Hvad er OEE

“En maskines udnyttelsesgrad” er påvirket af 3 hovedområder –herunder 6 tabsgivende faktorer.

Availability/Tilgængelighed/Oppetid: Tager forbehold for:

Planlagte stop
Ikke planlagte stop

Performance: Tager forbehold for:

Reduceret hastighed
Små Stop

Quality

Rejects
Startup Rejects

OEE=Availability*Performance*Quality

OEE på 85% eller højere betragtes som worldclass. De fleste virksomheder har en OEE som ligger væsentligt under 85%. Det mest almindelige vi ser er en OEE mellem 30-60%.

Praksis – fra teori til virkelighed med regneeksempler

Availability

Availability/Tilgængelighed/Oppetid: Tager forbehold for:

Eksempel:

Udgangspunkt er al tid – 24 timer i døgnet. Fra al tid fratrækkes “tilladt” tidstab f.eks. fabrikken er lukket, der er kun 2 skiftehold og pauser. (Nogen maskiner kan køre ubemandet i en periode – Nogen virksomheder vil derfor sige, at hos dem er stop under pauser ikke er planlagt/tilladt. Pausen kan selvfølgelig påvirke udbedringstiden men stop under pause betragtes stadig hos disse virksomheder som et uplanlagt stop.)

Vores system giver den enkelte virksomhed mulighed for at selv at vælge, hvorvidt et stop er planlagt eller ikke planlagt. Humlen er at planlagte stop ikke påvirker beregningen af ”Availability”, fordi det fratrækkes maskinens tilgængelighed.

Til regneeksemplet:

Hvis 2 skift arbejder 8 timer hver, er vores planlagte produktionstid initielt 16 timer. I løbet af de 16 timer er der 1 times tilladt tidstab I form af spisepause – planlagt produktionstid er nu 15 timer.

I løbet af de 15 timer har vi 3 timers uplanlagt stop – Det betyder at vores reelle produktionstid er 12 timer.

Formel: Availability (Oppetid) / Planlangt produktionstid

Availability (Oppetid) er således i dette eksempel: 12:15=0,8 (80%)

Performance

Performance: Tager forbehold for:

Eksempel:

Vi forventer at maskinen producerer 2 emner pr. minut – I løbet af de seneste 60 minutter har vi haft 30 minutters oppetid (produktionstid) og den har produceret 60 emner totalt.

Formel: (Total emner/produktionstid) / Forventede emner pr. minut

Performance er således: (60 /30)  / 2  =  1 (100%)

Bemærkning: Performance er kun relateret til hastigheden, når maskinen kører. Maskinens eventuelt manglende produktion, når den er nede, holder vi altså ude af billedet ifht. performance.

Quality

Quality tager forbehold for:

Eksempel:

Vi har produceret 600 emner I alt, ud af disse var 12 “dårlige”, og de er blevet kasseret.

Formel: (Total antal emner-kasserede emner) / Total antal emner

Quality er: (600-12) / 600 = 0,98 (98%)

OEE med de 3 ovenstående eksempler er:

Availability 0,8* Performance 1* Quality 0.98 – det giver en OEE på 0,78 (78%)

Som det fremgår, skal en maskine køre med en virkelig høj faktor på alle parametre for at opnå en world class OEE på 85%.

I den sammenhæng kan man også spørge om: Kan OEE være over 100%? – Og svaret er ja, det kan den godt, hvis performance målet er sat for lavt. Hvis jeg f.eks. sætter mit måltal på performance til 120 stk. pr. time, og jeg reelt laver 360 stk. pr. time. Så vil min  performance være på 300%. Hvis jeg også ligger højt på min availability og quality, så kan jeg i teorien godt have en OEE som ligger over 100%.

Availability og Quality kan aldrig være over 100% og som udgangspunkt bør man tilstræbe at performance måltallet såvidt muligt matcher virkeligheden. Ellers opnår man en høj OEE baseret på nogle forkerte forudsætninger, der om ikke andet gør det umuligt at sammenligne og benchmarke tallene med andre virksomheder.

Hvordan kan OEE anvendes?

OEE hjælper med at skabe klarhed og forståelse for hvordan output på en maskine eller maskinlinje kan optimeres.

Lad os antage at jeg som fabriksejer har en forventning om at jeg producerer 480 emner i løbet af 8 timer/1 skiftehold (svarene til 1 emne pr. minut) men efter at folkene er gået hjem, viser det sig at jeg står tilbage med kun 360 emner. Så hvad er der gået galt?

