جدول المحتويات
لا يحسّن تعلّم الآلة الفعالية الإجمالية للمعدات (OEE) إلا بتقليص الخسائر التي تكوّنها. قسّموا OEE إلى التوافرية والأداء والجودة، وحدّدوا أكبر الخسائر على آلة عنق الزجاجة، ثم طبّقوا النموذج المناسب: التنبؤ بالأعطال، وتحليل أنماط التوقفات القصيرة، والجودة التنبؤية للمرفوضات. وقبل كل ذلك، يجب أن تكون بيانات الخسائر نفسها موثوقة.
أهم النقاط
- مؤشر OEE هو حاصل ضرب التوافرية في الأداء في الجودة، لذلك يقابل كل عامل مجموعة مختلفة من الخسائر ونوعًا مختلفًا من النماذج (OPC Foundation).
- صحّحوا البيانات أولًا. ففي دراسة شملت 884 آلة في 23 شركة، تعذّر تصنيف نحو نصف خسائر OEE المسجلة.
- اعملوا على عنق الزجاجة وتوقعوا أن ينتقل. ففي خط لإنتاج المحركات، لم يكن عنق الزجاجة في دورة إنتاج هو نفسه في الدورة التالية إلا في 20.8% من الحالات (Subramaniyan et al., 2018).
- إشارة التشغيل/التوقف وحدها لا تتنبأ بالكثير. فنموذج غابة عشوائية دُرّب على سجل حالات آلة تغليف واحدة لم يكتشف إلا 21% من الأعطال التي وقعت في الساعة التالية (Filios et al., 2022).
- الأدلة على استراتيجيات الصيانة تأتي في الغالب من استبيانات: إذ يربط استبيان أجراه NIST بين تقليل الاعتماد على الصيانة التصحيحية وانخفاض التوقفات غير المخططة بنسبة 52.7%، ويصف مؤلفوه المقارنة بأنها دليل غير قاطع (Thomas and Weiss, 2021).
كيف يُحسب مؤشر OEE؟
يضرب مؤشر OEE ثلاث نسب بعضها في بعض. ويقدّم الموقع المرجعي لشركة Vorne الصيغة الشائعة (OEE.com):
- التوافرية = زمن التشغيل ÷ زمن الإنتاج المخطط. وتنخفض بسبب التوقفات، المخططة منها وغير المخططة.
- الأداء = (زمن الدورة المثالي × العدد الإجمالي للقطع) ÷ زمن التشغيل. ولا ينبغي أن يتجاوز 100% أبدًا.
- الجودة = عدد القطع السليمة ÷ العدد الإجمالي للقطع.
في المثال المحسوب لدى Vorne، تعطي توافرية بنسبة 88.81% وأداء بنسبة 86.11% وجودة بنسبة 97.80% مؤشر OEE قدره 74.79%. ولأن العوامل تُضرب، فإن 90% لكل منها تعطي نحو 73% لا 90%.
ويستخدم المعيار ISO 22400-2 البنية نفسها بأسماء مختلفة: التوافرية والفعالية ومعدل الجودة. وتأخذ مواصفة OPC UA الخاصة بآلات التشغيل (machine tools) تعريفات المؤشرات من ISO 22400-2، وتذكر أن زمن الانشغال المخطط وزمن التشغيل المخطط لكل قطعة يأتيان عادة من نظام MES أو ERP لا من الآلة (OPC Foundation). ويحدد المعيار ISO 22400 مجموعة من 34 مؤشر أداء رئيسيًا لإدارة عمليات التصنيع، من بينها OEE (Kang et al., 2016).
ما القيمة الجيدة؟ يعود رقم 85% الموصوف بالمستوى العالمي إلى Seiichi Nakajima، الذي أدخل TPM ومؤشر OEE والخسائر الست الكبرى في أوائل السبعينيات، وهو يعكس صناعة السيارات اليابانية في تلك الفترة. وتذكر Vorne أن معظم المصنّعين أقرب إلى 60% (OEE.com). قارنوا الخط بنقطة انطلاقه، لا بمعيار خارجي.
