🎉 2025 Q4 Promóció – év végi kedvezmények minden rendelésre!🎉
Az év vége közeledtével szeretnénk partnereinknek rugalmas kedvezményrendszert kínálni:
📅 2025.10.01 – 2025.12.31. között minden rendelésnél az alábbi árengedményeket biztosítjuk:
👉 Új projekthez szükséges egy vagy több eszköz?
👉 Lecserélné régi mérőműszerét az év vége előtt?
👉 Tartalékot vásárolna a meglévő mellé?
Most itt a lehetőség: használja a W2025Q4DISCOUNT kuponkódot a rendelés során, és a kedvezményt automatikusan levonjuk.
💡 Zárja az évet egy előnyös beruházással, és készüljön fel 2026-ra kedvezményesen!
válasz igen! Mindössze egy olyan menedzsmentre van szükség, amely hajlandó kreatívan gondolkodni, és egy olyan szolgáltatóra, amely okosan tudja alkalmazni a modern technológiát. A CHB Group, egy vezető görög vállalat, amely konzervgyümölcsöket, gyümölcspüréket, kockázott gyümölcsöket és gyümölcslé-koncentrátumokat állít elő, pontosan ezt teszi.
Ahelyett, hogy megállás nélkül új gépekbe fektetne be, a CHB Group a meglévő berendezések teljesítményének folyamatos javítására összpontosít. Így forrásokat takarítanak meg a szükségesebb, új innovatív technológiákba és termékekbe történő befektetésekre.
Az alábbi képen látható egy 50+ éves konzerv zárógép (seamer), amely 100%-ban kompatibilis az Ipar 4.0-val.
50+ éves konzerv zárógép a CHB Groupnál, amelyet a digitális korba emeltek. A zárógép korabeli műszaki specifikációja.
Az Ipar 4.0 kompatibilitást az alábbiak alkalmazásával érték el:
A beruházási költség kevesebb mint 500 €. Most már mindenkinek, beleértve a gépkezelőket, menedzsereket, karbantartókat, minőségellenőrzést és más osztályokat, valós idejű hozzáférése van a zárógép kihasználtságával kapcsolatos információkhoz.
Teljes részletességgel monitorozzák az OEE-t, és tudják:
Tehát a gép működésének folyamatos megfigyelésével pontosan látható, mikor kezd eltérni a normál üzemmenettől, és így időben be lehet avatkozni – akár utólagos javítással, akár megelőző karbantartással.
A CHB rendkívül szoros határidők között dolgozik, hiszen a friss gyümölcsöket néhány órán belül fel kell dolgozni a betakarítás után. Ennek ellenére a vállalat továbbra is megbízhatóan használja a több mint fél évszázados berendezéseit, miközben a termékek minősége változatlanul kiváló marad. Ebben az Evocon rendszere nyújt támogatást, hiszen minden szükséges adatot valós időben elérhetővé tesz, megkönnyítve ezzel a döntéshozatalt.
A CHB példája jól mutatja, hogyan valósulhat meg a digitális átállás első lépése azoknál a gyártóknál is, akik még régebbi, de jól karbantartott gépparkkal dolgoznak, és szeretnék azt a korszerű adatvezérelt működés szintjére emelni.
Az eredeti cikk olvasásáért kattintson az alábbi gombra:
A mérés minden ipari tevékenység alapja, legyen szó fejlesztésről, gyártásról vagy minőségellenőrzésről.
Egy pontatlan vagy hiányos mérési adat egész folyamatokat torzíthat el, és súlyos anyagi veszteséget okozhat. Ezért egyre több vállalat fordul az automatizált mérés felé, amely képes kiküszöbölni az emberi hibákat és gyorsabb, pontosabb adatokat biztosít.
A kérdés nem az, hogy megéri-e automatizálni, hanem az, mikor jön el a pillanat, amikor a befektetés valóban megtérül.
A modern iparban sok vállalat még ma is manuálisan jegyzi fel az adatokat, gyakran papíron vagy táblázatokban. Ez rövid távon egyszerű megoldásnak tűnhet, de hosszabb távon torzítja az eredményeket, növeli a hibák számát és lassítja a döntéshozatalt.
Az automatizálás legnagyobb előnye, hogy növeli a mérési pontosságot és megbízhatóságot, miközben csökkenti az emberi hibákból adódó eltéréseket. A digitálisan rögzített adatok ráadásul azonnal elemezhetők, ami gyorsabb reagálást tesz lehetővé, különösen a fejlesztési vagy gyártási környezetben.
Az automatizálás akkor válik igazán indokolttá, amikor a mérési feladatok ismétlődők és nagy mennyiségű adatot érintenek. Ilyen esetben a kézi adatbevitel már nem gazdaságos, a hibák aránya nő, és a folyamatot nem lehet tovább skálázni.
A mérési folyamatok automatizálása elsősorban akkor indokolt, ha az adatok mennyisége, a szükséges pontosság vagy a feldolgozási sebesség meghaladja az emberi beavatkozással elérhető szintet. Ha például egy laborban napi több száz mérést végeznek tápegységeken, áramváltókon vagy passzív komponenseken, a kézi adatgyűjtés már nemcsak időigényes, hanem pontatlan is.
A ProDSP szakmai összefoglalója szerint az automatizált mérési szoftverek egyik legnagyobb előnye, hogy képesek valós időben kezelni a mért adatokat. Ez nemcsak azonnali kiértékelést tesz lehetővé, hanem hosszú távú trendek elemzését is, például az alkatrészek öregedésének, a hőmérsékleti változások hatásának vagy a gyártási eltéréseknek a vizsgálatát.
Emellett az automatizált mérőrendszerek könnyen integrálhatók a vállalat informatikai struktúrájába. A mérési eredmények továbbíthatók ERP vagy MES rendszerekbe, így a gyártásirányítás és a minőségbiztosítás valós időben fér hozzá a releváns adatokhoz
Az automatizálás bevezetése mindig beruházást igényel, ezért fontos, hogy a döntés adatokon alapuljon. Tulajdonképpen akkor térül meg leggyorsabban, ha az automatizálás csökkenti a selejtarányt, lerövidíti a mérési időt, vagy csökkenti a hibás újra-mérések számát.
Egy jól megtervezett rendszer néhány éven belül képes akár 20-30%-os hatékonyságnövekedést is elérni, főként ott, ahol a mérési adatok közvetlenül befolyásolják a gyártási paramétereket.
Műszaki oldalról nézve az automatizálás első lépése, hogy a mérőműszerek kommunikálni tudjanak egymással és a központi szoftverrel. Ehhez ma már szinte minden modern eszköz – legyen az tápegység, kalibrátor, oszcilloszkóp vagy teljesítmény-analizátor – rendelkezik valamilyen szabványos adatátviteli csatlakozással, például GPIB, USB, LAN vagy RS-232 interfésszel.
Ha ezek az eszközök egy közös platformon működnek, a rendszer képes automatikusan végrehajtani a mérési sorozatokat, naplózni az eredményeket, majd továbbítani azokat a kiértékelő szoftver felé. Ezáltal a mérnökök ideje felszabadul, és a figyelem a fejlesztési vagy diagnosztikai feladatokra irányulhat.
A valós idejű adatgyűjtés és kiértékelés nélkül nem beszélhetünk hatékony folyamat-optimalizálásról vagy megbízható minőségellenőrzésről. Az automatizált mérési rendszerek képesek felismerni az apró eltéréseket, amelyek kézi vizsgálattal gyakran észrevétlenek maradnának.
A KORA kínálatában elérhető eszközök, például a Chroma elektronikus terhelések, jelgenerátorok, kalibrátorok és villamos biztonsági teszterek, pontosan ezekhez a feladatokhoz kínálnak műszaki megoldást. Segítségükkel a laboratóriumi és gyártási környezet egyaránt automatizálható, miközben az adatok feldolgozása, archiválása és elemzése egységes rendszerben történik.
Az automatizált mérés bevezetése sok vállalatnál stratégiai döntés, ezért érdemes minden oldalról megvizsgálni, mikor és hogyan hozhat valódi előnyt. Az alábbiakban összegyűjtöttük a leggyakrabban felmerülő kérdéseket, amelyek segítenek eligazodni a műszaki, gazdasági és gyakorlati szempontok között.
Akkor érdemes automatizálni, ha a mérések ismétlődőek, nagy adatmennyiséget érintenek, vagy ha a pontosság kritikus a gyártás és fejlesztés szempontjából. Ilyen helyzetekben a kézi adatgyűjtés már nem gazdaságos, és növeli a hibák esélyét.
Az automatizált mérés kiküszöböli az emberi hibákat, növeli a pontosságot és gyorsítja az adatfeldolgozást. A mérési eredmények azonnal rögzíthetők és elemezhetők, ami lehetővé teszi a valós idejű döntéshozatalt és a hibák gyors felismerését.
Elsősorban olyan mérőműszerekre van szükség, amelyek képesek kommunikálni egymással és a központi vezérlőszoftverrel. A legtöbb modern eszköz – például a tápegységek, kalibrátorok vagy oszcilloszkópok – már rendelkezik GPIB, USB, LAN vagy RS-232 csatlakozással, ami megkönnyíti az integrációt.
A beruházás akkor hozza a leggyorsabb megtérülést, ha az automatizált mérés csökkenti a selejtarányt, lerövidíti a mérési időt, és minimalizálja az ismételt mérések számát. Egy jól felépített rendszer néhány éven belül akár 20–30%-os hatékonyságnövekedést is elérhet.
A KORA kínálatában elérhető Chroma elektronikus terhelések, jelgenerátorok, kalibrátorok és villamos biztonsági teszterek kiválóan alkalmasak automatizált mérési feladatokra. Ezek az eszközök könnyen integrálhatók a labor- vagy gyártási rendszerekbe, és biztosítják a pontos, reprodukálható eredményeket.
A járműipar az egyik legszigorúbban szabályozott iparág, ahol a legkisebb meghibásodás is komoly következményekkel járhat.
A J.D. Power 2025-ös járműmegbízhatósági felmérése szerint az Egyesült Államokban három év használat után száz autóra átlagosan 202 hiba jutott. Ez az adat jól szemlélteti, hogy még a legnagyobb gyártók sem mentesek a problémáktól, és hogy a megbízhatósági tesztelés nélkül a hibák száma ennél jóval magasabb lenne.
Európában a szabványok hasonlóan szigorúak, de a piac még összetettebb.
A járművek gyakran több beszállító komponenseiből épülnek fel, így a minőség biztosítása csak folyamatos teszteléssel és adatalapú ellenőrzéssel lehetséges. Németországban például a J.D. Power néhány éve végzett vizsgálata 99 problémát mutatott száz járműre vetítve, ami ugyan jobb arány, de még mindig elegendő indok arra, hogy a gyártók hatalmas összegeket fordítsanak a laboratóriumi és terepi vizsgálatokra.
A megbízhatósági mérések célja tehát kettős. Egyrészt garantálni kell, hogy az autó minden alkatrésze kibírja a tervezett élettartamot, másrészt meg kell érteni, hogyan viselkedik a rendszer különböző környezeti és üzemeltetési feltételek mellett. Ezért beszélünk ma már nemcsak funkcionális, hanem környezeti, fárasztásos és szoftveres tesztekről is.
A laboratóriumi környezetben végzett vizsgálatok célja, hogy a valós használat éveit néhány hét alatt szimulálják. Ezt úgynevezett fárasztásos tesztekkel érik el, amelyek során az alkatrészt több millió cikluson keresztül terhelik. Egy kutatás például kimutatta, hogy egy járműalkatrész repedést mutatott 1,7 millió ciklus után ±12 kilonewtonos erőhatás mellett. Az ilyen adatok segítenek pontosan meghatározni az anyagok élettartamát és biztonsági tartalékait.
A vizsgálat során egy gép periodikus (váltakozó irányú vagy amplitúdójú) erőhatást fejt ki a próbatestre.
Ez lehet:
A mérés során az adatgyűjtő folyamatosan figyeli az erő-deformáció görbét, a feszültség amplitúdóját és a rezgési spektrumot. A fáradási határt a Wöhler-görbe (S-N diagram) alapján határozzák meg:
Ez a görbe mutatja meg, hogy az adott anyag milyen terhelésszinten hány ciklust bír ki törés nélkül.
