Advertisement

Analyse der OEE und der Störgründe

  • Markus Focke
  • Jörn Steinbeck
Chapter
Part of the essentials book series (ESSENT)

Zusammenfassung

Die Analyse der OEE und deren Störgründe ist ein entscheidendes Element für den Erfolg des OEE-Managements. Hier wird über die Richtung der Verbesserungsinitiativen, über den Ressourceneinsatz und damit über den Erfolg entschieden.

5.1 Konventionelle Analyse der OEE-Verläufe

Die Analyse der OEE und deren Störgründe ist ein entscheidendes Element für den Erfolg des OEE-Managements. Hier wird über die Richtung der Verbesserungsinitiativen, über den Ressourceneinsatz und damit über den Erfolg entschieden.

In diesem Kapitel soll ein Vorgehensvorschlag zur strukturierten Analyse der OEE dargestellt werden,
  • der bei der absoluten Höhe der Gesamt-OEE beginnt,

  • den Zeitverlauf und die Schwankung der Gesamt-OEE betrachtet,

  • dann die Verfügbarkeits-, Leistungs- und Qualitätsgrade in der absoluten Höhe und

  • im relativen Vergleich untereinander betrachtet.

Wichtige Anmerkung: Die OEE ist eine Kennzahl zum Selbstvergleich. Das bedeutet, dass sie gut geeignet ist, um aktuelle Werte mit Vergangenheitswerten derselben Anlage zu vergleichen, Trends zu identifizieren oder typische Verläufe zu erkennen.

Nicht geeignet ist die OEE zum Vergleich von unterschiedlichen Anlagen bzw. identischen Anlagen mit unterschiedlichem Produktionsprogramm. Damit ist sie nicht als Benchmarkvergleich heranzuziehen. Hintergrund sind die Berechnungsparameter der OEE, die bei jeder Anlage unterschiedlich sind. Die OEE unterschiedlicher Anlagen vergleicht verschiedene Rahmenbedingungen miteinander – auch wenn es nicht so scheint.

5.1.1 Analyse der absoluten Höhe der Gesamt-OEE

Der Einstieg in die Analyse findet bei dem absoluten Niveau der OEE statt. Entgegen häufig und gern verbreiteter Aussagen, wie beispielsweise „80 % ist Weltklasse OEE“, gibt es keine generelle Referenz-OEE, an der man sich messen könnte. Das absolute Niveau der OEE ist von vielen Faktoren wie der Höhe der Automatisierung, der gefahrenen Losgröße, der Komplexität der Anlagen, dem Kompetenzniveau der Bediener und Instandhalter etc. abhängig.

Dennoch spielt das absolute Niveau als Wert eine Rolle, wenn der Wert unterhalb von 30 % liegt. Werte unterhalb dieser Schwelle deuten auf massive Schwächen im Anlagenbetrieb hin und sind nicht akzeptabel. Absolute Werte zwischen 30 % und 50 % sind üblich für Anlagen, deren OEE bisher nicht gemessen wurde und als mittelmäßig einzuordnen.

Geringe OEE Werte bei gleichzeitig hohen Nutzungsgraden zeigen einen hohen Handlungsdruck – oder zumindest ein gutes Potenzial für Verbesserungen.

Sehr geringe Nutzungsgrade von unter 20 % zeigen, dass die Anlage kaum eingesetzt wird. Hier ist eine detaillierte OEE-Erfassung und Analyse wenig sinnvoll, da jegliche Steigerung der OEE nur in einen noch geringeren Nutzungsgrad umgewandelt werden würde.

5.1.2 Analyse der Schwankungen der Gesamt-OEE

Neben der absoluten Höhe sind die Schwankungen und Verläufe innerhalb der Gesamt-OEE im Stunden-, Schicht-, Tages- und Wochenvergleich interessant. Schwankungen deuten immer auf Prozessvarianzen hin, die nach der Lehre der Schlanken Produktion zu eliminieren sind.1

Die Analyse der Varianzen muss dabei über die verschiedenen Zeiträume von der Stunde über die Schicht, die Woche und den Monat erfolgen, um die Schwankungen zu erkennen, die Ursachen zu finden und mittels Maßnahmen zu reduzieren.

Ein weiterer Untersuchungsgegenstand sind Trends und Entwicklungen der OEE: Gibt es saisonale Verläufe? Beispielsweise können niedrigere OEEs durch höhere Leiharbeiterquoten, größere Hitze/Luftfeuchte im Sommer oder auch nach bestimmten Feiertagen entstehen. Sind Muster im Verlauf der Wochentage erkennbar? Ein häufiger Verlauf sind ansteigende OEE-Werte bis Mittwoch, die dann bis Freitag wieder leicht abfallen, jedoch nicht ganz auf das Niveau von Montag. Dieser Verlauf deutet wie auch deutliche Unterschiede zwischen Früh, Spät- und Nachtschicht auf personelle oder qualifikatorische Gründe hin.

