掌握制造产能分析：实操指南

制造商面临生产我们生活用品的重重挑战。每家都必须用有限资源——资本、技能组合、技术进步等——应对这些挑战。最善于编排这一复杂竞技场的管理者，会寻找方法最大化利用手头工具，通过理解车间产能。更好地利用制造空间、材料、人工和优化设备绩效，对企业驱动高效生产、获取最高盈利至关重要。

产能分析可成为审计制造工厂、诊断是否有隐性产能待释放的绝佳方案。

什么是制造产能？

每个制造商的目标是全产能运行。但什么是制造产能？简短回答：制造产能代表公司内所有设备和资源按其行业所需产品组合和产量以最高运行率被利用的状态。这意味着从运营到维护的所有流程在给定资源下被优化，且不产生不必要停机。达到此状态时，设备即达全产能。

许多因素进一步复杂化通往这一理想状态的旅程。工厂可能遭受可用性损失，如机械故障导致宝贵维修时间损失。或因换型、设置、调整损失宝贵生产产能。

制造产能也可能遭受性能损失。包括未受训练或缺乏经验的操作员动作、卡料、空转、断料停机。这些常被匆忙处理，鲜有分析原因及如何防止再发。

最后，制造产能可能受质量损失负面影响，包括工艺缺陷和良率损失。原因包括未优化工作流、人为错误、破损流程。除了掠夺工厂宝贵产能，质量损失还可能产生需返工或报废的额外废料，增加产品成本。

这些产能阻碍常被称为六大损耗。其影响毁灭性。充其量，对产能缺乏理解会触发昂贵加班、浪费、错过交付、或以新设备形式进行不必要的资本支出弥补损失。

什么是产能分析？

当制造商需要增加产能时，常从上述膝跳反应开始。但只能买那么多机器、排那么多班，焦点才会转向内部改进产能。而确定应采取何种行动增加产能的最佳方式在于数据。

产能分析过程是潜在产能与公司当前实际产出的差异。通过收集生产数据，制造商可识别需改变的流程、设备或功能以增加产能。这本质上让制造商通过流程优化从现有资源驱动更高利用率。

延伸阅读：如何增加制造生产产能

如何执行制造产能分析

执行制造产能分析的公司能减少停机和浪费。也能挖掘数据优化流程、精简工作流。这有助于理解现有约束并实时决策解决问题。有数据支持这些方案，管理者可贯穿运营驱动改进、在不增加设备或人工投资前提下增加产能。对于寻求改善制造产能的公司，以下是释放现有产能所需步骤：

基准测试数据

如果您不知道在哪里，就看不到要去哪里。高估当前设备利用率很常见，许多公司甚至未意识到利用率如此之低。

基准测试包括确定现有产能。机器速度、质量损失、按类别分类的停机——如故障、换型、性能损失——都必须测量以确定当前产能。在许多情况下，这个数字令人震惊。几个最佳实践可用于创建可靠实用的基准测试框架：

• 内部会议： 内部启动会议帮助设定预期、确保所有人在同一页面。召集正确团队，每个人都知道利用率目标应是什么。
• 核查数据： 有时当前报告数据对机器实际状态说明很少。可能错误记录状态，或可能是零件计数、停机或其他参数。确保数据真实有助于分析需做什么。
• 评估数据： 这是原始假设与实际当前利用率的对比。代表可做何种改进的新起点。
• 规划： 通过创建改进计划，管理者可整合原始预期、数据驱动的实际产能状态、可做的改进。

MachineMetrics 利用率报表示例，众多预置报表之一，可用于基准测试数据。

分析停机

制造运营完成数据基准测试、了解真实利用率后，必须进行停机分析。这涉及管理者、技工、制造工程师、操作员等协助识别所有停机原因并规划如何减少或消除。

伴随设施基准测试的启示，团队成员可转向测量驱动该利用率的停机。通过回答停机量多少、归属何种类别，改进步骤变得更明显。这最好用自动机器数据收集软件完成，确保数据准确、标准化、实时。