Det første som kan være gået galt er min forventning om maskinens produktionstid – Som udgangspunkt har jeg jo de 8 timer, men folkene har 30 minutters spisepause, hvor maskinen står stille, så allerede her går det galt. Maskinen har ikke 8 timers produktionstid, den har kun max. 7,5 timer – så hvis alt kører 100% kan jeg max. fremstille 450 emner – men jeg har stadig kun 360.

Differencen mellem de 450 og de 360 – 90 stk. skal findes i maskinens manglende oppetid (uplanlagte stop),  manglende performance (nedsat hastighed og små stop når den kører) eller for mange ”dårlige emner eller en kombination af alle 3.

Det er derfor vi måler på OEE – tallet og de enkelte parametre fortæller os ”hvor hunden” ligger begravet. Det giver os mulighed for at isolere de forskellige ”spildårsager” og fokusere der, hvor vi får den største effekt i forhold til at optimere produktionen.

OEE kan også anvendes, når der skal investeres i nye maskiner. Prisen på en ny maskine er ikke interessant i sig selv. Det som er interessant er ROI på maskinen, og hvis vi skal udregne ROI, så har maskinens evne til at holde en høj availability, performance (og npc – named plate capacity) og quality stor indflydelse. Inden man investerer i en ny maskine ofte til flere millioner kan det være en god ide lige at måle på og forholde sig til om man kan få mere output på de maskiner man allerede har. Det vil være drønærgerligt at investere i en ny maskine i højkonjunktur og forvente at man skal afskrive den over 5 år for efterfølgende at finde ud af efter 1 år at man ikke har nok ordrer til maskinen og at den derfor står stille halvdelen af tiden – det er simpelthen en dårlig forretning.

Operatørpanelet ved hver enkelt maskine viser status for dagens produktion for det igangværende skiftehold. Operatørpanelet giver operatøren overblik ifht. hvilke stopårsager, koster mest tid på produktionen i dag, kører maskinen med den rigtige hastighed når den kører og opretholder produkterne vores kvalitets standard. Han kan sammenligne dagens oppetid med de 5 foregående dage således at når han går hjem ved han meget håndgribeligt om det har været en god dag eller om der har været nogle problemer med maskinen som vedligehold eller andre skal forholde sig til.

Rapporterne kan printes ud og man kan eventuelt anvende BI til at udarbejde forskellige rapportskabeloner til forskellige målgrupper og distribuere disse via mail hver morgen – det kan være en rapport til CXO niveau, 1 til produktionschefen og 1 til værkføren/operatørerne. Rapporterne kan anvendes i lean sammenhæng og ved tavlemøder ude på fabrikken for at sætte fokus på hvilke stopårsager, der hurtigst og mest effektivt kan elimineres eller reduceres.

Datakilder

Udover at man bør sætte nogle måltal som er realistisk ambitiøse, bør man også forholde sig til de datakilder, man anvender til beregningen af OEE – Kvaliteten eller rigtigheden af dit OEE tal bliver aldrig bedre end de datakilder, du anvender.

Hvis vi starter med registreringen af oppetid/nedetid, så er det i sagens natur vigtigt at denne registrering er valid – altså tændt eller slukket. På nogle maskiner er det meget enkelt, man kan bruge en fotosensor/tæller eller man kan måle på strømforbrug. Sommetider/ofte er det dog ikke så enkelt, fordi nogen maskiner stadig bruger strøm, mens de står i venteposition/stop. Andre maskiner producerer forskellige varetyper med meget forskellig takttid, hvilket gør det svært at bruge fotosensor/tæller. I et 3 scenarie måles ikke på 1 maskine men en maskinlinje, hvor der indgår flere maskiner, og hvornår står den linie så stille? – nogle maskiner kører mens andre står stille. CNC maskiner kan være et eksempel på en maskintype, hvor man skal tænke sig lidt om ifht. hvor/hvordan man registrerer oppe- og nedetid. Her vil der typisk være flere spindler, der kan være i indgreb uafhængigt af hinanden og procestiden kan variere meget afhængig af hvilket produkt, der produceres. Opsummeret – vi skal selvfølgelig være sikker på, at det signal vi modtager omkring drift/stop er korrekt, og det kan kræve lidt omtanke at finde og vælge det rigtige signal.

Datakilder stopårsager:

Når vi taler om availability, er det også vigtigt, at vi får en registrering af stopårsager –  den registrering kan vi få på 3 måder:.

1. Automatisk registrering – Her får vi input direkte fra maskinens sensorer og/eller PLC omkring maskinelle stopårsager. Ulemper og fordele ved denne metode er.

