设备 OEE 与预防性维护：让停机「可预测」

本文要点（TL;DR）

• OEE（设备综合效率）= 可用率 × 性能 × 质量，三项相乘，取值 0–100%。国际标准 ISO 22400-2:2014《自动化系统与集成 制造运营管理关键绩效指标 第 2 部分：定义与描述》已把它列为制造运营的标准 KPI。
• OEE 的世界级标杆是 85%（可用率 90% × 性能 95% × 质量 99.9%），由日本设备维护协会（JIPM）在 TPM 体系中提出。多数离散工厂第一次认真测算，结果会落在 50%–70% 区间——不是设备不行，是损失一直没被记账。
• 停机之所以「不可预测」，不是因为故障随机，而是因为没有台账、没有保养触发、没有停机留痕。补齐这三件事，多数计划外停机会先变成「可解释」，再变成「可预测」。
• 德勤《Predictive Maintenance and the Smart Factory》（2017）测算：把维护方式从事后维修转向预防与预测，通常可使设备停机减少 15%–20%、整体维护成本下降 5%–10%。
• OEE 真正的价值不在那个百分数，而在于它把「设备管理」从维修部门的事，变成老板可以按周追问的经营指标。

---

上一篇我们算过一笔账：设备坏了才修，吃掉的是毛利而不是维修费。这一篇往下走一步——怎么把「坏了才知道」变成「提前知道」。

一、OEE 到底是什么？一句话说清

OEE（Overall Equipment Effectiveness，设备综合效率）衡量的是：在你计划让设备干活的这段时间里，它到底产出了多少合格品。计算方式是三个比率相乘：

OEE = 可用率 × 性能 × 质量

构成项	它在问什么	被它扣掉的典型损失
可用率	计划的生产时间里，设备真正在运转的比例	故障停机、换型调机、等料等人、等工装夹具
性能	设备运转时，实际速度相对理论节拍的比例	小停顿、空转、降速运行、卡料后的手工干预
质量	产出的总数里，一次做对的合格品比例	不良、返修、开机首件报废、调试损耗

三项相乘这件事本身就很有经营含义：它们不是加权平均，而是连乘。三项各自 90% 看起来都不差，乘起来只有 72.9%。这就是为什么很多工厂「每个环节看着都还行，全年产能就是上不去」。

ISO 22400-2:2014 把 OEE 及其三个分项写进了制造运营管理的 KPI 标准清单，给了统一的定义与计算口径。这一点很重要——OEE 最容易被玩坏的地方就是口径：计划时间要不要扣掉计划保养、换型算不算停机、试产件算不算产量，口径一变，数字可以差出十几个百分点。所以对外比对标杆之前，先把自己厂内的口径写死。

二、为什么老板该看 OEE，而不是只盯产量

产量是结果，OEE 是结构。产量掉了只告诉你「出事了」，OEE 告诉你「钱漏在哪一层」。

第一，它把闲置的产能显性化。JIPM 提出的世界级标杆是 85%。如果一条线常年跑在 60%，那意味着在不新增设备、不新增厂房的前提下，理论上还有相当可观的产出空间躺在那里没被拿走。对老板来说，这是一笔比「再买一台设备」便宜得多的账。

第二，它让「要不要追加投资」这个决策有依据。产线报产能不足要求扩线，是真的物理产能不够，还是可用率被换型和等料吃掉了？没有 OEE 分项数据，这个问题只能靠拍板；有了分项数据，答案通常自己会跳出来。

第三，它是交期承诺的底气。销售敢不敢接这张急单，取决于产能余量是多少、这条线这个月的稳定性如何。凭感觉承诺交期，本质上是在用客户关系赌设备状态。

工业和信息化部等八部门联合印发的《「十四五」智能制造发展规划》（2021 年 12 月）把生产过程数据的采集与应用列为智能制造的基础工作。设备状态数据是其中最基础的一层——连设备什么时候停、停了多久、为什么停都没有记录，后面所有的分析和优化都无从谈起。

