OEE: wie viel Kapazität wirklich genutzt wird

In dieser Ausgabe

Ein Werk, eine Rampe oder eine Flotte kann den ganzen Tag beschäftigt sein und trotzdem nur einen Teil dessen liefern, was möglich wäre. Diese Ausgabe betrachtet die Kennzahl, die zeigen soll, wie viel: die Gesamtanlageneffektivität (OEE), woher ihr berühmter Zielwert kommt und wie weit sie über die Fabrik hinaus trägt.

In Seiichi Nakajimas Total Productive Maintenance (TPM) multipliziert die OEE drei Raten: Verfügbarkeit, Leistung und Qualität. Seine idealen Bedingungen ergeben 85 %, die Zahl, die später Weltklasse genannt wurde. Studien an echten Maschinen fanden etwa 55 %, 60 % und 65 %. Eine Studie zum Straßengüterverkehr maß 54 % für Fahrzeuge. Und die Daten können täuschen: Bei 884 schwedischen Maschinen standen die meisten Leistungs- und Qualitätsraten auf dem Standardwert des Systems, 100 %.

Stiven Janaqi, Herausgeber

Titelthema

Wohin die Kapazität geht

Die OEE entstand aus der Total Productive Maintenance (TPM), die das Japan Institute of Plant Maintenance 1971 vorschlug. Ihr Ziel sind null Verluste; die OEE zeigt, wie viele bleiben.

• 1964 Eine Instandhaltungsgruppe in Japan schafft den PM-Preis für Anlageninstandhaltung.
• 1971 Die Vorläuferin des JIPM schlägt TPM vor.
• 1988 Nakajimas Introduction to TPM erscheint auf Englisch.
• 1994 Der Preis wird zum TPM-Preis; laut JIPM haben ihn über 3.500 Standorte erhalten.

In etwa 20 Fällen fand Örjan Ljungberg, dass Leistungsverluste überwogen, während viele Unternehmen auf große Ausfälle achteten statt auf kleine Verluste an Tempo und Zeit. In Daten aus 98 schwedischen Unternehmen (2006–2012) fanden Ylipää und Kollegen dieselbe Reihenfolge: zuerst operative Effizienz, dann Verfügbarkeit.

Unsere Lesart

Ein Ausfall ist laut und bekommt eine Besprechung. Eine Linie, die die ganze Woche etwas zu langsam läuft, ist still und kostet mehr.

Die Angaben zu TPM und Preis folgen den eigenen Seiten des JIPM auf Japanisch. Nakajimas Buch lag uns nicht vor; sein Inhalt ist über Fachartikel belegt, die es zitieren.

Quellen: Japan Institute of Plant Maintenance (JIPM), 2021; Seiichi Nakajima, Productivity Press, 1988 (über Muchiri & Pintelon (2008); Bengtsson, Andersson & Ekström (2022)); Õrjan Ljungberg, International Journal of Operations & Production Management 18(5), 1998; Torbjörn Ylipää, Anders Skoogh, Jon Bokrantz & Maheshwaran Gopalakrishnan, International Journal of Productivity and Performance Management 66(1), 2017 (über Abstract at Chalmers Research and IDEAS/RePEc)

Die Zahlen

Weltklasse und echte Werke

Nakajima nannte ideale Bedingungen: Verfügbarkeit über 90 %, Leistung über 95 %, Qualität über 99 %. Multipliziert ergeben sie 85 %, das Niveau, das spätere Autoren Weltklasse nennen. Studien, die echte Maschinen gemessen haben, fanden weniger.

OEE: das Ideal gegen gemessene Durchschnitte: Ideale Bedingungen, Nakajima (1988) 85 %, 884 Maschinen, Schweden, 2013–14 65 %, 50 Maschinen, ein Autowerk, 2018 60 %, Etwa 20 Fälle, Ljungberg (1998) ~55 %.

Die 85 % sind ein Produkt idealer Bedingungen, kein Durchschnitt einer Stichprobe; wer sie zuerst Weltklasse nannte, fanden wir nicht. In den schwedischen Daten lag der Median bei 70 %: Lebensmittel- und Getränkewerke kamen im Schnitt auf 74 %, die übrige automatisierte Stückfertigung auf 59 %.

Unsere Lesart

Gegen 85 % sehen fast alle schlecht aus, und die Zahl hilft nicht mehr. Gegen den Vormonat zeigt sie, ob die Verluste kleiner werden.

Verschiedene Stichproben, Jahre und Definitionen: Die Balken zeigen Größenordnungen, keine Rangliste. Nakajimas Ideal nach dem Zitat bei Bengtsson et al. (2022).

