CN110688757A - 一种基于大数据驱动下的oee动态化的实现方法 - Google Patents

Abstract

本发明属于工厂生产设备生产能力水平的模型建立和改善技术领域，具体的说是一种基于大数据驱动下的OEE动态化的实现方法。本发明是一种基于大数据驱动下OEE动态化的计算方法，本方法中将OEE命名为OEE_d。该方法目前主要适用于小型产品制造工厂，充分利用数据中的信息，筛选出其中的有效数据作为计算OEE_d参数的依据，以更好地评价设备的性能，分析设备综合效率下降的原因，进而提高工厂设备生产率，克服传统静态OEE作为统计值的局限性。

Description

一种基于大数据驱动下的OEE动态化的实现方法

技术领域

本发明属于工厂生产设备生产能力水平的模型建立和改善技术领域，具体的说是一种基于大数据驱动下的OEE动态化的实现方法。

背景技术

如今，大数据时代已经到来，一个工厂的每台设备每天可产生成千上万的数据，数据量的丰富化意味着提供的信息量的多样化；但是，目前传统的OEE计算公式往往是基于工厂在较长一段时间间隔内的所采集到的最终的综合数据计算的，利用到的数据种类和数据总量都较少，计算出来的OEE是一段较长时间内的综合静态平均值，没有充分利用大数据的优势且不能实时反映设备的真实性能；

关于动态OEE的算法，前人已经做了研究，目前的动态OEE算法可以大致分为两种。第一种是通过采集累计数据来计算动态OEE，即随着时间的延长，每隔一段时间计算从生产开始时间点到当前时间点这段时间的OEE；第二种是将一定的固定时间长度作为标准时间段，对于生产过程中的每隔标准时间段进行OEE的计算来实现动态。这两种方法共有的特点是，其本质还是静态OEE的计算方法，不能够真正实时地反映出OEE的变化，另外第一种方法会随着生产时间的延长造成后期计算量过大，从而导致图像延迟显示。因此，提出一种实时性较强的动态OEE计算方法是必要的。

发明内容

本发明提供了一种适用小型产品制造工厂的基于大数据驱动下的OEE动态化的实现方法，该方法使得OEE能够实时反映出设备的运行状态和综合效能，实现提高工厂设备综合效能，促进工厂效益提高，解决了传统静态OEE作为统计值的局限性。

本发明技术方案结合附图说明如下：

一种基于大数据驱动下的OEE动态化的实现方法，该实现方法包括以下步骤：

步骤一、基于OEE建立了OEE_d模型；

步骤二、采集动态OEE_d计算模型中各项中间参数所用到的相关因子的数据；

步骤三、计算计划停机状态参数K、动态时间开动率EA_d、动态性能效率PE_d、动态合格品率RQ_ω、设备动态综合效率的OEE_d；

步骤四、由OEE_d的计算值拟合出OEE_d及其各参数随时间变化的曲线趋势图，可得到动态化的设备综合效率变化情况和出现的损失情况，根据曲线变化，分析设备运行状态。

步骤一中所述OEE_d模型如下：

上述公式是以单个产品为单位进行动态OEE的计算。

步骤二所述中采集获取动态OEE_d计算模型中各项参数时，是通过数据仓库技术及传感器技术进行数据采集并上传数据至数据库，对原始数据进行读取、筛选和处理后，提供给OEE_d计算使用。

步骤三中所述计划停机状态系数

该参数可以反映出设备此时是否处于计划停机状态；时间开动率

其中，t_i是在第(i-1)个产品离开加工程序后开始的新一轮计时，时间传感器每隔规定的单位时间向系统发送当前的时间累积值作为t_i，第i个产品离开加工程序后则传感器停止此轮计时，并向系统发送t_i的值作为第i个产品的总生产时长，也就是说此时t_i的值相当于t_op，t_op为第i-1个产品离开生产程序到第i个产品离开生产程序的之间的时间间隔；t₀是每个产品的理论生产时间，为常量，不包含在传送带上运输的时间，该数据由每个工厂自行决定数值，T_K(T_K＞t₀)定义为设备加工单个产品的最大允许时限，即考虑了实际生产活动中存有的可允许生产速度损失后，加工一个产品的最大耗时，T_K是一个与理论生产周期t₀及所生产的产品种类相关的时间常数，其中的R(t_i-T_K)是一个以为t_i自变量的分段函数，函数定义如下：