Ulemper: Det kan være tidskrævende (og dermed også omkostningstungt) at finde alle de rigtige signaler eventuelt at skulle kode/integrere data i forskellige systemer. En anden ulempe er, at såfremt du udelukkende registrerer maskinelle stopårsager, at så får du ikke hele sandheden omkring maskinstop. Det er jo ikke sikkert, at det er maskinens skyld, at den står stille. Det være betjeningsfejl, materialefejl, logistik eller andet og dette helhedsbillede får du ikke med, hvis du kun arbejder med automatiske registreringer.

Fordele: Såfremt du kan indhente de rigtige signaler fra sensorer og PLC har denne metode den åbenlyse fordel, at maskinen ikke lyver omkring stopårsagen og at når det først er installeret skal operatøren ikke bruge tid på at registrere stopårsager.

2.  Manuel registrering – hver gang en maskine går i stå kan vi bede operatøren på en maskine om at registrere årsagen. Helst ud fra nogle prædefinerede stopårsager, som er relevante ifht. den specifikke maskine. Denne metode indebærer nogle fordele og nogle ulemper.

Ulemperne kan være, at operatøren ved en fejl får registreret forkerte stopårsager, måske fordi der ikke helt er en fælles forståelse af definitionen på de forskellige stopårsager, måske fordi der er for mange at vælge imellem og han ikke kan overskue det eller måske bryder han sig ikke om registrering og vælger med vilje en forkert stopårsag.

Fordelene ved at bruge manuel registrering (her forudsætter jeg selvfølgelig, at det bliver gjort korrekt) er at vi får ”hele” sandheden omkring hvorfor en maskine står stille. Vi får både de stopårsager som vedrører maskinen og de stopårsager som ikke er maskinrelateret som f.eks. betjeningsfejl, materialefejl, logistik osv. Operatøren har en større aktie/ejerskab ifht. optimering af maskinen og han har god mulighed for at kunne dokumentere både problemerne og hvad der skal til for opnå en mere effektiv maskine. I forhold til den automatiske, så har denne pragmatiske metode også den fordel, at det er hurtigere og billigere at komme i gang.

3. Den tredje metode er en kombination af 1 og 2. Den bærer selvfølgelig fordelene ved de 2 ovenstående metoder med sig. Ulempen omkring at det kan være dyrt og tidskrævende ifht. de automatiske målinger slipper vi dog ikke for.

Datakilde performance

Denne del har flere elementer man skal overveje. Et element er at vi selvfølgelig skal tælle antal stk., antal meter, antal kg. eller antal liter der aktuelt bliver fremstillet holdt op imod vores forventede fremstillings hastighed, når maskinen kører – Det kan afhængigt af tilgængelige maskinsignaler og sensorer være svært nok i sig selv.

En anden ting jeg skal tage stilling til er – hvor skal informationen omkring min forventede fremstillingstid (takttid, cyklustid) komme fra? Ofte fremstilles der flere forskellige produkttyper på de samme maskiner, det betyder at min takttid vil være forskellig fra produkttype til produkttype og eftersom min performance måling relaterer til forventet takttid skal jeg have denne et sted fra.

Hvis der kun fremstilles 1 eller få produkttyper på en maskine, kan man vælge at indtaste forventet takttid manuelt men i nogle tilfælde kan der være 1000 vis af produkttyper og her vil man nok foretrække at integrere til et økonomisystem eller et helt 3 system, der automatisk kan fortælle OEE systemet hvilken produkttype der fremstilles lige nu og hvad den forventede takttid er.

Datakilde Quality.

Registreringen af kvaliteten på de fremstillede emner kan umiddelbart lyde let – det er det også i nogle tilfælde. I andre tilfælde er det knap så let. Der kan være tilfælde hvor du registrerer i forskellige måleenheder f.eks antal stk. fremstillet men du måler dit spild/scrap i kg. Nogle maskiner registrerer selv ”dårlige” emner og kaster disse til side, det skal OEE systemet i givet fald kunne registrere. Der er også scenarier hvor dårlig kvalitet på et produkt først registreres, når det kommer ud til slutkunden flere uger eller måneder efter det er produceret.

Som med de øvrige datakilder gælder det også her, at det kan kræve lidt omtanke, at få den rigtige registrering af kvalitet samt ”dårlige” emner. Hvis informationen omkring spild findes i andre systemer, kan der eventuelt integreres til disse.

Rapportering:

Når man opsamler data relateret til availability, performance og quality giver det selvfølgelig god mening at rapportere på dette for at skabe læring med det formål at optimere på en maskines effektivitet og processerne omkring den.