Quellen: Seiichi Nakajima, Productivity Press, 1988 (über Muchiri & Pintelon (2008); Bengtsson, Andersson & Ekström (2022)); Richard Hedman, Mukund Subramaniyan & Peter Almström, Procedia CIRP 57, 2016; Marcus Bengtsson, Lars-Gunnar Andersson & Pontus Ekström, Journal of Quality in Maintenance Engineering 28(2), 2022; Õrjan Ljungberg, International Journal of Operations & Production Management 18(5), 1998

Das Modell

Drei Raten, sechs Verluste

Die OEE multipliziert drei Raten; zusammen setzen sie die gute Ausbringung ins Verhältnis zur geplanten Zeit. Jede Rate sammelt zwei von Nakajimas sechs großen Verlusten.

• Verfügbarkeit. Laufzeit gegen geplante Zeit; Verluste: Ausfälle, Rüsten und Einstellen
• Leistung. Ausbringung bei Idealtempo gegen Laufzeit; Verluste: Leerlauf und Kurzstopps, verringertes Tempo
• Qualität. gute Einheiten gegen alle Einheiten; Verluste: Fehler und Nacharbeit, Anlaufverluste

Erfundenes Beispiel, eine Schicht an einer Verpackungslinie

• Verfügbarkeit: 480 geplante Minuten, 48 durch Stopps verloren: 90 %
• Leistung: 380 Einheiten zu ideal 1 Minute, in 432 Minuten: 88 %
• Qualität: 370 von 380 beim ersten Mal gut: 97,4 %
• OEE: 0,90 × 0,88 × 0,974 = 77,1 %, also 370 gute Minuten von 480

Keine Rate sieht schlecht aus, und doch geht fast ein Viertel der Schicht verloren. Die Zahlen sind erfunden.

Eine verwandte Kennzahl, TEEP, teilt durch die gesamte Kalenderzeit statt durch die geplante Zeit. Eine Linie, die jedes Wochenende stillsteht, kann eine hohe OEE und eine niedrige TEEP haben.

Raten und Verluste folgen Nakajima nach Muchiri und Pintelon (2008); das Beispiel stammt von der Redaktion.

Quellen: Seiichi Nakajima, Productivity Press, 1988 (über Muchiri & Pintelon (2008); Bengtsson, Andersson & Ekström (2022)); Peter Muchiri & Liliane Pintelon, International Journal of Production Research 46(13), 2008 (über Submitted version on HAL)

Wie es sich überträgt

Von der Maschine zur Rampe

2004 übertrugen David Simons, Robert Mason und Bernard Gardner die OEE als Overall Vehicle Effectiveness (OVE) auf den Straßengüterverkehr, mit fünf eigenen Verlusten. Ihre Fallstudie maß 54 %; als Ziel für das Unternehmen setzten sie 70 % an.

• Verfügbarkeit. die Stunden, in denen ein Rampentor und sein Team bereit sind, gegen die geplanten Stunden
• Leistung. Paletten pro Stunde gegen einen vereinbarten Standard, nicht gegen den besten Tag
• Qualität. beim ersten Mal richtige Ladungen: nichts umgeladen, beschädigt oder fehlend

In den schwedischen Werksdaten hing rund 90 % der Stillstandszeit mit bekannter Ursache an unterstützender Arbeit der Bediener, etwa Umrüsten, Einstellen und Reparieren, nicht am automatischen Prozess selbst.

Unsere Lesart

Eine Rampe besteht mehr aus Menschen, Lkw und Ware als aus Maschine. Ein Tor, das auf einen verspäteten Lkw wartet, ist nicht kaputt: Ankunftsverluste in einer eigenen Zeile erfassen, sonst trägt die Rampe die Schuld des Hofs.

Von Simons et al. lag nur die Zusammenfassung vor, deshalb nennen wir ihre fünf Verluste nicht. Die Fassung der drei Raten für die Rampe stammt von der Redaktion und hat keinen veröffentlichten Vergleichswert.

Quellen: David Simons, Robert Mason & Bernard Gardner, International Journal of Logistics: Research and Applications 7(2), 2004 (über Abstract at IAOR); Richard Hedman, Mukund Subramaniyan & Peter Almström, Procedia CIRP 57, 2016

Mehr im Essay: Tage mit hohem Volumen: der Standard unter Druck

Wie man es misst

Erst zählen, dann vergleichen

Eine OEE ist nur so gut wie das, was erfasst wird. Richard Hedman und Kollegen untersuchten die Rohdaten hinter automatischer OEE-Messung: 884 Maschinen in 23 schwedischen Unternehmen, sechs Monate ab Oktober 2013.

Maschinen mit genau 100 % erfasster Rate, 2013–14: Leistung bei 100 % (702 von 884) 79 %, Qualität bei 100 % (796 von 884) 90 %.

100 % war der Standardwert des Systems. Rund die Hälfte der Verlustzeit hatte keine brauchbare Ursache: „Nicht klassifiziert“ machte 19 % der geplanten Zeit aus. Die Autoren fragen, ob solche Firmen die OEE messen oder nur die Verfügbarkeit.