A mechanikai mérések mellett az elektromos rendszerek vizsgálata is kiemelt szerepet kapott. A járművekben található vezérlőegységek és szenzorok folyamatos kommunikációban állnak egymással, és bármilyen zavar vagy feszültségingadozás hibás működéshez vezethet.
A laborokban ezért a komponenseket hőmérsékleti ciklusoknak, rezgéseknek és elektromágneses zavaroknak teszik ki, miközben valós idejű adatgyűjtés történik. A cél, hogy ne csak a meghibásodás pillanatát rögzítsék, hanem az odáig vezető folyamatokat is.
Az úgynevezett meghibásodásig tartó vizsgálat (angolul test to failure) ma már bevett gyakorlat az autóiparban. Ennek segítségével feltérképezhetők a biztonsági tartalékok és az alkatrészek tönkremeneteli mechanizmusai. Ez főleg az elektromos járművek esetében fontos, ahol az akkumulátorcsomagok, inverterek és nagyfeszültségű elosztórendszerek extrém hő- és rezgésviszonyok között működnek.
A megbízhatósági vizsgálatok ma már elképzelhetetlenek adatelemzés nélkül. A mérések során keletkező hatalmas mennyiségű adat segít azonosítani az ismétlődő hibákat, modellezni a meghibásodások valószínűségét, és előre jelezni a várható élettartamot. A statisztikai modellek – például a Weibull-eloszlás vagy az MTBF (Mean Time Between Failures) – a karbantartási stratégiák alapjául szolgálnak, és a fejlesztési döntések meghozatalát is támogatják.
Egy jól beállított adatgyűjtő rendszer pedig a gyártás utáni visszacsatolásban is rendkívül hasznos.
Gondoljunk csak bele, hogy a járművek szenzoradatai, diagnosztikai jelentései és szervizinformációi mind-mind hozzájárulnak ahhoz, hogy a gyártók pontosabb képet kapjanak az alkatrészek valós viselkedéséről.
A prediktív elemzések így nemcsak hibát jeleznek, hanem segítenek a jövőbeli hibák megelőzésében is.
A tartóssági és megbízhatósági tesztelés globális piaca dinamikusan növekszik: becslések szerint 2025-re meghaladja a 2,5 milliárd dollárt, évente közel 8 százalékos növekedéssel. Ennek oka, hogy az elektromos és önvezető járművek fejlesztése soha nem látott komplexitást hozott. Az ilyen rendszerek tesztelése nemcsak fizikai próbapadokon történik, hanem szimulációk és digitális ikrek segítségével is.
Közép-Európában, különösen Magyarországon az autóipari beszállítói szektor már régóta jelen van a megbízhatósági vizsgálatok területén. Olyan vállalatok, mint a Bosch, a Continental, a ZF vagy a Valeo, évtizedek óta üzemeltetnek saját tesztlaborokat, ahol hő-, rezgés- és elektromos terhelésvizsgálatokat végeznek. Ezekhez precíziós mérőeszközökre, stabil adatgyűjtő rendszerekre és kifinomult elemző szoftverekre van szükség.
A magyarországi laborokban egyre több helyen alkalmaznak olyan automatizált mérőrendszereket, amelyek képesek 24 órás, folyamatos terhelési próbákra. Az adatok azonnal felkerülnek a felhőbe, ahol valós idejű kiértékelés történik. Ez a megközelítés drasztikusan csökkenti a hibák számát is, még mielőtt a gyártás megkezdődne.
Ne bízza a véletlenre a megbízhatóságot! Legyen szó fárasztásos vizsgálatok támogatásáról, akkumulátortesztelésről vagy nagyfeszültségű rendszerek méréséről, nálunk megtalálja a piacvezető gyártók (pl. Chroma) legmodernebb eszközeit.
A megbízhatósági tesztelés az autóipar egyik legösszetettebb és legfontosabb területe. Az alábbi kérdések segítenek jobban megérteni, miért nélkülözhetetlen ez a folyamat, hogyan zajlik a gyakorlatban, és milyen technológiák állnak a háttérben.
A cél kettős: egyrészt biztosítani, hogy az alkatrészek és rendszerek a teljes élettartamuk alatt megbízhatóan működjenek, másrészt feltárni a gyenge pontokat, mielőtt azok a járműhasználat során hibát okoznának. A tesztek segítenek előre jelezni a meghibásodásokat és optimalizálni a konstrukciót.
A leggyakoribbak a fárasztásos (durability), környezeti, rezgés- és hőmérsékleti ciklus, valamint elektromágneses kompatibilitási (EMC) tesztek. Ezek a vizsgálatok szimulálják a járművek valós igénybevételét, így pontos képet adnak az alkatrészek hosszú távú viselkedéséről.
A laboratóriumi fárasztásos teszt során az alkatrészeket periodikusan ismétlődő terhelésnek teszik ki – például húzó-nyomó vagy hajlító ciklusok formájában. A mérésekből kirajzolódó Wöhler-görbe (S–N diagram) megmutatja, hány ciklust bír ki az adott anyag törés nélkül, így meghatározható a fáradási határ és a biztonsági tartalék.
A modern járművek rengeteg szenzort és vezérlőegységet tartalmaznak, ezért a megbízhatósági tesztelés már nemcsak fizikai, hanem adatvezérelt folyamat is. A laborok valós időben elemzik az erő-deformációs görbéket, a hőmérsékleti és rezgési adatokat, így a hibák nemcsak észlelhetők, hanem előre is jelezhetők.
A KORA kínálatában elérhető Chroma elektronikus terhelések, jelgenerátorok, kalibrátorok és villamos biztonsági teszterek ideálisak az autóipari megbízhatósági vizsgálatokhoz. Ezek az eszközök automatizált környezetben is pontos, reprodukálható méréseket biztosítanak, és könnyen integrálhatók a modern adatgyűjtő rendszerekbe.
A villamos energia eljuttatása a termelőtől a fogyasztóig összetett folyamat, amely során az áram egy része útközben elvész. Ezt nevezzük hálózati veszteségnek, és bár a jelenség természetes, mértéke egyáltalán nem mindegy.
A Council of European Energy Regulators (CEER) legutóbbi jelentése szerint az európai elosztóhálózatokban a veszteség aránya 1,95 és 22,63 százalék között mozog, míg a nagyfeszültségű átviteli hálózatoknál jellemzően 0,99 és 3,96 százalék közötti értékeket mérnek.
Ez óriási különbség mind gazdasági, mind környezeti szempontból, hiszen minden elveszett kilowattóra felesleges termelést és többletköltséget jelent. A jó hír az, hogy a korszerű mérési és adatelemzési megoldásokkal a hálózati veszteség nemcsak nyomon követhető, hanem érdemben csökkenthető is.
A villamos energia szállítása során az áram ellenállással találkozik a vezetékekben és a transzformátorokban, ennek következtében hő formájában energia vész el. Ezek ai veszteségek a fizika törvényeiből adódnak, és teljesen nem is szüntethetők meg. Ugyanakkor a veszteség mértéke jelentősen befolyásolható a hálózat tervezésével, üzemeltetésével és karbantartásával.
Emellett léteznek nem technikai veszteségek is, amelyek pontatlan mérési adatokból, hibás leolvasásokból vagy akár jogosulatlan vételezésből erednek. Ezek már nem fizikai, hanem adatkezelési és felügyeleti problémák, és éppen itt kap szerepet a modern hálózati analitika.
A mérés és az adatfeldolgozás tehát két oldalról is segíti a villamos hálózati veszteség csökkentését: egyrészt feltárja a technikai gyenge pontokat, másrészt átláthatóvá teszi azokat a folyamatokat, amelyek eddig rejtve maradtak.
Ahhoz, hogy bármilyen veszteséget kezelni lehessen, először pontosan ismerni kell a kiinduló állapotot. A korszerű villamos hálózatokban ehhez ma már intelligens fogyasztásmérők és fázismérő egységek (PMU-k) állnak rendelkezésre. Ezek az eszközök valós időben rögzítik a feszültség- és áramértékeket, valamint a teljesítménytényezőt is.
Az így nyert adatok megmutatják, mely hálózati szakaszokon túlzott a terhelés, hol jelentkezik túlmelegedés vagy feszültségesés. Egy ilyen mérési rendszer lehetővé teszi, hogy az üzemeltető ne csak reagáljon a hibákra, hanem előre is lássa azokat.
A gyakorlatban ez azt jelenti, hogy az alállomások és az elosztó szakaszok valós idejű adatai alapján optimalizálható a terhelés, kiegyenlíthetők a fázisok, és időben felismerhetők a túlterhelt áramkörök. Ez nemcsak az energiaveszteség mértékét csökkenti, hanem az eszközök élettartamát is meghosszabbítja.
Nem elhanyagolható az sem, hogy az adatgyűjtés a nem technikai veszteségek kiszűrésében is segít. Ha az elosztott és a mért energia között eltérés tapasztalható, az adatok összevetése gyorsan rávilágít arra, hol lehet probléma a rendszerben.
A mérés önmagában még nem elegendő. Az adatokból ki kell olvasni a mintázatokat. Szerencsére a korszerű adatfeldolgozó rendszerek képesek azonosítani azokat az időszakokat és hálózati szakaszokat, ahol a veszteség szokatlanul magas.
Ha például egy elosztóágon az áramerősség ingadozik, az analitikai rendszer hamar jelzi, hogy nincs megfelelő fázisegyensúly vagy a teljesítménytényező nem optimális. Ilyen esetben a beavatkozás célzottan történhet: kondenzátorok beiktatásával csökkenthető a meddő teljesítmény, vagy az elosztási konfiguráció módosítható.
Egy jól kialakított analitikai rendszer idővel a mindennapi üzemeltetés részévé válik. Segít felismerni a rejtett tartalékokat, csökkenti a csúcsidős terheléseket, és előre jelzi a kritikus állapotokat. Így a villamos hálózati veszteség nemcsak mérhető, hanem aktívan kezelhető is.
A legnagyobb áttörést az hozza, ha a mért adatokat nemcsak rögzítik, hanem rendszeresen elemzik is.
Ehhez egyrészt megbízható, egységes formátumban gyűjtött adatokra van szükség, másrészt arra, hogy a beavatkozások valós méréseken alapuljanak.
Egy ilyen rendszer kiépítése kezdetben beruházást igényel, ugyanakkor a nemzetközi ipari tapasztalatok szerint már néhány éven belül megtérül.
A hosszú távú előnyök azonban túlmutatnak az energiatakarékosságon. A pontosabb üzemeltetés csökkenti a karbantartási költségeket, növeli a berendezések megbízhatóságát, és egyúttal hozzájárul a fenntartható működéshez. Egy adatvezérelt villamos hálózat kevesebb rejtett kockázatot hordoz, és gyorsabban reagál az üzemzavarokra.
A hálózati veszteség mérésére és elemzésére épülő megoldások ma már nemcsak a nagy szolgáltatók számára elérhetők. Az intelligens fogyasztásmérők, az IoT-alapú mérőegységek és a felhőalapú adatfeldolgozás olyan szintű átláthatóságot kínálnak, amely korábban elképzelhetetlen volt.
Az igazi előrelépést azonban nem maga a technológia, hanem annak tudatos alkalmazása hozza. A mérnöki szemlélet és az adatalapú döntéshozatal együtt képes megmutatni, hol rejtőzik a hatékonyság kulcsa. Amint az üzemeltetés valós, mért adatokra épül, a veszteség nemcsak csökken, hanem folyamatosan optimalizálható is.
A legtöbb gyártó cég ma már tudja, hogy az OEE (Overall Equipment Effectiveness) az egyik legfontosabb mutató, ha a termelés hatékonyságáról szeretnénk valós képet kapni. Mégis sokan küzdenek azzal, hogy a mérés pontatlan, az adatok késve érkeznek, vagy egyszerűen nem tükrözik a valóságot. Itt jön képbe a valós idejű gyártásmonitorozás, amely képes automatikusan, emberi beavatkozás nélkül rögzíteni a tényleges teljesítményt, és ezáltal megbízható alapot teremteni az OEE-számításokhoz.