Det giver også god mening at relatere både de enkelte måle-parametre såvel som OEE til andre elementer som f.eks. skiftehold – stadig med læring og bencmarking for øje. Er der f.eks. ét skiftehold som er bedre til at opretholde en høj oee end de øvrige og i givet fald, hvad kan de andre skiftehold lære af det bedste hold. Det kan også være at skifteholdene har forskellige styrker i forhold til de forskellige måltal ligesom ét skiftehold f.eks. kan være superskarpe på omstillinger.

Forskellige produkttyper kan have forskellige stopårsager og takttider – derfor kan det også være relevant at filtrere oee måltalene relateret til produkttyper.

Mange større virksomheder har fabrikker flere forskellige steder i verden. I nogen tilfælde fremstiller disse sammenlignelige produkter og maskinerne kan ligeledes sammenlignes. Her vil det være meget interessant at benchmarke output på de forskellige fabrikker. Løn er det ikke det eneste som er vigtigt – det er også vigtigt hvor meget man kan producere pr. lønkrone og at arbejde på at fabrikkerne kan lære af hinanden.

Der er rigtig mange forskellige måder at filtrere og arbejde med tallene på. Ligeledes kan det give god mening at inddrage data/tal fra andre systemer f.eks. et ERP eller MES system mhp. at tilføre nedetid, stopårsager etc. en økonomisk værdi.

Det handler om at sætte data fri – Der findes mange gode business intelligence værktøjer som f.eks. Microsoft Power BI som er skabt til at analysere og arbejde med en visualisering af data.

Udfordringer ved måling af OEE

Nogen af udfordringerne forbundet med OEE måling er beskrevet tidligere i afsnittene omkring datakilder. En anden udfordring er, at der ikke bliver afsat tilstrækkelig med ressourcer og tid til at arbejde med OEE og produktionsoptimering.

Produktionscheferne/værkførerne bliver simpelthen ”væltet” af hverdagen. Der er ordre, de skal nå at have færdige, der er medarbejdere som er syge, der skal hyres og måske fyres medarbejdere, der er mus-samtaler, problematiske maskinnedbrud, indkøb af nye maskiner osv. Der er rigeligt med dagligdags driftsopgaver som suger tiden. Hermed bliver der for lidt tid til at arbejde fremadrettet med produktionsoptimering. Det er helt klart en fordel, at have medarbejdere som kan arbejde dedikeret med produktionsoptimering og det er helt klar en fordel,  hvis de kan gøre dette baseret på faktuelle data fremfor mavefornemmelser og følelser.

Det kan også være at virksomheden mangler kompetencer til at arbejde med lean, data og analyser etc. Her er der kun 1 ting at gøre uddanne eller ansætte. På landets mange erhvervsakademier uddannes eksempelvis produktionsteknologer, der netop har fokus på anvendelsen af data i produktionen.

De rette ledelseskompetencer er heller ikke en faktor man skal ignorere.

Kan det betale sig

Kan det betale sig at investere i en OEE løsning?

Ja det kan det – Det skal du ikke bare tage mit ord for. Med udgangspunkt i nedenstående simple model kan du indsætte tallene for din virksomhed.

Eksempel:

Værdi vers. 1:

57x(500×0,1)x1=2.850,00 (Værdi der produceres pr. time/pris pr. tabt produktionstime)

I ovenstående eksempel betyder det, at de 5 tabte timer koster 14.250,00 pr. døgn/pr. maskine.

Værdi vers. 2 – oppetiden øges til 74% 

57x(500×0,1)x1=2.850,00 – Med den øgede oppetid får jeg 11 timers produktion pr. døgn.

Mit værditab reduceres til 11.400,00 pr. døgn. Gevinsten ved en ekstra time er således 2.850,- pr. døgn/pr. maskine. Med 250 arbejdsdage pr. år er gevinsten: 712.500 for 1 maskine.

Man kan selvfølgelig vælge at arbejde med langt mere avancerede modeller end denne – Konklusionen bliver formentlig den samme. Den relativt beskedne investering i et OEE-system og det efterfølgende arbejde med OEE vil relativt hurtigt betale sig hjem. Der tabes mange kroner hver eneste dag man ikke arbejder struktureret med data.

Læringskurve

Uanset hvordan man vælger at arbejde med registrering af OEE kan der være medarbejdergrupper, der opfatter det som kontrol, det kan fordre nye arbejdsrutiner og man skal til at arbejde med nogle nye begreber – kort sagt med OEE introducerer man også forandringer og helt grundlæggende så er de fleste mennesker ikke særlig glade for forandringer.