三、OEE 上不去，问题通常出在哪？

按我们在电子制造、汽车零部件、家电等离散行业实施的经验，第一次测算 OEE 偏低时，原因高度集中在下面几类，而且大多数不是「设备老了」：

掉在哪一项	常见真实原因	对应动作
可用率	换型时间长且波动大；备件不在手边，修不如等；故障找人靠喊，响应链条长	换型作业标准化并计时；关键备件定点定量；异常呼叫走 Andon，自动升级
可用率	缺料、缺工装、缺程序导致设备干等，但这段时间被记成「正常生产」	停机必须选原因码，等料与故障分开统计，责任才分得清
性能	频繁小停顿（卡料、传感器误报）无人记录，单次只有几十秒，一天累积起来很可观	由设备信号自动采集运行/待机状态，短停自动归集，不依赖人工填报
性能	理论节拍从来没校准过，拿设备铭牌数据当基准	按当前产品型号重新标定标准节拍，分型号统计
质量	开机首件与调试阶段的报废没有单独归类，混在总不良里	首件与量产分开计数，把「开机损失」单独拎出来看

这张表想说明一件事：OEE 低不是结论，是索引。它的用处是把你带到具体那一格，而不是给设备打一个总分。

四、预防性维护，怎么才能让停机「可预测」？

设备维护有一条公认的成熟度阶梯，从被动到主动分四级。多数国内离散工厂目前在第一到第二级之间。

阶段	做法	触发条件	前提
事后维修	坏了再修	故障发生	无
预防性维护	按周期保养	日历天数 / 运行小时 / 加工数量	设备台账 + 保养标准
状态维护	按状态判断	温度、振动、电流等参数越限	参数采集能力
预测性维护	按趋势预警	参数劣化趋势外推	足够长的历史数据 + 模型

这里有个常见误区：很多工厂想一步跳到预测性维护。但预测靠的是历史数据的规律，历史数据从哪来？从前两级踏踏实实记出来。跳级的结果通常是买了一套算法，喂进去的却是残缺的台账。

务实的路径是三步，顺序不能颠倒：

1. 建台账：每台设备唯一编号，把型号、位置、责任人、关键备件、保养标准挂上去。这一步没有技术含量，但决定了后面所有数据能不能对上号。
2. 让保养计划自己找上门：保养触发条件不能只写在墙上的表格里，要按运行小时数或加工数量自动生成待办、派到人、到期未做要提醒和升级。贴在墙上的保养计划表，本质上是一份纪念品。
3. 把停机记录结构化：每次停机都要有开始时间、结束时间、原因码、处理人、更换备件。原因码要事先设计好且数量克制——选项太多，现场就会全选「其他」。

做完这三步，会发生一件事：故障不再是「突然发生」的。你会看到某台设备的同一个部件三个月内换了四次，看到某个班次的停机时长明显高于其他班次，看到某个型号一上线小停顿就变多。这些规律一直存在，只是过去没有被记下来，所以显得随机。

德勤在《Predictive Maintenance and the Smart Factory》（2017）中给出的测算是：维护方式从事后转向预防与预测后，设备停机通常减少 15%–20%，整体维护成本下降 5%–10%，维护计划编制时间减少 20%–50%。麦肯锡全球研究院《The Internet of Things: Mapping the Value Beyond the Hype》（2015）也提出，基于设备状态数据的维护可使停机时间减少 30%–50%、设备寿命延长 20%–40%。这两组数字口径不同、样本不同，但方向一致：收益主要来自少停机，而不是省维修费。

五、OEE 数据从哪来？人工填报为什么撑不住

很多工厂的 OEE 是这么来的：班组长在下班前凭记忆填一张表，文员汇总进 Excel，月底出一张图。这套办法能启动，但撑不到有用的那一天，原因有三：

• 短停顿记不住。一次卡料两分钟，一个班十几次，人工填报几乎必然漏掉，而这恰恰是性能损失的主要来源。
• 时间点不准。事后回忆的停机时长普遍偏短，且越是责任相关越偏短，数据会系统性地偏乐观。
• 出得太晚。月底看到的数据只能用来复盘，不能用来干预。真正有价值的是当班就能看到的异常。