Az OEE, vagyis az összesített berendezés-hatékonyság három alapvető tényezőből áll: a rendelkezésre állásból, a teljesítményből és a minőségből.
Ezek közül egyik sem mérhető pontosan, ha az adatok nem valós időben érkeznek a gépektől. Amíg a leállásokat és a ciklusidőket kézzel, papíron vagy Excel-táblában rögzítik, addig mindig marad hibalehetőség. Egy késve beírt adat, egy elfelejtett leállás vagy egy pontatlan kategorizálás már önmagában elég ahhoz, hogy az eredmény torzuljon.
A valós idejű gyártáskövetés éppen ezt a problémát szünteti meg. Az Evocon rendszere szenzorok, PLC-kapcsolatok és hálózati adatgyűjtés segítségével automatikusan veszi át a gépektől a termelési adatokat, majd ezeket áttekinthetően, vizuális formában jeleníti meg. A felületen azonnal látható, ha egy gép leáll, ha a ciklusidő meghosszabbodik, vagy ha nő a selejt aránya.
A valós idejű adatoknak köszönhetően az OEE többé nem egy utólagos, statikus jelentés, hanem egy élő visszajelző rendszer.
Az üzemvezető azonnal látja, hol van probléma, és rögtön be tud avatkozni. Ha például egy gépen rendszeresen rövid mikroleállások történnek, vagy a teljesítmény lassan csökken, az már aznap észrevehető, nem csak a hónap végi riportból derül ki.
Sok OEE-projekt azért fullad ki idő előtt, mert a mérés nem elég stabil. Ha az adatgyűjtés részben kézi, részben automata, a számok megbízhatatlanná válnak, a dolgozók pedig elveszítik a bizalmat a rendszerben. Az Evocon itt kínál egyszerű, mégis robusztus megoldást: egységes, automatizált adatáramlást a gyártás minden szintjén.
A rendszer valós időben gyűjti és feldolgozza az adatokat, így az OEE három pillére folyamatosan, élőben követhető.
A rendszer előnye, hogy nincs szükség bonyolult integrációra vagy informatikai fejlesztésre. Az Evocon egyszerűen csatlakoztatható a meglévő gépekhez, és néhány nap alatt beüzemelhető. Épp ezért azon kisebb üzemek számára is elérhető, ahol nincs külön IT-csapat, mégis szeretnének korszerű adatgyűjtést és megbízható OEE-mérést.
A gyártásmonitorozás önmagában még nem cél. Az adatok gyűjtése csak akkor ér valamit, ha azokból következtetéseket is levonunk. Az Evocon ebben segít: a valós idejű adatok vizuális megjelenítésével azonnal láthatóvá teszi a rejtett veszteségeket.
Ha például egy gép napi 15-20 alkalommal áll meg pár percre, a legtöbb operátor ezt rutinszerűnek veszi.
Az Evocon azonban kimutatja, hogy ezek az apró leállások egy hónap alatt akár több műszaknyi termelési időt is felemészthetnek. Ilyenkor már nem csak az a kérdés, miért állt meg a gép, hanem az is, hogyan lehet a problémát tartósan megszüntetni – például megelőző karbantartással, folyamatoptimalizálással vagy az operátori rutinok átalakításával.
A rendszer tehát visszajelzést ad. A digitális felületen azonnal látszik, hol érdemes beavatkozni, és hogyan változik az OEE-érték a módosítások után. Ezáltal a gyártásirányítás is adatvezéreltté válik, és megszűnik a találgatás, mi okozza a teljesítmény- vagy minőségi veszteséget.
Egy új rendszer bevezetése mindig érzékeny folyamat, főleg ha az adatgyűjtés automatizálásáról van szó.
Az Evocon tapasztalatai szerint a siker kulcsa a fokozatos bevezetés és az átlátható kommunikáció. Érdemes egyetlen gépen vagy gyártósoron kezdeni, és csak akkor továbblépni, ha az adatok már megbízhatóan működnek, és a csapat megértette a rendszer előnyeit.
A bizalom kiépítése legalább olyan fontos, mint maga a technológia. Amíg az operátorok nem látják, hogy a rendszer pontosan rögzíti a munkájuk eredményét, addig nem is fogják szívesen használni.
Ezért az első hetekben érdemes közösen átbeszélni az adatokat, összevetni a korábbi, kézzel gyűjtött információkkal, és megbizonyosodni arról, hogy az Evocon által mért értékek a valóságot tükrözik.
A rendszer használata során fokozatosan kialakul egy új szemlélet: a döntések már adatokra épülnek.
Ha a gyártásban résztvevő minden munkatárs látja, hogy a beavatkozásai hatással vannak az OEE-re, az már önmagában isi motiváló erő. A műszakvezetők könnyebben tudják értékelni a csapat teljesítményét, a karbantartás célzottabban tervezheti a beavatkozásokat, a menedzsment pedig objektív döntéseket hozhat a beruházásokról vagy kapacitásbővítésről.
A valós idejű adatgyűjtés egyben összeköti a szervezet különböző szintjeit. Ugyanabból az adatforrásból dolgozik a gépkezelő, a termelésirányító és a vezetőség, így megszűnik az információs szakadék.
Amikor egy mérés eredményét látjuk a kijelzőn, például 12.34, hajlamosak vagyunk azt gondolni, hogy pontosan ennyi az érték. Valójában azonban minden méréshez hozzátartozik a mérési bizonytalanság fogalma. Ez a bizonytalanság azt a tartományt jelenti, amelyen belül a valódi érték nagy valószínűséggel megtalálható. Fontos hangsúlyozni, hogy ez nem mérési hiba, hanem a fizikai jelenségek és a mérőeszközök működésének természetes velejárója.
Éppen ezért a minőségirányítási rendszerekben, legyen szó ISO 9001-ről, IATF 16949-ről vagy más szabványokról, kiemelt szerepet kap, hogy miként kezeljük a bizonytalanságot. Nemcsak az adatok megbízhatóságáról van ugyanis szó, hanem arról is, hogyan előzhetjük meg, hogy maga a mérőrendszer okozza a tévedést.
Nem létezik olyan mérőeszköz, amely örökké változatlan pontossággal működne. Még a gyártáskor precízen beállított készülékek is lassan változnak a használat során: a szenzorok öregednek, a mechanikai elemek kopnak, miközben a környezeti tényezők – például a hőmérséklet-ingadozás vagy a páratartalom – apránként befolyásolják a kijelzett értékeket.
Egy mikrométer például másként viselkedik a labor hőstabil környezetében, mint amikor nap mint nap kézbe veszik, hiszen már a kéz melege is eltérést okozhat. Éppen ezért minden mérőműszert időről időre ellenőrizni kell, és rendszeres újrakalibrálásra is szükség van.
A kalibrálás tehát annak biztosítása, hogy a mérőrendszer eredményei valóban összevethetők legyenek más laborok, más országok vagy éppen a nemzetközi szabványok referenciaértékeivel. Ezt a kapcsolatot nevezzük visszavezethetőségnek. Amikor egy vállalat auditon a gyártás pontosságára hivatkozik, ez csak akkor tekinthető hitelesnek, ha a mérései ezen a láncon keresztül kapcsolódnak a nemzetközi etalonokhoz.
A mérési bizonytalanság kezelésénél nem elegendő annyit tenni, hogy időnként bevisszük a műszert kalibrálásra.
Legalább ilyen fontos a TUR (Test Uncertainty Ratio) figyelembevétele is, amely azt mutatja meg, hogyan viszonyul a vizsgált eszköz pontossága a kalibráló berendezés bizonytalanságához.
A bevett gyakorlat szerint a TUR értékének célszerűen legalább 4:1-nek kell lennie. Ez például azt jelenti, hogy ha egy nyomatékkulcsot 1 Nm-en belül szeretnénk ellenőrizni, akkor a kalibráló rendszer bizonytalansága nem haladhatja meg a 0,25 Nm-et. Így biztosítható, hogy a megfelelőségi döntést valóban az eszköz teljesítménye, és ne a mérési bizonytalanság befolyásolja.
Amennyiben a TUR értéke nem éri el a kívánt szintet, akkor nem elég a megszokott ellenőrzés, ugyanis ilyenkor célszerű döntési szabályt alkalmazni, és úgynevezett guard bandinggel szűkíteni az elfogadási tartományt.
Ezzel mérsékelhető a téves megfelelőség kockázata. Érdemes megemlíteni, hogy a TAR (Test Accuracy Ratio) korábbi szemléletet tükröz, hiszen a névleges pontossági adatokra épít, míg a TUR ma már elterjedtebb, mert a mérési bizonytalanságot is számításba veszi, nem csupán a katalógusadatokban szereplő pontosságot.
Egy gyártósori mérőeszköz esetében figyelmeztető jel, ha ugyanazt a darabot többszöri méréskor eltérő eredményekkel adja vissza, ráadásul nagyobb szórással, mint amit a specifikáció enged. Ilyenkor felmerülhet, hogy a műszert túl régóta nem kalibrálták, de az is előfordulhat, hogy a környezeti hatások torzítják az értékeket.
Jó példa erre az autóipar, ahol a tolómérőket általában évente küldik kalibráló laborba. Ha azonban közben egy eszköz leesik a földre, akkor nem lehet megvárni a következő ciklust, hiszen ilyen esetben azonnali ellenőrzésre van szükség. Ugyanis egy apró belső elmozdulás is komoly eltérést okozhat a mérésekben.
A mérési bizonytalanság sokszor nem szembetűnő. Előfordul, hogy egy rendszeresen használt és megbízhatónak vélt műszer lassan, apránként kezd eltérni a valós értéktől. Éppen ezért van nagy jelentősége a belső ellenőrzési rendszernek.
Amennyiben rendelkezésre állnak referencia-darabok vagy időszakos ellenőrző mérések, azok visszajelzést adnak arról, hogy a műszer továbbra is a kívánt pontossággal működik-e. Így nemcsak a szabványi előírások teljesülnek, hanem a gyártás folyamatossága is biztosítható, hiszen egy elcsúszott mérés akár egy teljes széria selejtezéséhez vezethet.
A kalibráció önmagában csak azt igazolja, hogy az eszköz a saját mérési tartományán belül visszavezethető és helyes értéket mutat. A gyártósori alkalmazás azonban ennél jóval összetettebb kérdés.
Mérőrendszer-elemzéssel (MSA – például Gage R&R, bias, linearitás, stabilitás vizsgálat) lehet bizonyítani, hogy a mérési szórás nem emészti fel a termék tűrésmezőjét.
Az ipari gyakorlatban elfogadott, hogy a %GRR 10% alatt jónak számít, 10-30% között feltételesen elfogadható, míg 30% felett már gyenge. Ha a %GRR magas, akkor önmagában a pontosabb mérés nem oldja meg a problémát: ilyenkor vagy a folyamat szórását kell csökkenteni, vagy robusztusabb mérési megoldást választani.
Ezeket a vizsgálatokat érdemes a termékéletciklus fontos pontjain megismételni. Új beszállító, új mérőfej, módosított program vagy épp új operátor is indokolhat egy gyors, mintás MSA-t.
Sok helyen automatikusan egyéves kalibrációs ciklust alkalmaznak, ami jó alap, de nem érdemes vakon követni. Az intervallumot mindig a használat intenzitása, a mérőeszköz driftje és az előző kalibrációk eredménye alapján célszerű beállítani.
Amennyiben több egymást követő ciklusban stabil marad az eszköz, nyugodtan hosszabbítható az időköz. Ha viszont sorra szükség van korrekcióra, akkor inkább rövidíteni kell. Fontos, hogy minden változtatást adatokkal támasszunk alá, így egy audit során is egyértelműen védhető a döntés.
A mindennapi működésben bevált megközelítés, ha a kalibráció gyakoriságát a használati terheléshez igazítjuk. Azoknál a mérőeszközöknél, amelyeket naponta sokszor kézbe vesznek és folyamatosan mozgatnak, érdemes sűrűbben ellenőrizni a pontosságot. Ezzel szemben a ritkán használt, biztonságosan tárolt műszerek esetében hosszabb intervallum is indokolható.