In einem Automobilwerk schätzten 25 Führungskräfte die durchschnittliche OEE des ersten Halbjahrs 2018: im Schnitt 55 %, von 40 % bis 66 %. Die Daten sagten 60 %. Vier von fünf glaubten, Materialmangel werde häufiger erfasst als Werkzeugwechsel und Qualitätsprüfungen; das stimmte nicht.

Hedman et al. schreiben zur nicht klassifizierten Verlustzeit in der Zusammenfassung „fast die Hälfte“, in den Ergebnissen „mehr als die Hälfte“; wir schreiben „rund die Hälfte“. Die Befragung der Führungskräfte betrifft ein einziges Werk.

Quellen: Richard Hedman, Mukund Subramaniyan & Peter Almström, Procedia CIRP 57, 2016; Marcus Bengtsson, Lars-Gunnar Andersson & Pontus Ekström, Journal of Quality in Maintenance Engineering 28(2), 2022

Werkzeug der Ausgabe

Die OEE-Karte für eine Anlage

Eine Maschine, ein Tor oder ein Fahrzeug, eine Woche. Gegen die geplante Zeit zählen, jedem Stopp eine Ursache geben und das Ergebnis mit der Vorwoche vergleichen, nicht mit 85 %.

1. Anlage und geplante Zeit welche; geplante Minuten, keine Kalenderminuten
2. Verfügbarkeit Laufminuten ÷ geplante Minuten; jeder Stopp mit Ursache
3. Leistung Einheiten × Idealzeit je Einheit ÷ Laufminuten
4. Qualität beim ersten Mal gut ÷ alle Einheiten
5. OEE und größter Verlust die drei Raten multipliziert; welcher der sechs Verluste am meisten nahm
6. Nicht klassifiziert und eine Änderung Minuten ohne Ursache; was wir ändern, wann wir wieder zählen

Eine Praxis, die die Redaktion vorschlägt, nach Nakajimas Raten und Verlusten und den Fallstricken, die Hedman et al. fanden.

Quellen: Peter Muchiri & Liliane Pintelon, International Journal of Production Research 46(13), 2008 (über Submitted version on HAL); Richard Hedman, Mukund Subramaniyan & Peter Almström, Procedia CIRP 57, 2016

Tool öffnen: Sigma & Regel­karte

Quellen und Methode

Jede Zahl hat eine Quelle.

Die Zahlen dieser Ausgabe stammen aus den folgenden Quellen. Das Jahr zeigt, wie aktuell jede ist.

• Japan Institute of Plant Maintenance (JIPM), “TPM to wa (What is TPM?) and Soshikizu/Enkaku (organisation and history), in Japanese”, 2021. https://www.jipm.or.jp/business/tpm/
• Seiichi Nakajima, Productivity Press, “Introduction to TPM: Total Productive Maintenance”, 1988 (über Muchiri & Pintelon (2008); Bengtsson, Andersson & Ekström (2022)).
• Õrjan Ljungberg, International Journal of Operations & Production Management 18(5), “Measurement of overall equipment effectiveness as a basis for TPM activities”, 1998. https://doi.org/10.1108/01443579810206334
• Torbjörn Ylipää, Anders Skoogh, Jon Bokrantz & Maheshwaran Gopalakrishnan, International Journal of Productivity and Performance Management 66(1), “Identification of maintenance improvement potential using OEE assessment”, 2017 (über Abstract at Chalmers Research and IDEAS/RePEc). https://doi.org/10.1108/IJPPM-01-2016-0028
• Richard Hedman, Mukund Subramaniyan & Peter Almström, Procedia CIRP 57, “Analysis of critical factors for automatic measurement of OEE”, 2016. https://doi.org/10.1016/j.procir.2016.11.023
• Marcus Bengtsson, Lars-Gunnar Andersson & Pontus Ekström, Journal of Quality in Maintenance Engineering 28(2), “Measuring preconceived beliefs on the results of overall equipment effectiveness – A case study in the automotive manufacturing industry”, 2022. https://doi.org/10.1108/JQME-03-2020-0016
• Peter Muchiri & Liliane Pintelon, International Journal of Production Research 46(13), “Performance measurement using overall equipment effectiveness (OEE): literature review and practical application discussion”, 2008 (über Submitted version on HAL). https://hal.science/hal-00512968
• David Simons, Robert Mason & Bernard Gardner, International Journal of Logistics: Research and Applications 7(2), “Overall vehicle effectiveness”, 2004 (über Abstract at IAOR). https://doi.org/10.1080/13675560410001670233

Redaktionelle Methode

Jede Zahl wurde auf Jahr, Herausgeber und genaue Bedeutung geprüft. Wo die Seite des Herausgebers nicht erreichbar war, wurde sie an unabhängigen Zusammenfassungen geprüft und mit „über“ markiert. Die Deutung der Redaktion ist als „Unsere Lesart“ markiert. Zahlen, die sich nicht bestätigen ließen, stehen nicht in der Ausgabe.