og vedligeholdelseshistorik mappes på en plantegning, bliver mønstre synlige:

• Maskiner nær porte og ovenlys har lavere ydelse om vinteren pga. temperaturudsving.
• Linjer, der deler eltavle med en stor kompressor, har flere mikrostop pga. spændingsdyk.
• Kvalitetsafvigelser klumper sig i zoner med dårlig ventilation, fordi fugt påvirker materialet.

Disse sammenhænge er næsten umulige at se i et regneark. De kræver en visuel model, der afspejler den fysiske virkelighed.

Teams der bruger rumlige data til OEE-analyse rapporterer, at de identificerer grundårsager til kroniske tab 40–60 % hurtigere [2]. Hastigheden kommer fra, at konteksten er synlig i stedet for at skulle konstrueres manuelt.

Den praktiske tilgang er at starte med dine OEE-data, identificere de tidsperioder med lavest OEE, og derefter bruge den rumlige model til at se, hvad der var anderledes i de perioder. Miljø, materialebatch, nabomaskiner, vedligeholdelsesaktivitet. Mønsteret viser sig typisk inden for de første par ugers analyse.