A laboron kívül mindig a környezet szabja meg a feltételeket.
Hosszméretek esetében a 20 °C a referencia, ezért üzemi környezetben két lehetőség van: vagy a darabot és a mérőt is kondicionáljuk, vagy hőmérséklet-kompenzációt alkalmazunk.
Elektronikus eszközöknél szintén figyelni kell, hiszen a bemelegedési idő kihagyása meglepően nagy szórást eredményezhet.
Ezért célszerű minden műszak elején egy rövid health check-et végezni. Jó gyakorlat, ha a munkahelyen kijelölt etalon is rendelkezésre áll, például mérőhasáb, ellenőrző csavar vagy etalon súly, és heti, illetve műszakindító ellenőrzések történnek. Ha bármelyik mérés kicsúszik a megállapított határértékből, a mérőt azonnal ki kell vonni, majd célzott ellenőrzésre vagy kalibrációra küldeni.
A rövid válasz az, hogy előbb-utóbb mindig kiderül, viszont ez drága mulatság.
Ha a mérőrendszer hibás adatokat ad, azzal ugyanis a minőségirányítás alapja rendül meg.
Gondoljunk csak egy nyomatékkulcsra, amelyet évek óta nem hitelesítettek: könnyen előfordulhat, hogy a csavarokat valójában túl lazán vagy éppen túl szorosan húzzák meg. Ez elsőre talán nem látszik, de egy autóipari alkatrésznél komoly következményekkel járhat, sőt akár biztonsági kockázatot is jelenthet.
Amennyiben egy eszköz kalibráción megbukik (OOT – out-of-tolerance), akkor kötelező a visszamenőleges hatáselemzés. Ilyenkor végig kell venni, hogy az adott mérőt hol és milyen döntésekhez használták, és felmerülhet az is, hogy szükség van-e termék-visszahívásra vagy utólagos ellenőrzésre.
Fontos, hogy erre a helyzetre előre legyen kidolgozott forgatókönyv, mégpedig hogy ki hozza meg a döntést, hogy milyen időszakra kell visszatekinteni, és hogyan történik a vevő felé a kommunikáció.
Sok kalibrálási jegyzőkönyvben az eredmény mellett u és U értékeket is feltüntetnek. A standard bizonytalanság, vagyis u egyfajta szórás-szerű mutató, ebből számítják az expanded bizonytalanságot, azaz U-t.
A gyakorlatban leggyakrabban k=2 lefedettségi tényezőt alkalmaznak, ami normális eloszlás és kellően nagy mintaszám esetén körülbelül 95%-os lefedettséget ad. A gyártás felé ezért érdemes úgy kommunikálni, hogy a mérés nem egyetlen pontos számot jelent, hanem egy tartományt, amelyen belül nagy valószínűséggel ott van a valódi érték.
Először is ott van maga a mérőeszköz, amelyet belső referenciához viszonyítunk. Ezt követi az akkreditált kalibráló labor, majd a nemzeti metrológiai intézet, végül pedig a nemzetközi etalonok.
Ha ezt a folyamatot dokumentáltan igazolni tudjuk, akkor az auditor és a vevő számára is egyértelmű, hogy nem egyedi, helyi méréseket végzünk, hanem olyan eredményeket adunk, amelyek a globális skálán is összevethetők.
Az egyik legfontosabb feladat egy világos, előre kidolgozott kalibrációs terv.
Ebben nemcsak azt kell rögzíteni, hogy mikor történjen a kalibráció, hanem azt is, milyen eszközzel, milyen körülmények között, milyen döntési szabály alapján értékelünk, és hogyan történik a dokumentálás.
Ugyanilyen lényeges a dolgozók bevonása.
Ha a kezelők tisztában vannak azzal, hogy egy leesett tolómérőt azonnal ki kell vonni a használatból, számos hibát előzhetünk meg. A karbantartási mérnököknek pedig nemcsak a gépekre kell figyelniük, hanem a mérőeszközökre is: ha gyanús eltérést tapasztalnak, jegyezzék fel, és indítsanak közbenső ellenőrzést.
Végül ne feledjük a TUR-arányt és az MSA-t. Az előbbi a kalibrálási oldal megbízhatóságáról szól, az utóbbi a gyártósori mérés tényleges képességéről. Ha mindkettő rendben van, a mérőrendszer nem lesz gyenge láncszem.
A mérési bizonytalanság tudatos kezelése, a visszavezethetőség igazolása és a TUR-arány következetes figyelembevétele együtt teremtik meg azt a szakmai alapot, amelyre biztonsággal lehet auditot és vevői bizalmat építeni.
Ha ehhez hozzávesszük a guard bandinggel támogatott döntési szabályokat, az MSA eredményeit, az adatvezérelt kalibrációs intervallumokat, a közbenső ellenőrzéseket és az OOT-eszközök előre meghatározott kezelését, akkor valóban nem az adatok játsszák a főszerepet, hanem a valóságot tükröző mérések. Így biztosítható, hogy ne a mérőrendszer tévedjen, hanem megbízható képet kapjunk a folyamat tényleges állapotáról.
Automatizálni ma már szinte minden iparágban lehet, de a kérdés, hogy valóban érdemes-e. Ugyanis egy új robot vagy látványos gépesítés nem feltétlenül hoz megoldást sem a minőségi problémákra, sem a termelés szűk keresztmetszeteire.
Akkor lesz valódi haszna, ha stabil alapfolyamatra épül, és mérhető, visszakövethető adatok támasztják alá. A következőkben ezért azt vizsgáljuk meg, hogyan mérjünk ciklusidőt érdemben, miként segíthet az OEE a döntéstámogatásban, és miért nem szűnik meg a selejt attól, hogy robotkar kerül a sor mellé.
Az OEE (Overall Equipment Effectiveness) a rendelkezésre állás, a teljesítmény és a minőség szorzatából adódik. Megfelelően használva pedig egy remek és gyors diagnosztikai eszköz a termelésben.
A probléma viszont akkor kezdődik, amikor egyetlen OEE-érték alapján akarunk beruházási döntést hozni. A mutató ugyanis önmagában nem mutatja meg, hol van a valódi szűk keresztmetszet. Hiába áll a sor végén egy robot, ha közben az anyagellátás akadozik, a nyers ciklusidő optimalizálása után is maradnak üresjáratok.
Ezért célszerű mindhárom tényezőt külön is validálni: a rendelkezésre állást az ütemezett és a nem tervezett állások szétválasztásával, a teljesítményt tényleges ciklusidő-méréssel, a minőséget pedig bomlással és okcsoportokra bontott selejtelemzéssel. Csak így érthetjük meg, miért annyi az OEE, amennyi – és hol kell valóban beavatkozni.
A célravezetőbb az, ha először a saját kiinduló állapotunkat mérjük fel, és ehhez viszonyítjuk a további eredményeket. A beruházási döntés logikája alapvetően egyszerű: az automatizálástól várható többlettermelést számszerűsíteni kell, majd ezt összevetni a teljes élettartamköltséggel.
Ehhez azonban elengedhetetlenek a megbízható, zajmentes adatok, mert csak így lehet valós képet kapni a folyamat valódi nyereségéről.
A ciklusidő azt az értéket jelenti, amit a gyakorlatban stabilan teljesíteni tudunk. A mérésnek több módszere van, de a lényeg mindig ugyanaz: elegendő mintát kell rögzíteni ahhoz, hogy a véletlen ingadozásokat kiszűrhessük.
A tapasztalatok szerint 30-50 egymást követő darab jó alapot ad, feltéve, hogy közben a körülmények változatlanok maradnak. Érdemes különválasztani a tiszta gépidőt, valamint az emberi és logisztikai ráfordításokat, hiszen az automatizálás jellemzően ezeken az utóbbiakon tud a legtöbbet faragni.
Nemcsak az átlagidőre, hanem a szórásra is érdemes figyelni, mert ebből derül ki, miért csúsznak el a műszakkezdések, illetve hol jelentkezik kihasználatlanság.
Célszerű együttesen kezelni a takt time, a ciklusidő és az áteresztőképesség mutatóit is. A takt time a vevői igényből számított célritmust jelenti, a ciklusidő pedig a tényleges folyamat ütemét.
Amennyiben a ciklusidő tartósan a takt alatt van, akkor az automatizálás valóban plusz kapacitást adhat. Ha viszont fölötte ingadozik, először a varianciát kell leszorítani, különben a beruházás nem hoz valós eredményt.
Az automatizálásról szóló döntés mindig az adatoknál indul, de valójában a méréstechnika megbízhatóságán áll vagy bukik. Ha szenzoros időmérést alkalmazunk fontos, hogy a jeladók és adatgyűjtők pontossága igazolt legyen.
Az ipari gyakorlat szerint az ellenőrző eszköz bizonytalanságának jóval kisebbnek kell lennie, mint a vizsgált tartomány, vagyis nem építhetünk beruházási megtérülést olyan adatokra, amelyeket zaj vagy drift torzít.
Éppen ezért a ciklusidő-adatgyűjtésre használt szenzor- és PLC-jelrendszert célszerű rövid Gage R&R vizsgálattal ellenőrizni. Ha a %GRR 10% alatt marad, az adatok alkalmasak döntéstámogatásra. Ha viszont nagy a szórás, érdemes növelni a mintaszámot, valamint külön kezelni a tiszta gépi és a logisztikai komponenseket.
A megtérülést érdemes egyszerű, közérthető módon számolni.
A képlet valójában nem bonyolult: az automatizálás utáni éves nettó haszonból kivonjuk az automatizálás előtti értéket, majd az eredményt elosztjuk a beruházás teljes élettartamköltségével.
Így megkapható a payback és az IRR. A nettó haszon több tényezőből áll össze: ide tartozik az óránkénti áteresztőképesség növekedése, a selejt arányának mérséklődése, a munkabér-megtakarítás, valamint az a forgótőke, amely a kevesebb műszak vagy a rövidebb átfutási idő miatt szabadul fel.
A költségoldalon viszont számolni kell a karbantartással, a pótalkatrészekkel, a szoftverfrissítésekkel, a képzésekkel, az energiaköltségekkel és a biztonságtechnikai kiadásokkal is.
Célszerű emellett érzékenységvizsgálatot végezni és megnézni, mi történik például, ha a tervezett ciklusidő csak 80-90%-ban teljesül, vagy ha a selejtcsökkenés kisebb a vártnál. Ez a fajta előrelátás segít elkerülni a túlzottan optimista terv számokat, és reális alapot ad a döntéshez.
Tipikus helyzet, amikor valaki robotkarral indítja az automatizálást, majd gyorsan kiderül, hogy a selejt ettől még nem szűnik meg.
A legtöbb minőségi probléma ugyanis a folyamatképesség hiányosságaira vezethető vissza: ingadozó beszállítói minőségre, nem megfelelő vagy instabil befogásra, hőmérsékleti ingadozásra, kopó szerszámokra vagy éppen felügyelet nélkül elsodródó paraméterekre. Ha ezek változatlanul maradnak, a robot legfeljebb nagyobb sebességgel és teljes konzisztenciával reprodukálja ugyanazt a hibát.
Éppen ezért a robotizálás előtt célszerű ellenőrizni a folyamatképességet (Cp/Cpk). Ha a kritikus jellemzők Cpk-értéke alacsony, akkor a robot csak gyorsabban állítja elő ugyanazt a selejtet. Ilyen helyzetben először a befogás stabilizálására, a hőmérséklet szabályozására és a szerszámállapot nyomon követésére kell koncentrálni. Ehhez jól bevált eszközök a rögzített befogások, a hőmérséklet-kondicionálás, a kritikus paraméterek SPC-vel történő nyomon követése, valamint az egyszerű Poka-Yoke megoldások.
Ha ezek rendben vannak, az automatizálás valóban képes lesz hozni a várt eredményt, és nemcsak gyorsítja, hanem minőségileg is erősíti a folyamatot.
