Missä perinteinen OEE (Overall Equipment Efficiency) jää vajaaksi ja kuinka päästä eroon “OEE-jumeista”.
”Olemme jo 90 % OEE:ssa, yli vertailuarvon, joten parannusmahdollisuudet ovat vähissä.”
Tällaiset kommentit ovat yleisiä, kun puhutaan Overall Equipment Efficiency -mittarista, joka mittaa tuotannon suorituskykyä kolmessa ulottuvuudessa:
- Saatavuus – todellinen tuotantoaika verrattuna suunniteltuun tuotantoaikaan (katkokset, seisokkien aiheuttamat tappiot)
- Suorituskyky – todellinen nopeus verrattuna suunniteltuun nopeuteen (nopeustappiot)
- Laatu – hyvät kappaleet verrattuna tuotettuihin kokonaiskappaleisiin (hylätyt/korjattavat osat)
Vaikka teollisuudessa on vuosikymmenten ajan hyödynnetty lean-, Six Sigma-, ennakoiva huolto- ja analytiikkamenetelmiä, monet valmistajat ovat edelleen jumissa niin kutsutussa OEE-jumeissa: parannukset ovat korkeintaan pieniä, kun taas todelliset tehokkuusloikat pysyvät saavuttamattomina.
Missä perinteinen OEE jää vajaaksi
OEE:n keskeinen rajoite on tason karkeus. Monimutkaisilla automaattisilla tai puoliksi automaattisilla tuotantolinjoilla OEE mitataan yleensä koko linjan tai suurten työpisteiden tasolla. Tehottomuus syntyy kuitenkin usein paljon syvemmällä – lukuisissa mikrovaiheissa linjan sisällä.
Edistyneistä teollisuusprosessien valvonta- ja SCADA-järjestelmistä huolimatta yksittäisten vaiheiden alisuoritus saattaa jäädä huomaamatta. Kuten Martin Nepovim, Mainwaren toimitusjohtaja, toteaa:
”Jos edes pieni osa tuotantodatasta on epäluotettavaa, Houston – meillä on ongelma.”
Ihmistekijä lisää vielä kerroksen. Operaattorit eivät välttämättä raportoi jokaista häiriötä. Käyttöönoton aikana, kun vastuu siirtyy integraattorilta tuotantotekniikoille, raportoimattomat mikroseisokit heikentävät OEE:ta hiljaisesti. Jopa yksinkertainen teko, kuten koneen jättäminen päälle tauon ajaksi, voi vääristää OEE-dataa ja tuhlata analyysitunteja.
Datakuilu
Maailmanlaajuiset tutkimukset tukevat tätä havaintoa. Rockwellin vuoden 2025 “State of Smart Manufacturing Report” korostaa kasvavaa kuilua kerätyn ja käytetyn datan välillä:
- Valmistajat keräävät enemmän dataa kuin koskaan, mutta vain 44 % siitä hyödynnetään tehokkaasti.
- Suurimmat parannusten esteet ovat uuden teknologian käyttöönotto (21 %) ja laadun ja kannattavuuden tasapainottaminen (21 %).
Mikro-OEE (mOEE)
mOEE mittaa tehokkuutta mahdollisimman pienellä tuotantovaiheiden tasolla. Esimerkkejä:
- Yksittäisen ruuvin kokoaminen
- Liiman levittäminen
- Pultin testaus
Perinteisestä OEE:sta poiketen mOEE ei mittaa koko alayksikköä tai valmista tuotetta. Sen sijaan se tunnistaa pienet vaiheet, jotka yhdessä muokkaavat linjan suorituskykyä.
Vaikka mOEE vaatii lisätekniikkaa, sen käyttöönotto paljastaa pullonkaulat, jotka kertyessään muodostavat suuria makrotason tehottomuuksia. Sen avulla valmistajat voivat:
- Tunnistaa tarkalleen, missä aikaa, nopeutta tai laatua menetetään
- Optimoida ihmisen ja koneen välistä vuorovaikutusta
- Vähentää kustannuksia ja parantaa ennustettavuutta
Yhteenvetona: mOEE muuttaa OEE:n yleisestä mittarista työkaluksi, jonka avulla voidaan tehdä konkreettisia parannuksia.
Datasta käytännön havainnointiin
Haaste on kerätä ja analysoida dataa ilman liiallista monimutkaisuutta. Käytännöllinen lähestymistapa yhdistää:
- SCADA-/anturidata digitaaliseen kaksoseen tuotantolinjasta
- Kamerakuvaukset yksittäisistä vaiheista visuaalisen varmistuksen saamiseksi
Tämä mahdollistaa ongelmien analysoinnin ilman pelkkää tekoälyyn tukeutumista. Suuremmassa mittakaavassa tekoäly on arvokas – se auttaa soveltamaan samaa lähestymistapaa useille linjoille tai laitoksille.
Korkean tarkkuuden digitaalinen kaksonen yhdessä itseanalysointityökalujen kanssa voi havaita poikkeamia sekä teknisessä että ihmisten suorituskyvyssä. Vaikka digitaalinen kaksonen vaatii investointeja, se on seuraava suuri askel valmistustehokkuuden parantamisessa.
Tekoälyn rooli
Tekoälyä voidaan parhaiten ymmärtää mahdollistajana, mutta ei korvikkeena luotettavalle datalle.
Esimerkiksi käyttöönoton aikana, kun järjestelmiä säädetään, ratkaisemattomat ongelmat muuttuvat myöhemmin kalliiksi mikroseisokeiksi. Tässä vaiheessa jopa 1 % OEE-parannus vaatii suhteettoman paljon työtä verrattuna aiempiin vaiheisiin. Tekoäly ei pysty rekonstruoimaan puuttuvaa PLC-dataa tai täyttämään sokeita kohtia.
Tekoäly loistaa vasta, kun dataperusta on kunnossa:
- Hälytysjärjestyksien tunnistus ohjelmoitavilta logiikkaohjaimilta (PLC)
- Poikkeamien havaitseminen laajassa mittakaavassa
- Insinöörien ja esimiesten tukeminen kontekstuaalisilla havainnoilla
Ensisijainen prioriteetti on kuitenkin datan laatu ja yhtenäistäminen. Puhdas, luotettava data varmistaa, että tekoäly, visualisointityökalut ja liiketoiminta-analytiikan dashboardit tuottavat todellista arvoa.
Valmistajat, jotka varmistavat datan laadun, digitaalisen infrastruktuurin ja tiiviin yhteistyön integraattoreiden kanssa alusta lähtien, stabiloivat OEE:n ja saavuttavat todellisia tehokkuushyötyjä. Ilman riittävää datatarkkuutta valmistajat saattavat erehtyä pitämään rajoitetta vertailuarvona – ja jättää merkittäviä parannuksia tekemättä.
Käännös: Toimitus
Kuvat: Pexels
Alkuperäisen teksti kirjoittaja: Jan Burian
Lähde: Foundry Management and Technology