ما الخسائر التي يمكن لتعلّم الآلة تقليصها؟
تقسّم الخسائر الست الكبرى مؤشر OEE إلى أسباب، اثنان لكل عامل (OEE.com). ويتطلب كل منها بيانات ونموذجًا مختلفين.
| الخسارة | عامل OEE | ما يمكن لتعلّم الآلة فعله | البيانات اللازمة |
|---|---|---|---|
| أعطال المعدات | التوافرية | رصد السلوك غير الطبيعي والتنبؤ بالأعطال في وقت يكفي لتخطيط الإصلاح | إشارات الحالة (الاهتزاز، درجة الحرارة، التيار)، والإنذارات، وسجل الأعطال من نظام CMMS |
| تغيير المنتج والضبط | التوافرية | التنبؤ بمدة كل تغيير منتج حسب تسلسل المنتجات، لدعم الجدولة | سجل عمليات تغيير المنتج مع البداية والنهاية والمنتج السابق والمنتج التالي |
| الدوران في الفراغ والتوقفات القصيرة | الأداء | إيجاد الأنماط وراء التوقفات القصيرة المتكررة؛ التنبؤ بزمن التوقف في كل وردية | سجل حالات الآلة بطوابع زمنية ورموز أسباب التوقف، وحالات الآلات في المنبع والمصب |
| انخفاض السرعة | الأداء | تقدير السرعة الممكن بلوغها لكل منتج ومادة؛ رصد التشغيل البطيء | أزمنة الدورات، ونقاط الضبط، ودفعات المواد، وزمن الدورة المثالي لكل منتج |
| عيوب العملية | الجودة | التنبؤ بالقطع أو الدفعات التي ستفشل في الفحص | بيانات العملية مربوطة بكل قطعة وبنتيجة فحصها |
| خسائر بدء التشغيل | الجودة | التنبؤ بمرفوضات بدء التشغيل واقتراح إعدادات البدء | أحداث بدء التشغيل، والإعدادات، وعدد المرفوضات في كل بدء تشغيل |
لا تحتاج كل خسارة إلى نموذج. فكثير من التوقفات القصيرة سببه انحشار المواد، أو مستشعرات غير مضبوطة، أو انسداد تدفق المنتج، وهي أمور يصلحها المهندس بمجرد إحصائها. ويصبح تعلّم الآلة مجديًا عندما تتداخل الأسباب، أو عندما تسبق إشاراتٌ الخسارة، أو عندما يكثر عدد الآلات والمنتجات بما يتجاوز التحليل اليدوي.
بالنسبة للأعطال، يقارن دليلنا حول طرق كشف الشذوذ بين الخيارات المتاحة. وبالنسبة للمرفوضات وإعادة التشغيل، راجعوا الجودة التنبؤية.
لماذا يجب تصحيح بيانات OEE قبل النمذجة؟
يتعلّم النموذج من سجلات الخسائر التي تُقدَّم له. وقد حلّل Hedman وSubramaniyan وAlmström بيانات OEE المقيسة آليًا لـ 884 آلة في 23 شركة. كان متوسط OEE يبلغ 65%، وتعذّر تصنيف نحو نصف الخسائر المسجلة لأن فئات الخسائر كانت غائبة أو سيئة الوصف. ومن زمن التوقف الذي صُنّف، ارتبط 90% بأنشطة مساندة يؤديها المشغّلون، لا بالعملية الآلية نفسها (Hedman et al., 2016).
التوقف غير المصنّف غير مرئي للنموذج. لذلك، قبل أي تدريب:
- التقاط الحالات آليًا. قراءة حالات التشغيل والتوقف والعطل من وحدة التحكم المنطقي المبرمج (PLC) بدل أوراق الوردية. ويحدد PackML، المتاح الآن أيضًا كمواصفة مرافقة لـ OPC UA، نموذجًا قياسيًا لحالات الآلة ومجموعة وسوم (tags) تتضمن بيانات OEE (OPC Foundation).
- تحديد عتبة التوقفات القصيرة. تصف Vorne التوقفات القصيرة بأنها تدوم عادة دقيقة أو دقيقتين، وتعدّ الحد الفاصل بين التوقف القصير والعطل قرارًا تنظيميًا، كأن يُشترط إدخال رمز سبب لكل توقف يتجاوز دقيقتين (OEE.com).
- التحقق من زمن الدورة المثالي لكل منتج. فإذا كان أبطأ من اللازم، بدا الأداء جيدًا واختفت خسائر السرعة من البيانات.
- تنظيف رموز الأسباب. فئات قصيرة لا تتداخل فيما بينها، يستطيع المشغّل اختيارها في ثوانٍ.