Az automatizálás másik oldala az, amikor nem célszerű belevágni. Ha a termékváltozatok száma nagy, és a mix gyakran változik, könnyen előfordulhat, hogy a beállási idők és az átállások felemésztik a várt hasznot.
Ilyen környezetben általában jobban működik egy félautomata állomás cserélhető betétekkel, vagy egy moduláris rendszer, amely lépésenként bővíthető. Nagy mix és sűrű átállás mellett a SMED-módszer jellemzően gyorsabban térül meg, mint a teljes automatizálás, miközben a modularitás és a cserélhető betétek később is jól illeszthetők a gyártócella kialakításához.
Hasonló a helyzet alacsony darabszám, bizonytalan rendelésállomány vagy erős szezonális ingadozás esetén. Ilyenkor először érdemes az átfutási időt és a készletszinteket optimalizálni, és csak ezt követően érdemes gépesítésben gondolkodni.
A ciklusidő mérésénél az egyik legkritikusabb kérdés, hogy mit tekintünk normál működésnek. Ha a mintavételt a „legszebb” műszakra időzítjük, majd az így kapott adatokat kivetítjük a teljes naptári időszakra, szinte biztos, hogy torz képet kapunk. Sokkal helyesebb, ha több műszakból gyűjtünk mintát, és az így kapott eloszlást elemezzük.
Amennyiben a szórás nagy, akkor a tiszta automatizálás önmagában ritkán oldja meg a problémát. Ilyenkor érdemes inkább a kauxiliáris folyamatokhoz nyúlni: az anyaglogisztika javítása, a kézben tartott tartozékok rendszerezése, a sor közbeni minőségellenőrzés vagy egyszerű szenzoros visszacsatolások bevezetése sokszor kis ráfordítással is jelentősen csökkentik a varianciát, és egyúttal előkészítik a terepet a hatékonyabb gépesítéshez.
Az automatizálási döntéseknél a minőségirányítási követelményeket is számításba kell venni, hiszen az ellenőrzési pontok nem maradhatnak változatlanok, ha a folyamat átalakul.
A mérő- és ellenőrzőpontok logikáját mindig hozzá kell igazítani a megváltozott folyamathoz.
Amennyiben új szenzort építünk be, biztosítani kell a hiteles mérési hátteret is, különben előfordulhat, hogy az SPC-görbék jól mutatnak, de valójában félrevezetők. A gyártásközi ellenőrzések gyakoriságát szintén a kockázathoz célszerű igazítani: a beindulási szakaszban sűrűbben mintázunk, majd ahogy a folyamat stabilizálódik, fokozatosan ritkítjuk.
Így a minőségi kockázat számszerűsíthetővé válik, és beépíthető a megtérülési számításokba is.
A biztonságtechnikáról sem szabad megfeledkezni, még ha gyakran háttérbe is szorul a termelékenységi érvek mögött. Az automatizálás ugyanis nemcsak hatékonyságnövekedést, hanem kockázatok áthelyezését is jelenti.
Megváltoznak a védőburkolatok, a munkatér kialakítása és a karbantartás módja is. Ezek mind költség- és felelősségi tényezők, amelyek szerves részét képezik a projektnek. Amennyiben kimaradnak a tervezésből, könnyen előfordulhat, hogy a papíron vonzó ROI a gyakorlatban gyorsan elillan.
Automatizálni akkor érdemes, ha az alapfolyamat már stabil. Ez azt jelenti, hogy a ciklusidő mérhető és megbízható, az OEE értelmezhető, a szórás kézben tartható, valamint a minőségbiztosítás követi a folyamat változásait. Ha azonban a folyamat még ingadozik, célszerű először a stabilizálásra koncentrálni, és csak ezután újra feltenni a kérdést: mikor jött el az idő az automatizálásra.
Manapság egyre kevesebb gyártó engedheti meg magának, hogy ne lásson rá pontosan, mi történik a termelésben. Az OEE – vagyis az eszközhatékonyság mérésére használt mutató – ebben nyújt kapaszkodót.
Persze nem mindegy, hogyan vezetjük be. Ha az adatokat továbbra is kézzel gyűjtjük, könnyen fals képet kapunk a valós helyzetről. Az automatizált mérési rendszer nem csak időt spórol, hanem alapfeltétele annak, hogy megbízható adatokra építsünk döntéseket.
Ez az útmutató lépésről lépésre mutatja be, hogyan érdemes nekilátni egy OEE-rendszer kiépítésének. Kitérünk az induláshoz szükséges műszaki és szervezeti feltételekre, a megfelelő technológiai partner kiválasztásának gyakorlati szempontjaira, valamint azokra a mérföldkövekre, amelyek egy jól megvalósított implementáció során várhatók.
A cél nem általános tanácsok megfogalmazása, hanem olyan gyakorlati irányok bemutatása, amelyek különböző méretű és felépítésű gyártóüzemekben is alkalmazhatók. Mivel nincs két egyforma termelési környezet, ezért a leírt lépéseket mindig az adott működéshez kell igazítani.
Mielőtt konkrét megvalósítási lépésekre térnénk, érdemes tisztázni egy alapvető technikai feltételt: az OEE bevezetése akkor lehet sikeres, ha a rendszer képes önállóan, emberi beavatkozás nélkül adatot gyűjteni. Ez történhet szenzorokon, gépi interfészeken vagy integrált adatbázisokon keresztül.
Ezzel szemben a kézi adatbevitelre épülő rendszerek – legyen szó papíralapú vagy Excelben rögzített megoldásokról – nem nyújtanak megbízható alapot hosszú távon. Az ilyen formában rögzített adatok gyakran pontatlanok, késve állnak rendelkezésre, vagy akár el is veszhetnek, így a belőlük levont következtetések sem mindig helytállóak.
Ezért az útmutatóban kizárólag olyan OEE-rendszerek bevezetésére koncentrálunk, amelyek digitális adatgyűjtésre épülnek. Legyen szó egy kisebb gyártócelláról vagy egy teljes üzemegységről, már az első lépések előtt célszerű meghatározni, hogy milyen funkcionalitásra van szükség, és melyik megoldásszállító tudja azt stabilan biztosítani.
Az automatikusan gyűjtött adatok nemcsak pontosabbak, de lehetőséget adnak arra is, hogy a gyártás állapotát valós időben nyomon kövessük. Ez kulcsfontosságú ahhoz, hogy ne becslésekre, hanem tényleges működési adatokra alapozzuk a döntéseinket.
Emellett fontos előny, hogy a korszerű OEE-platformok többsége könnyen összekapcsolható más vállalati rendszerekkel – például ERP- vagy CMMS-szoftverekkel. Ezáltal az OEE nem önálló fejlesztésként jelenik meg, hanem szerves része lesz a teljes digitális infrastruktúrának.
Mielőtt végleges döntés születne egy konkrét rendszer mellett, érdemes kihasználni a rendelkezésre álló próbaidőszakot. A legtöbb szoftverszolgáltató kínál néhány hetes tesztelési lehetőséget, amely során éles üzemi környezetben is kipróbálhatjuk a rendszert.
Ez segít annak megítélésében, hogy valóban alkalmas-e a választott megoldás a saját gyártási folyamataink követésére és támogatására.
Ma már szinte minden korszerű OEE-megoldás kínál ingyenes próbaidőszakot – ezt érdemes maximálisan kihasználni. Ha egy adott szolgáltató nem biztosít ilyen lehetőséget, nem javasolt a továbblépés. Inkább érdemes visszajelzést adni az adott OEE-fejlesztőnek, hogy miért lenne indokolt legalább 30 napos díjmentes tesztelési lehetőséget biztosítani.
Amikor OEE-rendszer bevezetését tervezzük, célszerű még a pilot előtt kiválasztani az elsőként kipróbálni kívánt szolgáltatót. Alternatív megközelítésként az is működhet, ha több megoldást párhuzamosan tesztelünk azonos időben.
Bármelyik módszer mellett döntünk, a legfontosabb szempont, hogy még azelőtt, hogy pénzügyileg elköteleződnénk, pontosan tisztában legyünk azzal, mit kapunk a pénzünkért, és hogy a csapat – beleértve a közvetlen felhasználókat – mennyire találja használhatónak a kiválasztott rendszert.
Egy dániai ügyfelünk például úgy döntött, hogy egyszerre két rendszert próbál ki: az Evocont, valamint egy helyi OEE-szolgáltatót. Az egyik gépen az Evocon futott, míg a másikon a dán rendszer. A próbaidőszak végén kérdőív segítségével gyűjtöttek visszajelzést a csapattól.
Összesen 12 kolléga vett részt az értékelésben, és 11 kérdésre válaszoltak egytől ötig terjedő skálán, ahol az 1-es a „nagyon nehéz”, míg az 5-ös a „nagyon könnyű” értékelést jelentette.
A kérdések többek között arra irányultak, hogy mennyire volt egyszerű megismerkedni a rendszerrel – akár táblagépen, akár számítógépen –, milyen benyomásaik voltak a kollégáknak az első használat során, mennyire volt egyszerű az adatmódosítás, illetve mennyire találták a képernyőn megjelenő információkat hasznosnak és könnyen értelmezhetőnek.
A két rendszer összehasonlításából végül az Evocon került ki győztesként, mivel a felhasználók többsége ezt találta egyszerűbbnek és jobban kezelhetőnek.
Ebből az is világosan látszik, hogy ebben az esetben a használhatóság volt a döntés legfontosabb szempontja – minden értékelési szempontot ennek tükrében mérlegeltek. Természetesen más vállalatok más kritériumokat tartanak fontosnak, de bármi legyen is az elsődleges szempont, a végleges döntés előtt érdemes kipróbálni a rendszert.
Miután ezt az alapfeltételt tisztáztuk – vagyis azt, hogy kizárólag kipróbált rendszer mellett érdemes elköteleződni –, áttérhetünk a konkrét bevezetési lépések ismertetésére.
Elöljáróban fontos megjegyezni, hogy ez az útmutató nem tekinthető minden részletre kiterjedő, univerzális megoldásnak. Minden vállalat útja egyedi, és ehhez hasonlóan a teljesítményméréshez kapcsolódó bevezetési folyamat is eltérő lehet. A következőkben több mint tíz évnyi nemzetközi tapasztalat alapján összegzett ajánlásokat mutatunk be, amelyeket kis- és nagyvállalati környezetekben egyaránt alkalmaztak.
Természetesen ezeket a lépéseket a saját szervezeti működéshez célszerű igazítani. Vannak helyzetek, amikor egyes szakaszokat érdemes kihagyni, vagy másokkal kiegészíteni – attól függően, hogy a vállalat milyen fázisban tart a digitalizáció vagy az OEE bevezetés útján.
Most, hogy az alapokat tisztáztuk, nézzük meg az első és talán legfontosabb lépést: a célunk meghatározását.
Az OEE bevezetés első lépése annak tisztázása, hogy pontosan miért vágunk bele. Milyen problémát akarunk feltárni, és mit szeretnénk elérni? Ez lehet például az állásidők pontosabb követése, a műszakok közti teljesítménykülönbségek megértése vagy a gyártás átláthatóbbá tétele. A cél meghatározása segít abban, hogy a projekt végig kézzelfogható irányt kapjon, és a résztvevők is értsék, miért van rá szükség.
Tapasztalataink szerint a leggyakoribb indok egyszerűen az, hogy szeretnénk végre pontos képet kapni arról, mi történik a gyártásban. Ez a kérdés különböző formákban jelenhet meg – például „mennyi a tényleges gépidő?” vagy „miért teljesít gyengébben az egyik műszak a másikhoz képest?”. A közös pont ezekben: az átláthatóság hiánya. Ha ezt sikerül megteremtenünk, onnantól minden további kérdés és döntés megalapozottabb lehet.
A sikeres OEE-bevezetéshez elengedhetetlen egy olyan kijelölt személy, aki teljes felelősséget vállal a projektért a kezdetektől a lezárásig. A projektfelelősnek olyan szakembernek kell lennie, aki alaposan ismeri az OEE szemléletet és annak vállalati hatásait.