当一个产品进入设备加工时，经过T_K时间传感器还未停止向系统传送t_pt时，表示产品加工未完成，认为设备处于非计划停机状态或速度损失严重的情况；这时候传感器开始每隔单位生产时间Δt(在本发明中的单位生产时间数Δt是根据所生产的产品正常生产周期所确定的一个最小单位值)向采集系统反馈截止到目前时刻该产品的加工时长t_i，此时：

R(t_i-T_K)＝1，

使得

此时，EA_d呈指数下降，OEE_d也相应下降，工厂管理人员可通过监控系统观察到EA_d或OEE_d的大幅度下降，得知设备正处于非计划停机状态或速度损失严重的状态，从而能够及时委派相关技术人员对设备进行检验维修，当问题解决后，图像上会相应体现出EA_d及OEE_d回升，也就是说动态的时间开动率EA_d能够及时反映出超出正常范围内的速度损失及非计划停机状态；

动态性能效率

其中，t_pt表示第i个产品实际生产所用周期，即第i个产品进入设备进行加工到离开加工程序之间的时间间隔；

又称PE₁，能反映出设备的空转损失；

又称PE₂，能反映出设备的速度损失；当PE_d降低时分析原因：①因子值的降低而导致PE_d值降低，说明此时设备处于空转损失状态；②因子

引起PE_d值降低，说明此时设备处于速度损失状态；

动态合格率

对产品总量n、合格品数n′进行加权计算，其中距离当前时刻最近的产品的权重最大，以此方法就能了解到最新产品的合格情况，加权方法如下：

式中，ω_j为第j个产品所占的权重；

在距离当前时刻最近的生产出来的N个新产品中，取距离当前时刻最近的第一个产品为j＝N，对于之前的产品j依次减一；每个产品是否合格用变量x_j来表示，若第j个产品为合格品，则x_j取值为1，否则x_j为0；

是一维权重向量，

显然，有ω_j＞ω_j-1。

步骤四的具体方法如下：由OEE_d的计算值拟合出OEE_d及其各参数随时间变化的曲线趋势图，得到动态化的设备综合效率变化情况和出现的损失情况，根据曲线变化，分析设备运行状态：由于它们的曲线趋势图是随时间不断延长并且变化的，工作人员可以通过观察它们来及时对设备进行管理；下表是此种动态OEE计算方法判断损失的依据；

表1为OEE_d、各个参数、t₀和t_pt之间的变化关系

其中，1表示机器的各参数状态与正常加工状态相似，但值并不相当于1；-表示数据不存在；箭头表示曲线将出现上升或者下降趋势。此外，设备外停机为当某个产品还未到达设备内时，设备发生非计划内的暂停性停机或大停机的情况。

本发明的有益效果为：

1)本发明提出的动态OEE_d公式基于传统静态OEE公式进行改善，并添加了计划停机参数。相比于传统OEE，动态OEE_d公式以单个生产加工零部件为单位，以动态形式显示设备的生产运行状态，使生产管理者能够更全面掌握设备生产状态。正常运行状态、非计划停机状态、速度损失与暂停机损失以及质量损失都能通过图像的显示实时反映到管理者面前，缩小故障确定的可能范围，从而帮助管理者更快地对设备的改善做出相应决策，提高设备生产力；

2)针对可利用时间参数效率，通过本发明提出的计算方法，弥补在较长时间停机时单位产品生产后显示数据的不足，采用单位设定时间值产出数据，以显示设备可能出现的停机状态；

3)针对合格品率参数，本发明提出了加权的方法，使得不合格产品的显示更加突出，此外，在减小偶尔出现不合格品对后续产品不合格品率影响的同时，若连续产生不合格品，OEE_d图像将放大该损失，并对后续产品的不合格品率产生影响。