وتحتوي تعليقات المشغّلين الحرة وأوامر عمل الصيانة أيضًا على أسباب. ويرى باحثون في NIST أن سلاسل معالجة اللغة الجاهزة تحتاج إلى إعادة تصوّر كي تتعامل مع هذا النوع من النصوص التقنية (Brundage et al., 2021). ويتناول مقالنا حول تحليل الأسباب الجذرية باستخدام LLM على سجل الصيانة هذا الجانب.
لماذا نبدأ بعنق الزجاجة؟
تحدّ آلة واحدة أو أكثر من آلات عنق الزجاجة من إنتاجية الخط، وتركيز الصيانة وأعمال التحسين عليها يحسّن إنتاجية النظام بأكمله تحسينًا كبيرًا (Subramaniyan et al., 2018). فرفع OEE لآلة تنتظر الآلات المجاورة لها لا يرفع الإنتاج.
كما أن عنق الزجاجة ينتقل. فقد درس Subramaniyan وزملاؤه بيانات MES لخط إنتاج محركات سيارات في السويد يضم 13 آلة، على مدى 215 دورة إنتاج متتالية مدة كل منها 17 ساعة. ولم يكن عنق الزجاجة في دورة ما هو عنق الزجاجة الفعلي في الدورة التالية إلا في 20.8% من الحالات. وقد تنبأت خوارزميتهم بفترات النشاط لكل آلة باستخدام نموذج ARIMA، وتنبأت بأعناق الزجاجة في الدورة التالية بنسبة استدعاء (recall) بلغت 62.53%، مقابل 24.69% للطريقة البسيطة التي تفترض بقاء عنق الزجاجة السابق. النتيجة ليست مثالية، لكنها تكفي لتوجيه الصيانة وفرق الدعم إلى الآلات الصحيحة.
هذا استخدام أول قليل الكلفة لبيانات الآلات. فهو لا يحتاج إلا إلى حالات الآلات وطوابعها الزمنية، وهي متاحة بمجرد أتمتة التقاط الحالات.
هل يستطيع تعلّم الآلة التنبؤ بالتوقفات قبل حدوثها؟
أحيانًا، إذا توفرت المدخلات المناسبة. فقد سجّل Filios وزملاؤه حالة التشغيل/التوقف لآلة تغليف واحدة في مصنع للأغذية والمشروبات من أكتوبر 2018 إلى أكتوبر 2019: 73,576 سجلًا، منها أكثر من 32,000 توقف قصير تتراوح مدته بين 10 ثوانٍ و5 دقائق، و2,545 عطلًا تتراوح مدته بين 5 و40 دقيقة، و289 توقفًا أطول (Filios et al., 2022).
تُظهر نتائجهم الإمكانات والحدود معًا:
- بلغ متوسط الخطأ المطلق النسبي في التنبؤ بالزمن الإجمالي للتوقفات القصيرة في اليوم التالي نحو 20%.
- بلغت دقة نموذج غابة عشوائية يتنبأ بوقوع عطل في الساعة التالية 72%، لكنه لم يكتشف إلا 21% من الأعطال، وكان نحو نصف إنذاراته خاطئًا.
- يشير المؤلفون إلى أن غياب أسباب التوقف أضعف النماذج، إذ لم تتوفر سوى إشارة التشغيل/التوقف.
الدقة مضلِّلة عندما تكون الأحداث نادرة، كما يشرح دليلنا حول الجودة التنبؤية. أضيفوا السياق قبل إضافة التعقيد إلى النموذج: رموز الأسباب، والإنذارات، وحالات الآلات في المنبع والمصب، ومتغيرات العملية، والمنتج قيد التشغيل. ويتناول مقال وسم الأعطال في بيانات السلاسل الزمنية إعادة بناء وسوم الأعطال من سجلات ناقصة.
بالنسبة للأعطال، تستند الجدوى الاقتصادية إلى حد كبير إلى استبيانات. ففي استبيان أجراه NIST لدى مصنّعين أمريكيين، بلغ عدد الإجابات الصالحة فيه 71 إجابة، أفاد النصف الأقل اعتمادًا على الصيانة التصحيحية بانخفاض التوقفات غير المخططة بنسبة 52.7% والعيوب بنسبة 78.5%. ومن بين البقية، أفاد الذين يعتمدون على الصيانة التنبؤية أكثر من الوقائية بانخفاض التوقفات غير المخططة بنسبة 18.5%، لكن تكاليف الصيانة المباشرة لديهم، منسوبةً إلى قيمة الشحنات، كانت أعلى بنسبة 212.3%. ويقول المؤلفون إن هذه المقارنات ينبغي التعامل معها بوصفها أدلة غير قاطعة لأن المجموعات صغيرة (Thomas and Weiss, 2021).
