欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用 pandas 做工业 OEE 自动分解与瓶颈定位:从一页报表到改善路线图

上邦 AI 工程团队2026-09-21阅读 约 8 分钟
OEE 是制造业最常用却最易被误读的指标——一个百分比背后藏着可用率、性能、质量的此消彼长。本文给出一套可复现的 pandas 流程:读取 MES 导出的班次级 OEE 明细,自动分解三大损失、按产线班次聚合、定位主要瓶颈损失,并输出优先级改善清单,让数据直接驱动生产改善。

OEE 为什么不能只看一个百分比

OEE 等于可用率、性能、质量三者的乘积。两个工厂同样 60% 的 OEE,可能一个是质量危机、一个是停机危机,改善动作完全相反。把 OEE 自动分解到三大损失,才能定位真正的瓶颈。

第一步:读取 MES 导出的班次级明细

import pandas as pd

df = pd.read_csv('oee_shift.csv')
# 列:line, shift, date, availability, performance, quality
df['oee'] = df['availability'] * df['performance'] * df['quality']
print(df.head())

第二步:分解三大损失贡献

每个支柱的损失等于 1 减去该支柱数值,损失最大的就是优先改善对象:
for col in ['availability', 'performance', 'quality']:
    df[col + '_loss'] = 1 - df[col]

def worst(row):
    losses = {'可用率': row['availability_loss'],
              '性能': row['performance_loss'],
              '质量': row['quality_loss']}
    return max(losses, key=losses.get)

df['bottleneck'] = df.apply(worst, axis=1)

第三步:按产线、班次聚合定位瓶颈

pivot = df.pivot_table(index='line', columns='shift',
                       values='oee', aggfunc='mean')
print('各产线平均 OEE:')
print(pivot)

share = df[['availability_loss', 'performance_loss', 'quality_loss']].mean()
print('三大损失占比:')
print(share.sort_values(ascending=False))

第四步:输出改善优先级清单

把瓶颈为质量的班次列出来优先做 SPC 与首件检验,瓶颈为可用率的优先做计划性维护与换型优化,让数据直接驱动改善会议。
提醒:OEE 目标应因工艺而异,不必盲追 85% 的世界基准;瓶颈结论需结合现场确认,模型只提供数据层面的指向。

参考来源

Hollerweger 等:Integrated Application of Overall Equipment Effectiveness and Free Generative-AI Tools to Improve Productivity in a CNC Machining Cell, Machines 2026, 14(6), 585(MDPI,DOI: 10.3390/machines14060585) Facilities Upgrade:How to Measure OEE and Improve It in 2026(公开制造绩效指南) Phos AI Labs:AI for OEE Improvement in Manufacturing(公开技术博客)
相关标签:工业OEEpandas瓶颈定位智能制造数据分析

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案