附图说明

图1是N个产品(取N＝100时)的质量权重示意图；

图2是K随时间变化图；

图3是EA_d随时间变化图；

图4是PE₁随时间变化图；

图5是PE₂随时间变化图；

图6是RQ_ω随时间变化图；

图7是OEE_d随时间变化图；

图8是所有参数综合分布图。

具体实施方式

参阅图1-图8，一种基于大数据驱动下的OEE动态化的实现方法，该实现方法包括以下步骤：

步骤一、基于OEE建立了OEE_d模型；

OEE_d模型如下：

此计算公式是以单个产品为单位，进行动态OEE的计算；

公式中动态OEE_d的中间参数定义如下：

(1.1)计划停机状态系数K_i：

该参数可以反映出设备此时是否处于计划停机状态。

(1.2)时间开动率

其中，t_i是在第(i-1)个产品离开加工程序后开始的新一轮计时，时间传感器每隔规定的单位时间向系统发送当前的时间累积值作为t_i，第i个产品离开加工程序后则传感器停止此轮计时，并向系统发送t_i的值作为第i个产品的总生产时长，也就是说此时t_i的值相当于t_op，t_op为第i-1个产品离开生产程序到第i个产品离开生产程序的之间的时间间隔，其值将在后文被进一步用到；t₀是每个产品的理论生产时间，为常量，不包含在传送带上运输的时间，该数据由每个工厂自行决定数值；T_K(T_K＞t₀)定义为设备加工单个产品的最大允许时限，即考虑了实际生产活动中存有的可允许生产速度损失后，加工一个产品的最大耗时，T_K是一个与理论生产周期t₀及所生产的产品种类相关的时间常数，其中的R(t_i-T_K)是一个以为t_i自变量的分段函数，函数定义如下：

当一个产品进入设备加工时，经过T_K时间传感器还未停止向系统传送t_pt时，表示产品加工未完成，可认为设备处于非计划停机状态或速度损失严重的情况。这时候传感器开始每隔单位生产时间Δt(在本发明中的单位生产时间数Δt是根据所生产的产品正常生产周期所确定的一个最小单位值)向采集系统反馈截止到目前时刻该产品的加工时长t_i，此时：

R(t_i-T_K)＝1使得

此时，

呈指数下降，

也相应下降，工厂管理人员可通过监控系统观察到

或

的大幅度下降，可得知设备正处于非计划停机状态或速度损失严重的状态，从而能够及时委派相关技术人员对设备进行检验维修，当问题解决后，图像上会相应体现出

及

回升。也就是说动态的时间开动率

能够及时反映出超出正常范围内的速度损失及非计划停机状态。

(1.3)动态设备性能效率

其中，t_pt表示第i个产品实际生产所用周期，即第i个产品进入设备进行加工到离开加工程序之间的时间间隔；

又称PE₁，能反映出设备的空转损失；

又称PE₂，能反映出设备的速度损失。当

降低时分析原因：①因子

值的降低而导致值降低，说明此时设备处于空转损失状态；②因子

引起

值降低，说明此时设备处于速度损失状态。

(1.4)加权合格率

本发明对产品总量n、合格品数n′进行加权计算，其中距离当前时刻最近的产品的权重最大，以此方法就能了解到最新产品的合格情况。加权方法如下：

式中，ω_j为第j个产品所占的权重；

在距离当前时刻最近的生产出来的N个新产品中，取距离当前时刻最近的第一个产品为j＝N，对于之前的产品j依次减一；每个产品是否合格用变量x_i来表示，若第j个产品为合格品，则x_j取值为1，否则x_j为0；是一维权重向量，

显然，有ω_j＞ω_j-1。

步骤二、采集动态OEE_d计算模型中各项中间参数：根据现有的先进数据采集设备，本文可以得到OEE_d计算模型中的各项参数。数据一部分是从企业现有系统(如YMS、MES)的数据库中提取，即计划生产时间以及计划停机时间；另一部分是从设备系统中直接抓取，需要从设备上动态采集的数据有设备的加工实际时长t_pt、设备的加工总时长t_op、最新加工产品n_i是否合格。