كيف نعرف أن النموذج حسّن OEE؟
- التقسيم الزمني. فالتحقق المتقاطع العادي على بيانات مرتبة زمنيًا يؤدي إلى التدريب على بيانات مستقبلية والتقييم على بيانات ماضية (scikit-learn). درّبوا على الأشهر الأقدم واختبروا على فترة لاحقة.
- التفوق على مرجع بسيط، مثل عنق الزجاجة في الدورة السابقة أو معدل التوقفات في الأسبوع الماضي، كما فعل Subramaniyan وزملاؤه.
- إحصاء ما يلمسه المشغّلون: التوقفات التي تم توقعها، والإنذارات الكاذبة في كل وردية، وساعات التوقف التي تم تجنبها.
- عرض التوافرية والأداء والجودة كلٍّ على حدة. فالمكسب في أحدها قد يخفي خسارة في آخر.
- تثبيت التعريفات. فإعادة تصنيف توقف ما على أنه مخطط ترفع OEE دون أي تغيير حقيقي على الخط.
خطوة بخطوة: أول مشروع لتحسين OEE
- اختيار خط واحد وتحديد عنق الزجاجة فيه انطلاقًا من حالات الآلات.
- أتمتة جمع البيانات: الحالات والعدّادات ورموز الأسباب من وحدة PLC، عبر OPC UA أو نظام MES. راجعوا شرح OPC UA لعلماء البيانات.
- تثبيت التعريفات: زمن الإنتاج المخطط، وزمن الدورة المثالي لكل منتج، وعتبة التوقفات القصيرة.
- بناء مخطط باريتو للخسائر لكل عامل من عوامل OEE على مدى عدة أشهر تغطي تشكيلة المنتجات.
- اختيار أكبر خسارة لا يستطيع المهندسون تفسيرها بعد، واختيار النموذج بالاستعانة بالجدول أعلاه.
- التحقق على فترة لاحقة مقارنة بمرجع بسيط.
- التشغيل في وضع الظل لعدة أسابيع، ثم إدراج النتائج في اجتماعات الوردية وتخطيط الصيانة.
- تعيين مسؤول، ومراقبة انجراف النموذج، والتخطيط للانتقال من المشروع التجريبي إلى التعميم على المصنع قبل التوسع إلى خطوط أخرى.
ما الذي لاحظناه في KABAS AI
تذكر صفحة الصناعة التحويلية لدينا، ضمن قدرات DALILE، مراقبة الإنتاج في الوقت الفعلي، وتقارير الوردية الآلية وتتبع مؤشرات الأداء الرئيسية، وتحليل اتجاهات الجودة مع كشف الشذوذ. وتذكر ضمن قدرات Virtual Lab جدولة الصيانة التنبؤية، وتخطيط الطاقة الإنتاجية وتحليل أعناق الزجاجة، وتحسين المعاملات. ويعمل كلاهما على البنية التحتية للعميل ويمكن تشغيلهما دون اتصال بالإنترنت. ويغطي فريق علوم البيانات لدينا جمع البيانات وتجهيزها، ورصد الاتجاهات، والنماذج التنبؤية، وخطوط MLOps التي تضمن مراقبتها.
تنبع نصائحنا العملية مما سبق. فأول مُخرَج في مشروع OEE هو مخطط باريتو للخسائر تثق به أقسام الإنتاج والصيانة والجودة معًا، وليس نموذجًا. اتفقوا على التعريفات ورموز الأسباب قبل النمذجة، وابدؤوا بعنق الزجاجة، وأبقوا النماذج في دور استشاري: فهي تدعم قرارات الصيانة والتخطيط، بينما يتصرف الأشخاص وفق الإجراءات القائمة. واحتفظوا بسجل التوقفات ومعدلات الإنتاج على خوادمكم الخاصة، لأنها تصف طاقتكم الإنتاجية وتكاليفكم. وقبل البدء، افحصوا البيانات من خلال تقييم الجاهزية للذكاء الاصطناعي، وراجعوا مقال MES وERP والذكاء الاصطناعي لمعرفة أين توجد بيانات OEE عادة. تواصلوا معنا لمناقشة خطّكم.