A feladata összetett lesz, hiszen ő vezeti a kezdeményezést, kapcsolattartóként működik a beszállító felé, koordinálja a csapatokat, kezeli a felmerülő kérdéseket, és biztosítja, hogy a megvalósítás végig a meghatározott cél mentén haladjon.
Emellett ő képviseli az OEE-projektet a szervezeten belül, és segít abban, hogy az elköteleződés és a fókusz ne veszítsen lendületet.
Fontos, hogy olyan személyt válasszunk, akinek van belső elismertsége, rendelkezik mandátummal a projekt végrehajtására, és képes mind technikai, mind üzleti szinten kommunikálni a kezdeményezést.
Az elkötelezettsége és motivációja a teljes csapatra inspiráló hatással lehet, különösen akkor, ha akadályokba ütközünk.
Amennyiben a bevezetés egyetlen gyártóegységre korlátozódik, elegendő egy bajnok kijelölése. Ha azonban több telephelyre is kiterjed a projekt, minden egyes egységhez szükség lehet egy projektfelelősre, akiket egy központi koordinátor fog majd össze.
Miután meghatároztuk a bevezetés célját és kijelöltük a felelőst, a következő lépés az érintett csapat edukálása.
Fontos, hogy mindenki tisztában legyen az OEE jelentésével, számításának módjával és azzal, milyen szerepet tölt be a vállalati célok elérésében. Ehhez nemcsak a felsővezetés támogatására van szükség – bár az elengedhetetlen –, hanem az operatív szint bevonása is kulcsfontosságú, hiszen a napi szintű adatrögzítés és követés az ő feladatuk lesz.
A megértést és az elköteleződést a teljes szervezeti szinten biztosítani kell. Ennek része az IT-biztonsági csapat bevonása is, még akkor is, ha ők nem feltétlenül értik az OEE szakmai részleteit. Nekik azonban tudniuk kell, hogyan történik az adatok gyűjtése, tárolása és védelme – ezt minél előbb tisztázni kell.
Általánosságban elmondható, hogy az OEE-fejlesztés és a vállalati működés sikere közötti kapcsolatot egyértelműen ki kell hangsúlyozni, hogy minden érintett értsen és támogasson.
A projekt méretétől függően eltérő pilotmegközelítések lehetnek indokoltak.
Egy kisebb gyár esetében elegendő lehet egyetlen gép, míg nagyobb szervezetnél akár teljes gyártósor vagy külön üzem is szóba jöhet első lépésként. Az a cél, hogy a bevezetés kezdetben kontrollált környezetben történjen, ahol az esetleges hibák gyorsan észlelhetők és kezelhetők.
Több nemzetközi példából is azt láttuk, hogy nagyvállalatok gyakran egy már motivált gyáregységben kezdik a bevezetést, máskor pedig egyetlen, jól kiválasztott gépen, ahol az operátor nyitott az új szemléletre.
A kiválasztásnál az is szempont, hogy mennyire számít nehéz terepnek a szervezet belső kultúrája. Ha ellenállás várható, akkor érdemes olyan egységgel vagy operátorral kezdeni, aki nyitott és hajlandó az új rendszer használatára.
Amennyiben nincs egyértelműen kiemelhető gyártóhely vagy gép, célszerű lehet több telephelyen párhuzamosan indítani a pilotokat. Ez segít felismerni, ha egy adott helyen a rendszer bevezetése nem a technológián, hanem a helyi működésen múlik.
Mint ahogy azt korábban is említettük, a pilotfázis lehetőséget ad arra is, hogy különböző beszállítók megoldásait teszteljük. Például, ha két OEE-rendszer közül választanánk, akkor futtathatjuk az egyiket az egyik gépen, a másikat egy másikon. Ez értelemszerűen növeli a komplexitást, de segíthet biztos döntést hozni.
Miután kiválasztottuk a pilot projektet, a következő logikus lépés egy konkrét cél meghatározása. Fontos, hogy ez a cél reális, elérhető legyen, és illeszkedjen a nagyobb szervezeti törekvésekhez – vagyis az erőforrások hatékonyabb kihasználásához és a termelés gazdaságosságának javításához.
Tapasztalataink alapján nem célszerű magát az OEE-értéket közvetlen célul kitűzni a bevezetés elején. Ennek egyik oka, hogy sem az operátorok, sem a vezetés nem feltétlenül rendelkezik még mélyebb megértéssel a mérőszám működését illetően. Másrészt az élő adatgyűjtés és annak helyes értelmezése időt igényel – nem tanácsos azonnal számon kérni a százalékos hatékonyságot.
Ehelyett érdemes olyan célt meghatározni, amely egyszerű, mégis ösztönöz a tanulásra.
Egy jól működő gyakorlat például az, hogy minden állásidő típushoz rendelni kell egy rövid, indokló megjegyzést. Ezzel párhuzamosan kialakul az adatgyűjtés szokása, és már a kezdetektől láthatóvá válnak a leggyakoribb veszteségforrások.
Ennek előnye, hogy egyszerű – és az egyszerű dolgok jobban beépülnek a napi rutinba. Ha az operátor csak annyit kap feladatul, hogy minden gépmegállást indokoljon néhány szóban, nem borítjuk fel a megszokott munkamenetét, ugyanakkor minden szereplő – legyen az karbantartás, minőségügy vagy gyártásvezetés – hasznos adatokhoz jut.
Ugyanilyen fontos, hogy az adatgyűjtés elindítása előtt a leállási okokat világosan definiáljuk. Az okok egységesítése (standardizálása) hosszú távon elengedhetetlen ahhoz, hogy az OEE-értékek valóban összehasonlíthatók és értelmezhetők legyenek.
Amikor az OEE-rendszer elindul fontos, hogy a benne szereplő adatokban minden érintett meg tudjon bízni. Ez csak akkor valósulhat meg, ha rendszeres az adatok ellenőrzése és az eredmények átlátható módon kerülnek visszacsatolásra.
A gyakorlatban ez többféleképp történhet. Sok esetben már az is elég, ha a szenzoros adatok megbízhatónak bizonyulnak, hiszen korábban semmilyen összevethető adat nem állt rendelkezésre.
Más esetekben – például egy korábbi partnerünknél – az operátorok még párhuzamosan papíron is vezették az adatokat, hogy összevethessék az Evocon rendszerével. Ez természetes reakció, különösen, ha például a bónuszrendszer is az adatgyűjtés eredményétől függ. Amennyiben ilyen helyzettel találkozunk, célszerű digitális kalkulátort biztosítani számukra, hogy ne kelljen papírral dolgozniuk.
Fontos felismerni, hogy mindig lesznek olyanok, akik kételkednek, és olyanok is, akik nyitottak az újításra. A bizalomépítés akkor lehet sikeres, ha mindkét oldal kérdéseire választ adunk, és bevonjuk őket a folyamatba.
Hosszú távon a cél az, hogy az OEE-platform váljon az elsődleges információforrássá.
Ehhez viszont elengedhetetlen az oktatás, a magyarázat és az őszinte kommunikáció.
A kezdeti időszakban segíthet, ha a műszakváltásokat követően közösen átnézzük a termelési adatokat. Így lehetőség nyílik arra, hogy a műszakvezető az operátorokkal közösen értelmezze, mi történt, és hol lehetne javítani.
Ahogy az OEE-bevezetés előrehalad, a következő fontos lépés az adatok következetes nyomon követése egy erre szolgáló dashboardon keresztül. Ez teszi lehetővé, hogy a gyűjtött adatokat ne csak gyűjtsük, hanem valóban elemezzük is, és a hatékonyság javítása a napi gyakorlat részévé váljon.
A kezdetekkor érdemes a leállási adatokra koncentrálni – ezek jellemzően gyors sikereket hoznak, és segítenek feltárni a legnagyobb szűk keresztmetszeteket. Később azonban szükség van a mélyebb elemzésre is: például sebességveszteség, minőségi veszteség vagy átállási idők vizsgálatára, hogy teljes képet kapjunk az OEE összetevőiről.
Amennyiben az adatok alapján problémák rajzolódnak ki, akkor célszerű strukturált problémamegoldó módszertanokat alkalmazni. Ezek az intézkedések csak akkor hatékonyak, ha az adatelemzésen alapulnak, és az eredményüket vissza is mérjük – például OEE vagy egyéb KPI alapján. Csak így derülhet ki, hogy a beavatkozás valóban eredményes volt-e.
Ne feledjük: itt nem pusztán adatgyűjtés történik, hanem egy új működési szemlélet, egy kultúra építése. Az adatok rendszeres elemzése és a rájuk adott következetes válasz az, ami hosszú távon fenntartható fejlődést eredményez.
Ha még nincs gyakorlatunk problémamegoldó technikák terén, akkor célszerű a jól ismert 5 Miért módszerrel kezdeni. Később jöhetnek a komplexebb eszközök, mint az Ishikawa-diagram, az A3 riport vagy az ASQ-keretrendszer.
Az OEE-bevezetés utolsó lépése a rendszeres felülvizsgálat és korrekció. Ennek során visszatekintünk az eddigi célkitűzésekre, és megvizsgáljuk, mennyire sikerült teljesíteni azokat. Ha szükséges, módosítjuk a célokat és a bevezetés ütemezését.
Ez az a pont is, amikor eldőlhet, hol folytatjuk az OEE-kiterjesztést. Lehet, hogy a pilotban részt vevő gyárban újabb gépekre vezetjük be, vagy akár egy másik gyár következik. A lényeg, hogy kis lépésekben haladjunk, és ne egyszerre akarjunk mindent lefedni.
Érdemes itt visszatérni a kiindulási pontra: újraértelmezni az eredeti célt, és ehhez igazítani a következő fázis célkitűzéseit. Ezután új ciklus indul – immár magasabb szinten.
Amennyiben az adataink már megfelelő minőségűek és konzisztens módon állnak rendelkezésre, lehetőség nyílik az OEE-értékek iparági benchmarkokkal vagy más üzemek eredményeivel való összevetésére. Ez segít abban, hogy reális célszámokat határozzunk meg a további fejlődéshez.
Ez az útmutató abban kíván segíteni, hogy a vállalaton belül olyan kultúra alakuljon ki, amely értékként tekint a folyamatos fejlesztésre, és aktívan támogatja is azt. Ez az egyetlen módja annak, hogy az elért eredmények hosszú távon is fenntarthatók maradjanak.
Fontos, hogy minden munkatárs érezze, a visszajelzéseinek és javaslatainak súlya van. Teret kell adni annak is, hogy a hibák ne elhallgatandó események, hanem tanulási lehetőségek legyenek. Ha ez a szemléletmód gyökeret ver, akkor az OEE-rendszer valóban hozzásegíti a szervezetet a céljai eléréséhez – legyen az átláthatóság, hatékonyság vagy versenyképesség.
Reméljük, hogy ez az útmutató hasznosnak bizonyul az OEE bevezetési folyamat során. Amennyiben bármilyen kérdés merülne fel, a csapatunk örömmel segít.
Gyártóként folyamatosan figyelnünk kell a működésünkre, és ahol lehet, javítanunk is rajta.
Ennek az alapja, hogy tudjuk, milyen teljesítménymutatók alapján érdemes értékelni az adott folyamatokat.
Épp ezért az alábbiakban áttekintjük, hogyan választhatjuk ki azokat a KPI-okat (Key Performance Indicator – kulcsteljesítmény-mutatókat), amelyek valóban relevánsak lehetnek a saját gyártási környezetünkben.
Emellett bemutatunk tizenkét olyan mérőszámot is, amelyet – tapasztalataink alapján – érdemes lehet bevezetni. Akár egyetlen gyártósor működését irányítjuk, akár egy teljes üzemét, ezek a mutatók segíthetnek abban, hogy tisztábban lássuk a teljesítményünket, és célzottabban tudjuk elindítani a fejlesztéseket.
A KPI egy olyan mérőszám, amely azt mutatja meg, hogy egy vállalat mennyire hatékonyan halad a kitűzött céljai felé.
Más iparágakban sokszor általános KPI-okkal dolgoznak – például nyereséghányaddal, árbevétel-növekedéssel vagy ügyfélelégedettséggel.