步骤三、计算计划开动率K、动态时间开动率EA_d、动态性能效率PE_d、动态合格品率RQ_ω、设备动态综合效率的OEE_d：

首先需要获取K_i。K_i是用来计算

的中间参数。若第i-1个产品生产完成到第i个产品生产完成的时间间隔内有计划停机时间，则此时的K_i＝0；否则，K_i＝1。K_i的数值可由工厂生产日程表获得。其他相关参数根据其定义进行相应采集。

最终计算设备动态综合效率的

利用先前得到的四个中间参数K_i、

代入

的计算公式：

得到动态

的值。

步骤四、由

的计算值拟合出OEE_d及其各参数随时间变化的曲线趋势图，可得到动态化的设备综合效率变化情况和出现的损失情况，根据曲线变化，分析设备运行状态：由于它们的曲线趋势图是随时间不断延长并且变化的，工作人员可以通过观察它们来及时对设备进行管理。下表是此种动态OEE计算方法判断损失的依据。

表1为OEE_d、各个参数、t₀和t_pt之间的变化关系

其中，1表示机器的各参数状态与正常加工状态相似，但值并不相当于1；-表示数据不存在；箭头表示曲线将出现上升或者下降趋势。此外，设备外停机为当某个产品还未到达设备内时，设备发生非计划内的暂停性停机或大停机的情况。

实施例

为证明本方法有实际意义，本文模拟加工340个产品，每个产品的理论加工时间t₀为1分钟，规定最大允许加工时限T_K为2分钟，当计时t_i超过T_K时，每隔Δt为1分钟向采集系统发送一个数据，正常在传输带上的传输时间为0.05分钟，将过程中系统得到的数据实时代入本文中提到的计算方法，再使计算得到的各个参数数据动态图表可视化，即附图2～8，体现设备运行状态，图表中曲线的变化趋势参照表1中的信息判断设备运行状态所处何种问题状态。

生产第50～55个产品时，有五个产品多生产约5分钟，时间区间体现在约52～83分钟，此状态为严重速度损失。

图6反映产品质量损失，下降程度尤其大时，代表此时间段连续出现多个不合格品。

时间区间约为160～200分钟为工厂计划停机时间，图2中的K值此时为0，显示该种情况，并且其他值皆不存在。

生产第210个产品时，对应时间段约为263～282分钟，发生产品处于设备外的非计划停机，即产品未进入设备。

生产第245～255个产品时，每个产品约多生产0.5分钟，为允许速度损失，时间段对应约为320～335分钟，此时对应图5中的PE₂呈反函数式下降。

在生产第285个产品时，时间点为350分钟，发生0.7分钟的空转，对应图4中PE₁的骤然下降。

在生产第300个产品时，时间段约为377～398分钟，发生产品位于设备内的非计划停机，此时对应图3中EA呈指数反函数式下降以及图5中PE₂的反函数式下降。

综上所示，结合图2～8的曲线变化趋势结合表1信息可判断设备的生产运行状态，由此可知本方法有实际意义。

Claims (5)

1.一种基于大数据驱动下的OEE动态化的实现方法，其特征在于，该实现方法包括以下步骤：

步骤一、基于OEE建立了OEE_d模型；

步骤二、采集动态OEE_d计算模型中各项中间参数所用到的相关因子的数据；

步骤三、计算计划停机状态参数K、动态时间开动率EA_d、动态性能效率PE_d、动态合格品率RQ_ω、设备动态综合效率的OEE_d；

步骤四、由

的计算值拟合出OEE_d及其各参数随时间变化的曲线趋势图，可得到动态化的设备综合效率变化情况和出现的损失情况，根据曲线变化，分析设备运行状态。

2.根据权利要求1所述一种基于大数据驱动下的OEE动态化的实现方法，其特征在于，步骤一中所述OEE_d模型如下：

上述公式是以单个产品为单位进行动态OEE的计算。

3.根据权利要求1所述一种基于大数据驱动下的OEE动态化的实现方法，其特征在于，步骤二所述中采集获取动态OEE_d计算模型中各项参数时，是通过数据仓库技术及传感器技术进行数据采集并上传数据至数据库，对原始数据进行读取、筛选和处理后，提供给OEE_d计算使用。

