1 заметка с тегом

оборудование

Вопрос-ответ: OEE

Спрашивает Роман Бунин:

Для процессных производств (добыча нефти, пищевая промышленность, химическая промышленность) основными источниками затрат являются сырьё, расходы на энергию и оборудование. Оборудование пытаются загрузить как можно больше, так как оно дорогое и если оно простаивает, то это приводит к упущенной прибыли. Основные причины простоев — поломки, производство брака, мойки оборудования, тех. обслуживание и т. п.

Чтобы отслеживать загрузку оборудования, используется специальный KPI — OEE (Overall equipment effectiveness, или Общая эффективность оборудования). Это комплексный показатель, который состоит из трёх частей: доступность, производительность и качество. Каждый измеряется в процентах, которые при перемножении дают общее значение. Анализируя данные, как в целом, так и по каждой составной части, можно найти основные причины простоев. Данные интересны в разрезе единиц оборудования, причин простоев, времени и смен.

Как визуализировать эти данные и срезы?

На приведённом дашборде индикаторы, графики и диаграммы разрознены, никак не связаны между собой. Попробуем выстроить последовательную картину работы предприятия, которая продемонстрирует эффективность каждой машины в отдельности и производства в целом.

На заводе из семечек производят масло. В разных цехах стоит различное оборудование, которое производит продукт (качественный и бракованный) с определённой скоростью (производительностью), нулевой, если машина недоступна. Возможные причины простоя оборудования: плановый или срочный ремонт, переход между режимами, отсутствие сырья или заказа. Кирпичик данных — это результат работы одной машины в единицу времени. А именно, объём фактически произведённой продукции в тоннах (факт), объём качественной продукции в тоннах (факт − брак) и производные относительные характеристики: доступность (время факт / время план), производительность (факт / план), качество (кондиция / факт) и ОЕЕ (Д × П × К). По формулам выходит, что ОЕЕ показывает отношение выпущенной качественной продукции к запланированному максимально возможному объёму.

Покажем произведённую в единицу времени продукцию столбиком из двух частей, кондиции и брака. Над столбиком отметим уровень запланированного максимума:

То же самое в процентах:

Соберём из столбиков картину дневной эффективности, объединим дни в недели на календарной сетке месяца. Абсолютное значение планового объёма может меняться в разные дни и смены, поэтому на графике покажем относительные значения в процентах.

Уровень полных столбцов показывает производительность машины в течение дня, уровень жёлтых столбцов показывает динамику ОЕЕ. Разные оттенки жёлтого, меняющиеся в течение дня, иллюстрируют сменяющие друг друга бригады. Причины простоя показаны разноцветными полосками в дырах на графике.

На таком графике виден не только общий уровень производительности и OEE, но и причины снижения показателей: продолжительное отсутствие сырья, несколько крупных поломок, сопровождающиеся выпуском брака и т. п.

Мы визуализировали эффективность работы одной машины по часам на протяжение месяца. Тот же подход сработает для макроуровней: цеха и завода, а также других временных отрезков, например, целого года. Дополним график таблицей с ключевыми параметрами и интерактивной легендой, которая показывает полный набор параметров при наведении на график.

Живой прототип: https://oee.datalaboratory.ru/

В таблице видно какие цеха и машины снижают общую эффективность, по клику в цех и машину открываются соответсвующие показатели слева и графики справа. Низкая эффективность пресового цеха объясняется плохой работой 1-й жаровни и 2-го пресса. Жаровня простаивает в основном из-за отсутсвия сырья, а также почти на сутки 17-18 июля вышла из строя из-за серьёзной поломки. Пресс в основном простаивает без сырья и заказов. При этом по упущенной прибыли всех опережает цех очистки.

Получившаяся визуализация показывает динамику OEE, объясняет, что значит этот параметр и каковы причины снижения эффективности производства.

Присылайте вопросы о визуализации данных на почту: data@datalaboratory.ru, ответы публикуются ежемесячно. При участии Романа Бунина, Кирилла Беляева и Сергея Долинина.