A gyártás esetében azonban jellemzően jóval specifikusabb mutatókra van szükség, amelyek valóban leképezik a termelési hatékonyságot, az erőforrások kihasználtságát vagy a kibocsátott termékek minőségét.
A kulcsteljesítmény-mutatók objektív, adatalapú visszajelzést adnak a termelési folyamatokról. Ezekre támaszkodva nem becslésekre, hanem tényleges adatokra építhetjük a döntéseinket.
Így könnyebben felismerhetjük, hol vannak veszteségforrások vagy szűk keresztmetszetek, és megalapozottan tudunk javításokat bevezetni. A megfelelő KPI-ok kiválasztása tehát annak biztosítéka, hogy ne találgatásra, hanem tényszerű működésre alapozzuk a fejlesztéseinket.
A gyártás hatékonyságának objektív méréséhez többféle mutató is rendelkezésünkre áll. Az alábbiakban ezek közül a tizenkét legfontosabbat mutatjuk be.
Elsőként a legátfogóbb és talán legismertebb mutatót vesszük górcső alá: az OEE-t.
Az OEE – magyarul teljes eszközhatékonyság – egy lean gyártásban széles körben alkalmazott mérőszám, amelynek célja, hogy számszerűen értékeljük egy adott gyártási folyamat hatékonyságát. Ez adott esetben lehet például egy összeszerelő sor, egy gépcella, egy csomagolóvonal vagy egy töltőgép.
Az OEE rendszeres nyomon követése lehetővé teszi számunkra, hogy beazonosítsuk és csökkentsük a termelés során fellépő hat fő veszteségtípust.
Ezek mindegyike közvetlen pénzügyi hatással bír, így az OEE javítása szinte minden, költséghez köthető KPI értékére pozitív hatással lehet. Mivel az OEE az egész vállalat működésére kihatással van, pénzügyi KPI-ként is értelmezhető.
Az OEE egyrészt azért tekinthető központi mutatónak, mert közvetlenül befolyásolja a termelékenységet, az állásidőt, a ciklusidőt, az üzemi költségeket és számos egyéb tényezőt. És amennyiben az OEE javul, az láncreakció-szerűen más kulcsmutatókban is javulást eredményezhet.
Másrészt viszont, ahogy a cikkünkben is kifejtettük, sokkal több is, mint egy szimpla KPI. Az egyik legnagyobb előnye ugyanis, hogy egyetlen számba sűríti a három legkritikusabb veszteségforrást: az állásidőt, a lassú ciklusokat és a selejtet.
Így nemcsak a teljesítményt értékeli, hanem irányt is mutat, hogy hol érdemes beavatkozni.
Éppen ezért az OEE nem pusztán mér, hanem rendszerszintű gondolkodásra kényszerít.
Az OEE három tényező szorzataként adható meg:
OEE = Rendelkezésre állás × Teljesítmény × Minőség
A három tényezőt külön-külön, százalékos formában szükséges kiszámítani.
A rendelkezésre állás azt mutatja meg, hogy a tervezett produktív időhöz képest mennyi ideig működött ténylegesen a berendezés.
Ez az alábbi képlettel számítható ki :
Rendelkezésre állás% = (Futási idő / Tervezett termelési idő) × 100%
A teljesítmény azt mutatja meg, hogy az adott idő alatt mennyi termék készült el a lehetséges maximumhoz képest.
Ennek kiszámítása:
Teljesítmény% = (Legyártott egységek száma / Elméletileg maximális egységszám) × 100%
A minőség azt vizsgálja, hogy az elkészült termékek mekkora része volt elsőre hibamentes:
Minőség% = (Elsőre jó termékek száma / Összes legyártott darab) × 100%
Az így kapott három érték szorzataként megkapjuk az adott gép vagy termelési folyamat OEE-értékét, amely 0–100% közötti érték lehet.
Tipp: Az OEE számításáról szóló részletes cikkünk a linkre kattintva olvasható.
Ez a mutató azt méri, mennyibe kerül egy adott gép vagy munkacella egyórás üzemeltetése.
Az érték magában foglalja a munkabéreket, az energia- és közüzemi díjakat, a karbantartási költségeket, valamint minden egyéb, a gépek működtetéséhez kapcsolódó tételt. Ez a mutató világosan megmutatja, hogy az adott gyártási egység üzemeltetése óránként mennyibe kerül. Segítségével gyorsan felmérhető, hogy az aktuális árképzés és gyártási stratégia pénzügyileg mennyire tartható.
Amennyiben az óránkénti költség csökken, az vagy a nyereséghányadot növeli, vagy mozgásteret ad az árversenyhez. Érdemes megjegyezni, hogy az OEE javítása gyakran közvetve az üzemeltetési költségeket is mérsékli.
Egy jó példa erre a karbantartás, hiszen egy jól karbantartott gép kevesebbet áll, ritkábban hibásodik meg, így kevesebb kiesett időt és kisebb javítási kiadást jelent. Épp ezért már önmagában az is költségcsökkentő hatású, ha sikerül visszaszorítanunk a nem tervezett leállásokat.
Üzemi költség óránként = (Munkaerőköltség + Közüzemi díjak + Karbantartás + Egyéb költségek) / Géphasználati órák száma
Tegyük fel, hogy egy CNC-gép egyórás működtetése jelenleg 100 euróba kerül. Ha az energiafogyasztást optimalizáljuk és csökkentjük a karbantartási igényeket, ez az érték akár 85 euróra is csökkenhet. Ez óránként 15 eurós megtakarítást jelent.
A következő KPI a termelési teljesítmény, amely azt mutatja meg, hogy egy adott időtartam alatt mennyi termék készül el – például napi 100 darab vagy percenként 5000 liter.
Ez a mutató alkalmazható egy teljes üzemre, egy munkacellára, egy gyártósorra vagy akár egy konkrét gépre is. Ha egy konkrét berendezésről van szó, akkor az elméleti maximális kapacitást a gyártó adattáblája határozza meg.
A termelési teljesítmény értékének ismerete több szempontból is hasznos. Alapvetően ahhoz, hogy meg tudjuk tervezni a gyártási kapacitást, tisztában kell lennünk azzal, hogy egy adott időintervallumban mekkora mennyiséget tudunk előállítani.
Termelési teljesítmény = Legyártott egységek száma / Időtartam
Ha egy üzem jelenlegi áteresztőképessége napi 100 egység, de az OEE mindössze 55%, akkor egy 10%-os OEE-javulás eredményeképpen napi tíz egységgel több terméket állíthatunk elő.
A legjobb ebben az, hogy a kibocsátás növelése nem igényelt új gépbeszerzést, új munkaerő felvételét vagy bármilyen egyéb beruházást. Csupán az OEE segítségével sikerült feltérképezni, hogy hol vannak a főbb veszteségek, és ott beavatkozva hatékonyabbá válhatott a működés. (Ezért is írtuk korábban, hogy az OEE sokkal több, mint egy KPI.)
A termelékenység és a hatékonyság is egyaránt fontos, de ha KPI-ként szeretnénk őket használni, célszerű egyet kiválasztani közülük, mivel lényegében ugyanazt az eredményt vizsgálják.
Mindkét mutató ugyanúgy számolható: a kimenetet elosztjuk a bemeneti erőforrásokkal.
A termelékenység alapvetően az output és az input arányát fejezi ki.
Vegyünk egy egyszerű példát: ha ma 10 munkaórára van szükségünk egy termék előállításához, amelyet 500 euróért értékesítünk, és holnap a folyamat javítása révén ugyanezt 8 óra alatt el tudjuk készíteni, akkor a termelékenység nőtt.
Tegnap: 500 / 10 = 50 €/óra
Ma: 500 / 8 = 62,5 €/óra
Változás: (62,5 – 50) / 50 × 100% = +25%
A hatékonyság definíció szerint azt fejezi ki, hogy mennyire vagyunk képesek minimalizálni az anyag-, idő- és energiafelhasználást.
Nézzünk egy példát.
Tegyük fel, hogy egy gyártósoron egy futás során 10 000 csomag palackozott vizet állítunk elő, csomagonként 2 € értékben, azaz 20 000 € bevétellel. A munkaerő- és anyagköltség 15 000 €. Ebben a hónapban új palack beszállítóra tértünk át, amely ugyanolyan áron jobb minőséget szállít, így nem keletkezik selejt, és ezzel minden futásnál 500 dollár anyagköltséget spórolunk.
Régi beszállítóval: 20 000 / 15 000 × 100% = 133%
Új beszállítóval: 20 000 / 14 500 × 100% = 143%
Változás: (143 – 133) / 133 × 100% ≈ +7,5%
Ahogy az OEE javul, úgy a termelékenység és hatékonyság értékei is javulnak. Ennek oka, hogy az OEE a hat fő veszteség kezelésének hatékonyságát tükrözi. Ha például csökkentjük a selejtet, akkor kevesebb az anyagveszteség, ezáltal pedig javul a hatékonyság és nő a termelékenység is.
A kapacitáskihasználtság azt mutatja meg, hogy a rendelkezésre álló gyártási idő hány százalékát használjuk ténylegesen termelésre. Más megközelítésben: ez a mutató segít eldönteni, hogy tudunk-e új megrendelést vállalni.
A fix eszközök – például az üzemcsarnok vagy a géppark – nagy értéket képviselnek, ezért minél jobban kihasználjuk őket, annál gazdaságosabb a működés. Nem véletlen, hogy ez a KPI kiemelten fontos mutató a gyártásban.
Ha például sikerül csökkentenünk a nem tervezett leállások számát, az OEE-értékünk nőni fog, és ezzel párhuzamosan nő a rendelkezésre álló gyártási kapacitás is. Más szóval: az OEE javításával együtt nő a kapacitáskihasználtság is.
Kapacitáskihasználtság = (Tényleges kibocsátás / Elméleti maximális kibocsátás) × 100%
Amennyiben a gyártósor napi 1000 egység előállítására képes, de jelenleg csak 700 darabot készítünk, akkor a kapacitáskihasználtság 70%. Ha a gépek rendelkezésre állását javítjuk és csökkentjük az átállási időt, a napi kibocsátás 850 darabra nőhet. Ez már 85%-os kapacitáskihasználtság – mindezt anélkül, hogy új berendezést vásároltunk volna.
Az átfutási idő azt az időtartamot jelöli, amely egy megrendelés beérkezése és annak kiszállítása között eltelik.
Ennek csökkentése két alapvető előnnyel jár.
Egyrészt lehetőséget ad arra, hogy gyorsabban reagáljunk a vevői igények változásaira. Ha rövidebb az átfutási idő, hamarabb el tudjuk indítani a különböző termékek gyártását, így rugalmasabban tudunk új megrendelésekhez alkalmazkodni.
Másrészt, ha egy terméket gyorsabban elő tudunk állítani, az azt is jelenti, hogy a készlet formájában lekötött pénzösszegeket hamarabb forgatjuk vissza. Vagyis minél rövidebb ideig áll tőkénk alapanyagban vagy félkész termékben, annál hatékonyabb a gazdálkodásunk.
Gyakorlati tapasztalataink szerint az OEE javítása gyakran azzal jár, hogy adott gyártási tételhez kevesebb órára van szükség. Ebből következik, hogy az OEE javulása közvetlenül hozzájárul az átfutási idő csökkenéséhez is.
Átfutási idő = Megrendelés kiszállításának dátuma – Megrendelés beérkezésének dátuma
Tegyük fel, hogy jelenleg 14 nap szükséges a rendeléstől a kiszállításig. Ha a gyártástervezés hatékonyságának növelésével és a gépleállások csökkentésével ezt sikerül 10 napra szorítani, akkor az átfutási idő 28%-kal javult.
Az energiaarány azt mutatja meg, hogy egységnyi termék előállításához mennyi energiát használunk fel – jellemzően kilowattórában (kWh).
Mivel az energia a gyártási rezsiköltségek egyik fő összetevője, ennek a KPI-nak az alkalmazása segít az energiahatékonysági veszteségek feltérképezésében.
Az OEE egyik komponense, a teljesítmény, közvetlenül hatással van a ciklusidőre: minél rövidebb egy ciklus, annál kevesebb energia fogy egy termékre vetítve.
