企业官网建设流程全解析

一、问题背景：OEE 72%徘徊，损失根因不明

我是2019年开始接触FAB OEE改善的，当时所在工厂的光刻机综合效率只有72%。听起来好像还行，但对比行业标杆（85%-90%），差距触目惊心。更要命的是，每次开会讨论损失原因，设备说工艺参数不对，工艺说设备不稳定，大家各执一词，根本没有统一的数据语言。

那一年，光刻层的报废率高达2.3%，其中超过40%可以追溯到设备非计划停机和速度损失。我们花了大半年时间做改善，项目验收时OEE定格在89%，年化节约成本超过800万。

本文把从72%到89%的完整踩坑路径分享出来，包括OEE三因子拆解方法、TOP损失识别技巧，以及用Python实现的OEE计算工具。

二、技术原理：OEE三因子拆解

OEE（Overall Equipment Effectiveness）设备综合效率是TEEP（Total Effective Equipment Performance）的重要组成部分。OEE的核心公式只有一条：

OEE = 可用率 × 性能率 × 质量率

可用率（Availability）=（负荷时间 - 停机时间）/ 负荷时间，反映设备因故障、换型等原因不能运行的比例。性能率（Performance）= 理想Cycle Time × 实际产出数量 / 负荷时间，反映设备运行速度偏离理想速度的程度。质量率（Quality）= 良品数量 / 实际产出数量，反映一次合格的比例。

OEE vs TEEP：OEE是基于计划生产时间的效率，TEEP= OEE × 设备利用率，是基于日历时间的综合效率。FAB通常关注OEE，工厂级管理层看TEEP。

三、实战案例：8台光刻机OEE测算与TOP3损失识别

我们工厂有8台ASML光刻机参与OEE改善项目，基准数据采集了连续3个月。原始数据显示平均OEE为72.4%，其中可用率68%，性能率82%，质量率96.5%。

从帕累托图可以清晰看到，改善前待机停机（42小时/月）和速度损失（28小时/月）占总损失的80%以上，对应可用率和性能率的两大短板。

针对性改善措施：待机停机 → 推行TPM全员生产维护，设备自主保全小组每周2次预防性检查；速度损失 → 优化光刻机Recipe参数，实测吞吐量提升9.7%；产品报废 → 导入SPC实时监控，哨兵点提前30分钟预警。

6个月后OEE从72.4%提升至89.0%，年化减少报废损失约680万，停机时间减少61%。

图1：光刻机OEE改善前后三因子对比（左）及TOP3损失帕累托分析（右）

图2：OEE改善趋势曲线（6个月追踪）

四、完整代码：Python OEE计算工具

以下代码封装了OEECalculator类，支持从设备日志自动解析停机时间、产出数量和良率，并输出HTML格式报告。核心设计思路：将原始日志按事件类型分类（计划生产/故障停机/速度损失/换型/质量报废），再按OEE三因子公式计算各因子和综合OEE。

OEECalculator.py - OEE计算核心类

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

class OEECalculator:
"""OEE计算器，支持FAB设备日志自动解析"""
def __init__(self, equipment_id, shift_hours=22.5):
self.equipment_id = equipment_id
self.shift_hours = shift_hours * 3600 # 秒
self.events = []

def load_log(self, log_path):
# 读取设备日志CSV，字段：timestamp, event_type, duration_sec, qty, reject_qty
self.df = pd.read_csv(log_path, parse_dates=['timestamp'])
self.events = self.df.to_dict('records')

def calc_availability(self):
# 可用率 = (负荷时间 - 故障停机 - 换型时间) / 负荷时间
fault = sum(e['duration_sec'] for e in self.events if e['event_type'] == 'fault')
changeover = sum(e['duration_sec'] for e in self.events if e['event_type'] == 'changeover')
return (self.shift_hours - fault - changeover) / self.shift_hours

def calc_performance(self):
# 性能率 = (理想CT × 实际产出) / 运行时间
running = sum(e['duration_sec'] for e in self.events if e['event_type'] in ['production', 'idle'])
total_qty = sum(e.get('qty', 0) for e in self.events)
ideal_ct = 12.5 # 秒/片，设备标称值
return (ideal_ct * total_qty) / running if running > 0 else 0

def calc_quality(self):
# 质量率 = 良品数 / 总产出
total = sum(e.get('qty', 0) for e in self.events)
reject = sum(e.get('reject_qty', 0) for e in self.events)
return (total - reject) / total if total > 0 else 0

def calc_oee(self):
a = self.calc_availability()
p = self.calc_performance()
q = self.calc_quality()
return a * p * q, {'availability': a, 'performance': p, 'quality': q}

def generate_report(self):
oee, factors = self.calc_oee()
return {
'equipment': self.equipment_id,
'oee': f"{oee*100:.1f}%",
'availability': f"{factors['availability']*100:.1f}%",
'performance': f"{factors['performance']*100:.1f}%",
'quality': f"{factors['quality']*100:.1f}%"
}

为什么这样写：使用面向对象封装，equipment_id作为实例属性便于多台设备批量计算；shift_hours参数化支持不同班次；calc_oee返回因子字典方便诊断；generate_report输出结构化数据，可对接MES报表系统。

五、效果对比：9维度量化数据

改善前后关键指标对比（8台光刻机，月度均值）：

六、实施建议：三阶段推进路径

第一阶段（1-2月）：数据采集与基线建立

选择1-2台代表性设备，安装数据采集终端（与EAP对接）；建立设备事件日志规范，统一event_type分类；采集至少4周连续数据，计算OEE基线；这一步最大的坑是：很多设备的日志格式不标准，需要先做数据清洗，否则OEE计算出来差个10%都不知道原因。

第二阶段（3-4月）：TOP损失根因分析与改善

用帕累托图识别TOP3损失；组建跨职能小组（设备+工艺+生产），每周复盘；优先解决可用率问题（改善效果最快）；导入TPM自主保全，从被动维修转向预防性维护。

第三阶段（5-6月）：标准化与横向推广

将改善措施固化到标准作业指导书；将OEE纳入设备绩效考核（占30%权重）；横向推广到刻蚀、CVD等工序；建立OEE实时看板，每班次更新。

七、进阶方向：从OEE到智能预测

当前OEE方案的主要局限：事后统计，无法预测未来；依赖人工录入，实时性差；多机台协同调度未覆盖。

下一步方向：基于LSTM时序模型预测未来4小时的OEE趋势，在设备性能劣化前30-60分钟发出预警；将OEE数据与生产排程系统联动，自动生成动态派工建议；引入数字孪生，构建FAB设备群虚拟模型，实现"what-if"场景模拟。

行业趋势方面，TECS（Total Equipment Effectiveness Control System）正在成为高端FAB的标配，将OEE与AI预测深度融合，真正实现从"看得见"到"预测准"的跨越。

�� 互动话题

• 你们FAB的设备综合效率OEE目前大概在什么水平？最大的损失来源是哪一块？
• 在实施OEE改善项目时，有什么坑是特别容易踩的？欢迎评论区分享！

觉得这篇文章有收获？欢迎收藏、点赞支持！

您的支持是我持续输出的最大动力！

本文首发于：blog.csdn.net/yeflashzhihui