所以这件事的技术底座是设备状态自动采集。奥斯坦丁软件（OTD）的 OTDMES 设备管理模块在这一层的做法是：通过设备集成层直接对接产线上的 PLC 与控制器（支持西门子、基恩士、欧姆龙等主流品牌，以及 OPC UA、Socket、MQTT 等通用协议），把设备的运行、待机、故障、报警信号实时取回来，自动切分状态区间并计算可用率与性能；质量端的数据则来自 OTDMES 的过检环节，与 IPQC、OQC 的判定结果直接对齐，不需要二次录入。停机原因码由现场在终端上补选，人工只做机器做不了的那部分——判断原因，而不是记录时间。

在此之上，设备台账、保养计划、点检工单、备件消耗与停机记录在同一套系统里打通，才能回答「这台设备今年一共停了多久、其中多少是可以靠保养避免的」这类问题。据客户反馈，把停机原因码落地并坚持统计一两个月后，最先浮出水面的往往不是设备本身的故障，而是等料、换型和工装准备这类组织问题——这类问题不用花钱买设备就能改善。

别把 OEE 变成考核指标。一旦 OEE 直接和班组奖金挂钩，现场最理性的应对不是提高效率，而是修改口径——把计划时间调小、把停机记成计划保养、把首件报废记成调试。指标一旦被用于问责，数据质量就开始崩坏。更稳的用法是：OEE 用于诊断和改善追踪，考核用产出、准时交付、质量这些结果指标。

六、从零开始，头三个月做什么？

1. 第 1 个月，选一条线试点。挑瓶颈线，不挑最好的线。把设备台账建全，把停机原因码设计出来（建议控制在 10–15 个），把 OEE 口径写成一页纸的文件，各部门签字确认。
2. 第 2 个月，让数据自动跑起来。接通关键设备的状态信号，看板上线，每天班后看一次。这个月不要急着定改善目标，先让数据稳定，让现场相信数字是真的。
3. 第 3 个月，动第一刀。从损失排名第一的那一项入手——通常是换型或等料。做一轮改善，用 OEE 分项验证效果。有了一个被数据证实的成功案例，推广到其他产线的阻力会小很多。

衡量这件事有没有做成，看两个指标就够：计划外停机时长占比是否在下降，以及保养计划的按时完成率是否稳定在高位。OEE 总分反而是滞后指标，不必天天盯。

---

常见问题（FAQ）

Q1：OEE 多少算合格？

JIPM 给出的世界级标杆是 85%，但它是长期目标而不是入门线。更有意义的做法是拿自己的历史数据做基准：先测出当前真实水平，再看每月是否在改善。跨企业、跨行业直接比 OEE 数字意义有限，因为口径几乎不可能完全一致。

Q2：我们设备品牌很杂，还有些老设备没有通信接口，能做吗？

能，但要分层处理。有通信接口的直接对接采集；没有接口的老设备可以通过加装信号采集点（如三色灯信号、电流互感器）获取最基础的运行/停机状态；实在无法改造的，先用终端人工报工加原因码，保证口径统一。先做到全部设备有数据，再逐台提高数据精度，比只上一部分新设备更有价值。

Q3：预防性维护会不会造成过度保养，反而增加成本？

会，这是真实存在的风险。判断依据是保养后的故障率变化：如果某项保养的周期缩短后故障率没有改善，说明周期已经过密。合理做法是先按厂家建议周期启动，积累半年到一年的故障与保养数据后，按实际劣化规律逐项调整周期，有的缩短、有的延长。

Q4：上 MES 之后，OEE 会自动提升吗？

不会。系统提供的是可见性与执行闭环，改善动作仍然要靠人做。合理的预期是：系统让你在当班就知道哪台设备、因为什么、损失了多少时间，把过去需要一个月才能发现的问题压缩到几小时内。看得见不等于改得好，但看不见一定改不好。

---

苏州奥斯坦丁软件（OTD）专注离散制造业智能制造软件，OTDMES 覆盖生产执行、质量管控、物料防错、设备管理与生产可视化，已在电子制造、汽车零部件、家电、陶瓷等行业落地。如果你正在考虑把设备管理从「救火」转向「预防」，欢迎交流具体场景。