المصادر
- Vorne Industries, Calculating OEE, OEE.com
- Vorne Industries, The Six Big Losses, OEE.com
- Vorne Industries, World-Class OEE, OEE.com
- OPC Foundation, OPC 40501-1 OPC UA for Machine Tools Part 1, Annex C.2 KPI Calculation
- OPC Foundation, OPC 30050 PackML, 4.2 PackML Overview
- Kang, Zhao, Li and Horst, A Hierarchical Structure of Key Performance Indicators for Operation Improvement in Production Systems, International Journal of Production Research 54(21), 2016 (NIST record)
- Hedman, Subramaniyan and Almström, Analysis of Critical Factors for Automatic Measurement of OEE, Procedia CIRP 57, 2016
- Subramaniyan et al., A data-driven algorithm to predict throughput bottlenecks in a production system based on active periods of the machines, Computers & Industrial Engineering 125, 2018
- Filios et al., Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories, ITU Journal on Future and Evolving Technologies 3(3), 2022 (arXiv 2212.06288)
- Thomas and Weiss, Maintenance Costs and Advanced Maintenance Techniques in Manufacturing Machinery: Survey and Analysis, International Journal of Prognostics and Health Management 12(1), 2021 (NIST record)
- Brundage et al., Technical Language Processing: Unlocking Maintenance Knowledge, Manufacturing Letters 27, 2021 (NIST record)
- scikit-learn, TimeSeriesSplit
الأسئلة الشائعة
ما هي القيمة الجيدة لمؤشر OEE؟
كثيرًا ما توصف قيمة 85% بأنها من المستوى العالمي (world class). ويعود هذا الرقم إلى أعمال Seiichi Nakajima حول الصيانة الإنتاجية الشاملة (TPM) في الصناعة التحويلية اليابانية في سبعينيات القرن الماضي، وتذكر Vorne، وهي شركة توفّر معدات قياس OEE، أن معظم المصنّعين أقرب إلى 60%. والمعايير المأخوذة من صناعات أخرى لا تقول الكثير عن خطّكم، لذلك قارنوا كل خط بنقطة انطلاقه وتابعوا الاتجاه.
هل نحتاج إلى نظام MES لقياس OEE؟
ليس بالضرورة، لكن البيانات يجب أن تُجمع آليًا. يمكن للآلة أن توفّر حالات التشغيل والتوقف وزمن التشغيل وعدّادات القطع، بينما يأتي زمن الإنتاج المخطط وزمن الدورة المثالي عادة من نظام MES أو ERP أو من خطة الإنتاج. ويحتاج تعلّم الآلة إلى كل توقف مع وقت بدايته ومدته وسببه، وهو ما لا توفّره المجاميع المدوّنة يدويًا في نهاية الوردية.
هل يستطيع تعلّم الآلة رفع OEE مباشرة؟
لا. فمؤشر OEE نتيجة وليس متغير تحكم. يتنبأ النموذج بخسارة واحدة أو يفسّرها، مثل عطل أو سلسلة من التوقفات القصيرة أو دفعة من المرفوضات، ولا يتحسن OEE إلا عندما يتصرف أحدهم بناءً على هذا التنبؤ عبر الصيانة أو التخطيط أو تعديل العملية.
كم من البيانات نحتاج للبدء؟
لا يوجد رقم عام. يجب أن يغطي السجل التاريخي كامل تشكيلة المنتجات وأن يحتوي على عدد كافٍ من حالات الخسارة المراد التنبؤ بها. التوقفات القصيرة كثيرة، لذلك قد تكفي بضعة أشهر لدراستها، أما الأعطال فأندر وتتطلب غالبًا سنة أو أكثر من السجل مربوطة بسجلات الصيانة.
هل يجب حساب OEE لكل آلة؟
قيسوه في كل مكان، لكن حسّنوا عنق الزجاجة أولًا، لأنه يحدّ من إنتاج الخط بأكمله. فرفع OEE لآلة تنتظر الآلات المجاورة لها لا يزيد الإنتاج. وقد ينتقل عنق الزجاجة أيضًا من دورة إنتاج إلى أخرى، لذلك تحققوا بانتظام من موقع القيد.
هل يمكن تشغيل هذه النماذج داخل المنشأة؟
نعم. النماذج المعتادة في مشاريع OEE، مثل أشجار القرار المعزّزة بالتدرج (gradient boosting) ونماذج البقاء ونماذج التنبؤ بالسلاسل الزمنية لحالات الآلات، صغيرة وتعمل على خوادم عادية داخل شبكة المصنع. كما أن إبقاءها داخل المنشأة يُبقي معدلات الإنتاج وسجل التوقفات وبيانات الجودة داخل الشركة.