Lidt groft kan vi inddele den menneskelig hjerne i 2 systemer.

Vores hjerner kan ikke lide at arbejde hårdt. En mental indsats tager energi, og den menneskelige hjerne anvender mere energi end noget andet organ i kroppen. Hjernen optager i gennemsnit 3% af en persons legemsvægt, men bruger ca. 20% af de kalorier en person indtager i hverdagen.

Kun ca. 10% af vores informationsbehandlings kapacitet udnyttes af bevidste tanker. De resterende ca. 90% er alle ubevidste.

Som med indtryk genereres vores vurderinger og beslutninger derfor stort set ubevidst og rationaliseres derefter (via overvejelser) og forklares (via tale og handling). Vores overvejelser og beslutninger er tilbøjelige til at være afsat til at retfærdiggøre en evaluering snarere end at skabe den.

Vores bevidste hjerne (System 2) er optimeret til læring og planlægning ikke beslutningstagning, medmindre den er tvunget til det.

Hvad betyder alt dette ifht. digitalisering og implementering af nye arbejdsprocesser? Først og fremmest betyder det alt andet lige, at når nye tiltag introduceres, så bliver en stillingtagen til, om det er godt eller dårligt sendt til system 1. Man kan forestille sig at system 1 med lystes hast laver en evaluering på: påvirker det mig – hvis ja – hvordan påvirkes mine vaner og rutiner så, hvad er mine tidligere erfaringer med forandringer på arbejdspladsen osv. Ud fra dette tages en beslutning om, hvorvidt forandringen er god eller dårlig for mig, og om det er noget jeg har lyst til at deltage aktivt i. Hvis processen i system 1 ikke er et klart YES, er det sikre svar et NEJ. Så slipper jeg for at aktivere system 2 og kan fortsætte med de vaner og rutiner, jeg er tryg ved. Indtil nogen giver mig ordrer om at gøre noget andet.

Digitalisering vil ofte kræve ny læring, nye arbejdsprocesser osv. – dermed skal vi også have system 2 aktiveret. Udover at system 2 gerne vil overlade opgaver til system 1, så er der også et andet ”problem” i relation til system 2 – Vi har ikke fuld ”båndbredde”

Mange andre ting kræver også en indsats af system 2: Det kan være en uenighed på hjemmefronten, som fylder, eller nogle forberedelser man skal have gjort sig indenfor nærmeste fremtid enten privat eller arbejdsmæssigt. Med andre ord, der er ikke fuld ”båndbredde”. Der er kamp om system 2’s opmærksomhed ifht. problem- og opgaveløsning, som ikke overlades til system 1’s automatismer.

Så hvad gør vi når forandringens vinde blæser? Vi kan bl.a. kommunikere og tilrettelægge nye tiltag i overensstemmelse med nedenstående:

  1. Vores hjerne er tiltrukket af det ”nye” – Vores opmærksomhed fokuseres automatisk på nye og spændende ting.
  2. Genkendelighed, familiært, fortrolighed: Vi er tiltrukket af ting/situationer/processer, som er genkendelige, og som vi er fortrolige med. Vi har en tendens til at ligestille genkendelighed med ”at synes om/godt kunne lide”.
  3. Let forståeligt: Vi tolker information som er let forståelig som værende mere sand, mere overtalende og mere sympatisk.
  4. Alene eksponering over længere tid gør at noget bliver mere genkendeligt og familiært.

I sammenhæng med ovenstående gælder ”For meget og for lidt” – For ”meget nyt” og for meget ”det samme” kan udløse undgåelse snarere end tilnærmelse/opsøgende.

Tag lige en indånding og tænk over hvad det betyder, når man ønsker at kommunikere og gennemføre forandringer – Min oversættelse og konklusion er, at digitalisering og forandringer skal introduceres i små skridt. Det skal være så konkret som muligt. Der skal være tid til aflæring af gamle vaner og rutiner og indlæring af nye. Der skal tages hensyn til en progression i læringskurven.

Man kan f.eks. starte med at introducere en basismåling af oppetid uden registreringer – hermed får man også etableret en baseline. Så kan man introducere begrebet availability og starte arbejdet med stopårsagsregistrering. Når det sidder på rygraden kan de øvrige parametre, der indgår i OEE introduceres. Når det er på plads introduceres måske forskellige produkttyper som variable osv. Det er simpelthen nemmere at håndtere forandringer i små konkret bidder – få en lille succes og bevæge sig videre.