5.1.3 Vergleichende Analyse der Verfügbarkeits-, Leistungs- und Qualitätsgrade

Nach der Analyse der Gesamt-OEE werden nun die einzelnen Faktoren untersucht. Gibt es starke Differenzen in der Höhe der einzelnen Faktoren? Ist beispielsweise der Verfügbarkeitsgrad bei 55 %, der Leistungsgrad aber bei 82 %? Fällt einer der drei Faktoren gegenüber den anderen beiden deutlich ab, sollten sich die Bemühungen um diesen zuerst kümmern, da hier der größte Hebel vorliegt. Alternativ findet sich häufig das Muster, dass sowohl Verfügbarkeits- als auch Leistungsgrad auf niedrigem Niveau um 60 % liegen. Im Produkt ergibt sich hierdurch ebenfalls eine Gesamt-OEE von unter 40 %! Allerdings müssen in diesem Fall beide Faktoren weiter untersucht werden.

Finden Sie bei Ihrer Analyse sehr geringe Leistungsgrade unter 40 %, gibt es unterschiedliche Vermutungen. Die erste in diesem Fall zu untersuchende Frage ist dabei: Werden alle Stillstände erfasst? Nicht erfasste Stillstände führen zu „künstlich“ erhöhten Verfügbarkeitsgraden, die jedoch durch niedrigere Leistungsgrade automatisch wieder abgefangen werden – denn mehr Produkte wurden ja nicht produziert.

Ereignisse, wie z. B. Rüstvorgänge, sind im Verlauf der Verfügbarkeitsgrade gut erkenn- und analysierbar. Auch ist die „OEE der ersten Stunde“ nach einem Rüstvorgang ein interessantes Analyseobjekt. Wie schnell die Kammlinie der Produktion wieder erreicht wird, lässt Rückschlüsse auf den Prozessverlauf des jeweiligen Umbauvorgangs zu. Mit einer längerfristigen Datengrundlage lässt sich auch häufig eine Korrelation zwischen einem bestimmten Produkt und dessen OEE herstellen. All dies sind gute Einstiegspunkte in die OEE-Optimierung.

5.2 Konventionelle Störgrundanalyse zur Ursachenableitung

Der Prozess der OEE-Verbesserung beginnt mit der Analyse der zugrunde liegenden Störgründe. Die Frage ist dabei: Welcher Störgrund hat den größten OEE-reduzierenden Einfluss und soll mit Optimierungsmaßnahmen reduziert werden?

Auf der obersten Kennzahlenebene empfiehlt sich die Darstellung der wichtigsten Verluste als Prozentwert. Die folgenden Kennzahlen sollten mit der OEE-Darstellung mitgeliefert und in der gleichen Auflösung dargestellt werden:
  • Rüstquote, d. h. Prozentwert der Summe der Zeitverluste durch Rüsten

  • Stillstandsquote, d. h. Prozentwert des technischen Stillstands der Anlage

  • Verlust durch Kurzstillstände als Prozentwert der Gesamtzeit

Auf der nächsten Ebene werden die eigentlichen Störgründe ausgewertet.

Das Werkzeug der Wahl ist für diese Fragestellung die Pareto-Analyse. Das Pareto-Prinzip2 besagt, dass üblicherweise 80 % der Ergebnisse mit 20 % des Gesamtaufwandes erreicht werden. Die verbleibenden 20 % der Ergebnisse benötigen mit 80 % die meiste Arbeit. Angewendet auf die Fragestellung der OEE-Steigerung bedeutet dies, dass man die 20 % der Störgründe identifizieren muss, die 80 % der Verluste verursachen, um sich dann mit den verfügbaren Ressourcen darauf zu konzentrieren.

Im Rahmen der Pareto-Analyse werden die Störgründe jeweils im Betrachtungszeitraum addiert und nach der jeweiligen Gesamtsumme absteigend sortiert. Die einzelnen, entstehenden Blöcke werden kumuliert, sodass sich am Ende eine Gesamtsumme von 100 % ergibt.

Damit entsteht ein Pareto-Diagramm, wie es beispielhaft in Abb. 5.1 dargestellt ist.
Abb. 5.1

Pareto-Diagramm.

(Quelle: Eigene Darstellung)

Im Beispiel werden 80 % der Verluste durch die ersten vier Störgründe verursacht. Konzentriert man sich auf die Reduzierung oder Eliminierung dieser vier Störgründe, arbeitet man an 80 % des Potenzials und damit mit wenigen Maßnahmen an den großen Hebeln.