4.根据权利要求2所述一种基于大数据驱动下的OEE动态化的实现方法，其特征在于，步骤三中所述计划停机状态系数

该参数可以反映出设备此时是否处于计划停机状态；时间开动率其中，t_i是在第(i-1)个产品离开加工程序后开始的新一轮计时，时间传感器每隔规定的单位时间向系统发送当前的时间累积值作为t_i，第i个产品离开加工程序后则传感器停止此轮计时，并向系统发送t_i的值作为第i个产品的总生产时长，也就是说此时t_i的值相当于t_op，t_op为第(i-1)个产品离开生产程序到第i个产品离开生产程序的之间的时间间隔；t₀是每个产品的理论生产时间，为常量，不包含在传送带上运输的时间，该数据由每个工厂自行决定数值，T_K(T_K＞t₀)定义为设备加工单个产品的最大允许时限，即考虑了实际生产活动中存有的可允许生产速度损失后，加工一个产品的最大耗时，T_K是一个与理论生产周期t₀及所生产的产品种类相关的时间常数，其中的R(t_i-T_K)是一个以为t_i自变量的分段函数，函数定义如下：

当一个产品进入设备加工时，经过T_K时间传感器还未停止向系统传送t_pt时，表示产品加工未完成，认为设备处于非计划停机状态或速度损失严重的情况；这时候传感器开始每隔单位生产时间Δt(在本发明中的单位生产时间数Δt是根据所生产的产品正常生产周期所确定的一个最小单位值)向采集系统反馈截止到目前时刻该产品的加工时长t_i，此时：

R(t_i-T_K)＝1，

使得

此时，EA_d呈指数下降，OEE_d也相应下降，工厂管理人员可通过监控系统观察到EA_d或OEE_d的大幅度下降，得知设备正处于非计划停机状态或速度损失严重的状态，从而能够及时委派相关技术人员对设备进行检验维修，当问题解决后，图像上会相应体现出EA_d及OEE_d回升，也就是说动态的时间开动率EA_d能够及时反映出超出正常范围内的速度损失及非计划停机状态；

动态性能效率其中，t_pt表示第i个产品实际生产所用周期，即第i个产品进入设备进行加工到离开加工程序之间的时间间隔；

又称PE₁，能反映出设备的空转损失；

又称PE₂，能反映出设备的速度损失；当

降低时分析原因：①因子

值的降低而导致

值降低，说明此时设备处于空转损失状态；②因子引起值降低，说明此时设备处于速度损失状态；

动态合格率

对产品总量n、合格品数n′进行加权计算，其中距离当前时刻最近的产品的权重最大，以此方法就能了解到最新产品的合格情况，加权方法如下：

式中，ω_j为第j个产品所占的权重；

在距离当前时刻最近的生产出来的N个新产品中，取距离当前时刻最近的第一个产品为j＝N，对于之前的产品j依次减一；每个产品是否合格用变量x_j来表示，若第j个产品为合格品，则x_j取值为1，否则x_j为0；是一维权重向量，

显然，有ω_j＞ω_j-1。

5.根据权利要求1所述一种基于大数据驱动下的OEE动态化的实现方法，其特征在于，步骤四的具体方法如下：由的计算值拟合出OEE_d及其各参数随时间变化的曲线趋势图，得到动态化的设备综合效率变化情况和出现的损失情况，根据曲线变化，分析设备运行状态：由于它们的曲线趋势图是随时间不断延长并且变化的，工作人员可以通过观察它们来及时对设备进行管理；下表是此种动态OEE计算方法判断损失的依据；

表1为OEE_d、各个参数、t₀和t_pt之间的变化关系

其中，1表示机器的各参数状态与正常加工状态相似，但值并不相当于1；-表示数据不存在；箭头表示曲线将出现上升或者下降趋势。此外，设备外停机为当某个产品还未到达设备内时，设备发生非计划内的暂停性停机或大停机的情况。

Images