停机还必须按原因分类。考虑的类别可能包括：

• 计划 vs. 非计划停机： 两者都让机器脱离服务，但最小化发生和恢复上线的方法截然不同。
• 人为错误或操作员动作： 在大型复杂制造环境中，操作员培训水平可能不同，或按降低效率的顺序执行任务/动作。这些常可通过停机分析发现和趋势化。
• 质量损失： 质量是必须纳入停机分析的广泛类别。可能带来培训、机器状态保养、来料供应商质量、甚至设施内温差等环境条件的洞察。

确定类别后，团队成员可深入挖掘类别内停机原因。例如，计划停机可能有多种类型，包括计划维护、季节性生产等。

MachineMetrics 停机帕累托图揭示最恶劣停机原因，是寻找改进流程的绝佳起点。

同样，非计划停机有无数原因。范围从需要时物料未到机器、维护不当的机器。也可能指向设计错误的工作流，上游物料未就绪时需要，产生多米诺骨牌效应。

人为错误同理。制造运营虽更自动化，但仍需劳动力。疲劳、培训不足、不理解工作流、破损流程步骤可能导致工人犯下原本不会犯的错误。

收集此信息的最佳方式是自动化和软件。通过让数据可视化直观易记录，操作员可利用仪表盘录入实际数据并见其影响。正如操作员可录入停机原因，帕累托图等工具可帮助理解停机分析推进过程。这给用户洞察、常触发改进建议。

停机分析结束时，可确定实际停机成本及其对利润底线影响。这也帮助识别“低垂果实”——修复最快最易、对节省资金和增加产能影响最大的项目。

延伸阅读：如何追踪和分析机器停机

推广流程变更

此时产能分析中，管理者已装备准确可验证数据驱动真实变革。这些变更可用于攻克最大产能约束、释放隐性产能消除加班、减少资本支出需求、磨合与换型及其他运行条件协同而非对抗的维护计划。

数字化转型中常见的重大产能消耗有很多。以下是几个例子：

预期周期时间长于实际周期时间

当今制造环境的规模和复杂性可能意味着个人绩效被数据大山、产量和追求更高产量的推力掩埋。当数据真实、机器零件计数准确，操作员对产出负责而非被掩埋。这种问责制可成为积极工具，让他们成为识别改进领域的一部分。随着最明显停机改进生效，可启动周期时间的进一步优化，继续纳入甚至累积快速的小变化。

质量问题

如前所述，质量是影响多领域的广泛话题。但这提供更多改进机会。不仅 80/20 法则适用于质量，也影响其子类别，包括人为错误/培训、供应商质量、维护改进、产品设计等。利用实时分析的非孤岛数据，每个领域最大罪魁祸首可纳入改进步骤，产生更大累积影响。随着这些扎根，产能增加、质量改善、成本降低、订单交付绩效提升。

延伸阅读：制造质量保证：您需要知道的一切

使用 MachineMetrics，您可轻松查看零件被拒收的主要原因并识别问题根源。

设备故障

很少有事像设备故障那样让制造管理者抓狂。这些故障常是反应性维护计划的结果。通过运行到故障或不充分追踪机器状态，公司以停机形式放弃大量产能。但数据分析和实时机器状况提供新机会增加产能、降低成本。通过理解机器状态、部署 IIoT 传感器和技术，管理者可摆脱反应性维护、驱动更高产能和更低成本。德勤一项研究显示预测性维护计划可提高设备正常运行时间 10-20%。

工作流

测量设备利用率不仅仅是测量机器。通过捕获、情境化、分析数据，管理者可查看单台机器和设施内整个设备生态系统。这可带来关于设备布局、暂存、WIP 和其他工艺相关变量的洞察，用于增加产能。虽可能指向重组生产车间或单元，但也可能只是移动几台机器几英尺、或改变物料在工作流中从一站流向下一站的方式从而产生差异。

释放隐性产能

产能分析结合先进数据采集和分析，能帮助公司比大多数人想象更快找到全产能路径，实现均衡生产。当 Avalign Technologies 追踪 OEE 和停机困难时，生产瓶颈、不清晰 SOP 和其他因素拖累产能。

使用 MachineMetrics，Avalign 获得车间即时可视性，实现 OEE 提升 25-30%、在不增加人力、设备或额外资源前提下增加数百万产能。

观看视频案例研究：