Verwendet man einen zweistufigen oder sehr umfangreichen Störgrundkatalog mit vielen Einzelgründen, empfiehlt sich eine mehrstufige Darstellung des Pareto-Diagramms, das sogenannte „Pareto-vom-Pareto“. Dazu werden jeweils für die drei Verlustgründe mit den höchsten Prozentanteilen weitere Pareto-Diagramme erstellt. In diesen werden die Untergruppen der Störungen abgebildet, d. h. die Ebene 2 im Störgrundkatalog. Damit ist eine priorisierte Abarbeitung der Verlustursachen und resultierenden Verbesserungsideen möglich. Abb. 5.2 zeigt ein beispielhaftes Pareto-vom-Pareto.
Abb. 5.2

Pareto-vom-Pareto im zweistufigen Störgrundkatalog.

(Quelle: Praxispartner)

Das Vorgehen kann beliebig oft wiederholt werden. Nach erfolgter Optimierung einiger der Störgründe ergibt sich ein neues Pareto, das wieder nach der gleichen Logik eine Priorisierung erzeugt.

5.3 OEE- und Störgrundanalyse mit Industrie 4.0-Methoden

Die Möglichkeiten von Industrie 4.0 bieten auch für die Analyse der erfassten Daten neue Optionen, die bislang entweder sehr aufwendig oder gar nicht möglich waren.

Bezogen auf die nachgelagerte Analyse der erfassten Daten sind Anwendungsfälle aus dem Big-Data-Anwendungsfeld (Big Data = Auswertung von [in diesem Fall] großen und schnelllebigen Datenbeständen) besonders interessant.

Mit Hilfe von Algorithmen der künstlichen Intelligenz, oder spezieller des maschinellen Lernens, können Muster in den historischen Datenbeständen erkannt werden, die sich dem Menschen bei Betrachtung des Datenstroms verschließen. Die Optionen sind dann sehr vielfältig: Die Nachtschicht fertigt mit höherer Geschwindigkeit und dafür mit mehr Kurzstillständen als die Frühschicht. Was sind die Ursachen, was ist besser? Das Produkt A hat einen besseren Verfügbarkeitsfaktor als das Produkt B. Warum? Maschinelles Lernen bringt die Datenreihen der Anlagen sozusagen zum Sprechen. Es werden Muster und Ausnahmen deutlich, die durch den Menschen nicht selbst erkannt, aber nach maschineller Identifikation durch den Menschen in den Gesamtkontext eingeordnet werden können. Die Systeme generieren dabei Ausnahmemeldungen bei Auffälligkeiten, die zur weiteren Analyse durch einen Prozessingenieur überprüft werden können.

Ein weiteres Einsatzgebiet von Industrie 4.0-Technologien sind Prognosen. So können zukünftig erwartete OEE-Werte und Störgründe prognostiziert werden. Dieser Blick in die Zukunft ist beispielsweise interessant für die Produktionsplanung (Wann wird der Auftrag fertig?) als auch für die Logistik (Welche Mengen von Bauteilen werden im kommenden Zeitabschnitt benötigt?).

Ein weiteres Einsatzfeld von vorausschauendem Handeln ist das in der Diskussion um Industrie 4.0 befindliche „Predictive Maintenance“ oder auf Deutsch die vorausschauende Instandhaltung, mit der man aus der OEE-Perspektive die Steigerung des Verfügbarkeitsfaktors adressiert. Die beiden Konzepte haben Schnittpunkte, für Predictive Maintenance werden jedoch nochmals deutlich mehr und andere Daten benötigt als für das Predictive OEE-Management.

Darüber hinaus können die Daten mit der zur Verfügung stehenden Industrie 4.0-Technologie on-line analysiert werden. Dadurch wird der sofortige Versand von Informationsmeldungen möglich, falls Erwartungs- oder Erfahrungswerte über- oder unterschritten werden. So kann beispielsweise eine Information an die Instandhaltung versendet werden, wenn eine Anlage länger als 5 min unter 80 % Leistung läuft. Oder der Meister wird informiert, wenn sich ein Rüstvorgang um mehr als 30 % verlängert. Auf diese Weise kann proaktiv und innerhalb der aktuellen Schicht reagiert werden, wo dies ohne die technologischen Möglichkeiten von Industrie 4.0 vorher frühestens nach Schichtende möglich war.

Fußnoten

  1. 1.

    Siehe hierzu die Literatur zu MUDA, MURI und MURA, wobei MUDA die Ungleichheit darstellt, die die Verschwendung (MUDA) und Überlastung (MURI) erzeugt, z. B. in Dennis, P. (2002), Lean Production Simplified, S. 25.

  2. 2.

    Vilfredo Pareto (1848–1923), italienischer Wirtschaftswissenschaftler, dem die Darstellung in Abb. 5.1 zugeschrieben wird, um aus einer Vielzahl von Einflussgrößen diejenige herauszufinden, die unter einem bestimmten Gesichtspunkt die bedeutendste ist. Er hat herausgefunden, dass oft wenige Ursachen einen Großteil der Wirkung erzeugen. Josef Joran hat daraus zu Beginn der 50er-Jahre das Pareto-Prinzip formuliert.

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.ifp Institut für Produktivität KGAachenDeutschland

Personalised recommendations