每月花2天做OEE报表的日子终于结束了
我们车间有32台关键设备，每月要做OEE报表。
以前的方法：从MES导出Excel → 用Excel公式一个个算 → 手动汇总 → 做PPT。每月花2天，纯体力活。
而且每次都有几个单元格算错，汇总后和PM的数据对不上，又要回来查。
去年底我实在受不了了，用Python写了个自动化工具：导入MES数据 → 30秒出完整的OEE分析报告（含图表）。
现在每月省2天，一年省24天。按我的日薪算，相当于每年省了约6万的'加班费'。
OEE计算核心：三大损失
OEE = 可用率 × 表现率 × 质量率
可用率 = 实际运行时间 / 计划生产时间
表现率 = 理论周期 × 产量 / 实际运行时间
质量率 = 合格品数 / 总产出数
听起来简单，但实际操作中有3个坑：
1. 停机分类：计划保养、设备故障、等待物料、换recipe——每种停机要分开统计
2. 产能基准：不同recipe的周期时间不同，不能用单一基准
3. 时间口径：开机时间和计划时间不是一回事——设备开机但没排产的时间，要计入计划外停机
图1：OEE瀑布图——720小时计划时间，最终594小时合格产出
自动化代码
import pandas as pd
import matplotlib.pyplot as plt
def calc_oee(df):
"""计算单台设备OEE
df列: planned_h, breakdown_h, wait_h, changeover_h,
output_qty, defect_qty, ideal_cycle_min
"""
operating = df["planned_h"] - df["breakdown_h"] \
- df["wait_h"] - df["changeover_h"]
availability = operating / df["planned_h"]
performance = (df["ideal_cycle_min"] * df["output_qty"] / 60) / operating
quality = (df["output_qty"] - df["defect_qty"]) / df["output_qty"]
oee = availability * performance * quality
return {"availability": availability, "performance": performance,
"quality": quality, "oee": oee}
# 批量计算所有设备
df = pd.read_csv("monthly_equipment_data.csv")
results = df.groupby("equipment_id").apply(calc_oee).apply(pd.Series)
results.sort_values("oee", ascending=True)
print(results)
图2：10台ETCH设备月度OEE排名（ETCH-01最低64.2%，需重点关注）
效果对比
指标 | 手工Excel | Python自动化 |
制作时间 | 2天 | 30秒 |
设备覆盖 | 32台 | 全车间（不限） |
错误率 | 约5%（公式算错） | 0%（代码验证） |
图表类型 | 固定模板 | 自动生成(瀑布图/排名/趋势) |
复用性 | 每月重新做 | 一键运行 |
踩坑经验
1. MES导出的时间字段格式不统一（有的精确到秒，有的到分钟）→ 统一用pd.to_datetime转换
2. 换recipe的时间要单独统计——有的设备换recipe只要10分钟，有的要45分钟
3. OEE超过100%说明ideal_cycle设得太保守，需要更新基准值
这份模板/工具我整理了很久，建议收藏备用，下次需要直接拿出来用。
你在FAB遇到过类似问题吗？评论区说说你的处理思路，有代表性的我帮你分析！
—
VIP资源推荐：关注我获取半导体AI实战工具包（SPC异常检测/OEE分析/FDC分类）