Energiaarány = Felhasznált energia (kWh) / Legyártott egységek száma
Ha egy üzem 1000 kWh-t használ fel 500 darab termék legyártásához, akkor az energiaarány 2 kWh/egység. Ha ezt sikerül 1,8 kWh/egységre csökkenteni, az nemcsak energiamegtakarítást, hanem költségcsökkentést is jelent.
A ciklusidő azt az időtartamot jelöli, amely egyetlen termék legyártásához szükséges – a gyártási folyamat kezdetétől annak végéig.
A rövidebb ciklusidő gyorsabb termelést, magasabb termelési teljesíményt és jobb reakcióképességet jelent. Emellett megbízhatóbbá válik a gyártási ütemezés és az előrejelzés is.
Az OEE javítása – különösen, ha a gépek rendelkezésre állását és a folyamatok sebességét sikerül növelnünk – közvetlenül kihat a ciklusidőre is. A gyártás így nemcsak gyorsabbá, hanem kiszámíthatóbbá is válik, ami nagy előnyt jelent az ütemezés és a kapacitástervezés szempontjából.
Ciklusidő = Teljes gyártási idő / Legyártott egységek száma
Tehát amennyiben például 100 darab alkatrész legyártása 3 óra 20 percet vesz igénybe, az egy egységre vetített ciklusidő 2 perc. Ha a szerszámcseréket hatékonyabban szervezzük meg, és az operátori várakozási időket is sikerül visszaszorítani, a ciklusidő 1,8 percre csökkenhet. Ez a módosítás ekkor hozzávetőlegesen 10%-os javulást eredményez.
Az állásidő minden olyan időszakot magában foglal, amikor a termelés nem történik meg.
Ennek két típusa van: a tervezett és a nem tervezett állásidő. Ide tartozik például a karbantartás, az átállások, a meghibásodások és az üresjáratok.
Az állásidő a termelékenység egyik legfőbb ellensége. Rendszeres monitorozása lehetőséget ad arra, hogy csökkentsük a megszakításokat, és javítsuk a gépek megbízhatóságát. A nem tervezett állásidő közvetlenül rontja az OEE egyik kulcselemét, a rendelkezésre állást. Így ennek csökkentésével az OEE értéke is javul.
Állásidő aránya = Állásidő (perc vagy óra) / Tervezett gyártási idő
Ha tehát egy gép egy 8 órás műszakban 2 órát áll, akkor az állásidő aránya 25%. Amennyiben a karbantartási ütemezés javításával és a várakozási idők csökkentésével ezt 1 órára tudjuk mérsékelni, akkor az állásidő arány 12,5%-ra csökken.
Az FPY (First Pass Yield) azt mutatja meg, hogy a legyártott egységek mekkora hányada felel meg elsőre, javítás vagy újragyártás nélkül.
A magas FPY megbízható gyártási folyamatra és jó minőségre utal. Ezzel szemben az alacsony FPY megnövekedett munkaerő-igényt, anyagpazarlást és szállítási késedelmet eredményez. Az FPY közvetlen kapcsolatban áll az OEE minőségi komponensével – ha javul az FPY, javul az OEE is, miközben csökken a selejt és a veszteség.
FPY = (Megfelelő minőségű egységek / Összes legyártott egység) × 100
Amennyiben 1000 alkatrészt gyártunk, és ezek közül 950 darab megfelel elsőre, akkor az FPY értéke 95%. Ha a kezelők képzésének fejlesztésével és a gépkalibráció finomhangolásával ez 980 darabra nő, az FPY már 98%.
Ez a KPI azt mutatja meg, hogy adott munkaerő-ráfordítással hány terméket tudunk előállítani, vagyis a munkaerő termelékenységét méri.
Minél magasabb tehát ez az érték, annál hatékonyabb a gyártási folyamat, mivel ugyanazzal az erőforrással több egység készül el. Ez a mutató épp ezért nagyon hasznos lehet akkor, ha célunk a benchmarking vagy a munkaerő-hatékonyság növelése.
Az OEE javulása általában gördülékenyebb munkafolyamatot és kevesebb megszakítást eredményez, ami közvetve hozzájárul ahhoz, hogy ugyanannyi idő alatt több egységet tudjunk legyártani.
Egység munkaóránként = Legyártott egységek száma / Munkaórák száma
Ha egy csapat 600 darab terméket állít elő 200 munkaóra alatt, az 3 egység/óra. A szerszámozás fejlesztésével vagy a szűk keresztmetszetek csökkentésével ez akár 4 egység/órára is növelhető.
A tak tidő azt az időt jelöli, amely két egymást követő termék gyártásának megkezdése között eltelik. Ideális esetben a gyártási taktidő szinkronban van a vevői igényekkel. Ez azt jelenti, hogy pontosan annyit és akkor gyártunk, amikor a piac azt igényli.
Ha a folyamat hatékonyan működik (vagyis magas az OEE értéke), akkor könnyebben tartható a vevői igényhez illeszkedő takt idő is. Ezáltal csökkenthető a túltermelés, nő a gyártási folyamat áramlása, és csökkennek a veszteségek.
Viszont fontos, hogy a takt idő nem egyenlő a ciklusidővel. Hiszen amíg a ciklusidő a tényleges gyártási időt jelöli, addig a takt idő a kereslet alapján számított elméleti időközt.
Tak tidő = Elérhető gyártási idő / Vevői igény
Ha napi szinten 480 perc áll rendelkezésünkre, és a napi vevői igény 120 darab, akkor a takt idő 4 perc/termék.
Most, hogy áttekintettük, milyen KPI-okat érdemes figyelemmel kísérni, ideje megvizsgálni, mely mutatók illeszkednek legjobban a saját gyártási környezetünkhöz.
A legtöbb gyártási KPI közvetlen kapcsolatban áll a költségekkel – akár selejt, állásidő, akár erőforrás-pazarlás csökkentéséről van szó. Ha kétségeink vannak, érdemes megkérdezni magunktól azt, hogy „Ez a mutató vajon hogyan segíti a működésünk hatékonyabbá tételét?”
Elsőként érdemes meghatározni, mit értünk siker alatt. Költségcsökkentésre törekszünk? Növelni szeretnénk a kapacitást? Vagy épp a minőséget javítanánk? Esetleg mindhárom cél egyszerre megjelenik?
Ezután azonosítanunk kell azokat a kritikus pontokat – például szűk keresztmetszeteket, minőségi problémákat vagy erőforrás-pazarlásokat –, amelyek visszafogják a teljesítményünket.
Fontos, hogy csak olyan mutatókat kövessünk, amelyek mérése konzisztens és pontos adatokra épül. Ha a rendelkezésre álló adatok megbízhatatlanok vagy hiányosak, az ugyanis félrevezető következtetésekhez vezethet.
A cikk során részletesen áttekintettük a legfontosabb gyártási kulcsmutatókat, azok jelentéstartalmát, valamint azt is, milyen szempontok alapján érdemes közülük választanunk. A bemutatott példák rávilágítottak arra, hogy az OEE fejlesztése milyen mértékben befolyásolja pozitívan a többi KPI alakulását.
Fontos hangsúlyozni, hogy az OEE nem csupán egy a sok mérőszám közül – valójában egy olyan átfogó mutató, amely több más indikátor eredményességét is képes javítani. Amennyiben sikerül optimalizálnunk az OEE értékét, azzal csökkenthetjük a gépek állásidejét, mérsékelhetjük a selejtarányt, és megalapozottabbá válhatnak a termelési hatékonyságra épülő beruházási döntéseink.
Az OEE pontos és megbízható nyomon követésére ma már korszerű, valós idejű adatgyűjtésen alapuló szoftverek állnak rendelkezésre. Ezek lehetővé teszik, hogy a teljes gyártóüzem működését átfogóan, részleteiben is figyelemmel kísérhessük.
Az Evocon Shift View modul révén valós időben nyerhetünk betekintést a műszakok során keletkező legfontosabb termelési adatokba – legyen szó állásidőről, sebességcsökkenésről, selejtről vagy az aktuális OEE értékről.
Ezzel párhuzamosan az Evocon Dashboard biztosítja, hogy a teljesítménymutatókat – köztük az OEE-t – más KPI-okkal összevetve elemezhessük, akár irodai számítógépről, akár a gyártósorról, akár mobil eszközön keresztül.
A valós idejű vizualizáción túl az Evocon Reports modul részletesebb elemzési lehetőséget is kínál. Ennek köszönhetően olyan átláthatóság érhető el, amely elősegíti a célzott beavatkozásokat, támogatja a teljesítménycélok elérését, és hozzájárul a gyártási folyamatok hatékonyabbá tételéhez.
A gyártási kulcsmutatók kiemelt szerepet töltenek be a termelés hatékonyságának növelésében, a költségek ésszerűsítésében és a megalapozott, adatalapú döntések előkészítésében. Bár minden üzem és gyártási környezet sajátos működési keretekkel rendelkezik, bizonyos KPI-ok – így például az OEE, a termelési teljesítmény, az átfutási idő vagy a First Pass Yield – univerzálisan alkalmazható mérőszámok, amelyek érdemi versenyelőnyt jelenthetnek.
Ezek a mutatók túlnyomórészt valamilyen módon a költséghatékonyság javításához vagy az erőforrás-felhasználás optimalizálásához kapcsolódnak, miközben számos esetben szoros összefüggésben állnak az OEE-vel is.
Nem cél, hogy a lehető legtöbb mutatót figyeljük egyszerre – sokkal inkább azokra érdemes koncentrálnunk, amelyek közvetlenül hozzájárulnak stratégiai céljaink eléréséhez.
Amennyiben ezeket megfelelő módon követjük, hatékonyabban ismerhetjük fel a fejlődési irányokat – legyen szó a termelékenység fokozásáról, a minőségi mutatók javításáról vagy az erőforrások célszerűbb kihasználásáról.
Az OEE az egyik legismertebb és leggyakrabban használt mutatószám a gyártóüzemek világában. De mit is jelent valójában a termelés szempontjából, hogyan számítják, és melyek azok az alapvető mérőszámok, amelyekre érdemes figyelni?
Ebben a cikkben ezekre a kérdésekre adunk választ Mark Wetherill (termelékenységi menedzser) és Aivar Künnapuu (üzemeltetési vezető), az OEE at Work című könyv szerzőinek gyakorlati tapasztalataira támaszkodva.
Az OEE (Overall Equipment Effectiveness), magyarul teljes eszközhatékonyság, a gyártási hatékonyság mérésének egyik legelterjedtebb és legmegbízhatóbb mutatója. Alapfogalom a lean gyártásban, és kulcsszerepet játszik minden olyan üzemben, ahol cél a termelékenység növelése – legyen szó egy teljes gyárról, termelési egységről, műhelyről vagy akár egyetlen munkaállomásról.
A magas OEE-érték azt jelzi, hogy a termelés hatékonyan, veszteségek nélkül zajlik. Ezzel szemben az alacsony érték arra utal, hogy az adott folyamatban rejtett tartalékok, ki nem használt kapacitások vannak jelen – ezt nevezzük „rejtett gyárnak”. Ezek a láthatatlan veszteségforrások akadályozzák a tényleges értékteremtést.
Az OEE egyszerre erőteljes és könnyen értelmezhető módszer – de csak akkor működik igazán jól, ha tudatosan, következetesen vezetjük be és alkalmazzuk.
Ehhez viszont elengedhetetlen az alapos előkészítés.
Első lépésként közös értelmezést kell kialakítanunk arról, mit tekintünk értéknek, és mi számít veszteségnek. Emellett megbízható és rendszeres adatgyűjtési gyakorlatra van szükség, amely biztos alapot ad az elemzésekhez.
Fontos továbbá, hogy a szervezet minden szintjén megértsék az OEE bevezetésének célját és előnyeit – csak így válhat a rendszer valódi eszközzé a mindennapi működésben. A sikeres implementáció egyik bevált módszere, ha először egy kisebb, jól meghatározott pilot projektben teszteljük az OEE alkalmazását, mielőtt vállalati szinten kiterjesztjük.
Noha az OEE gyakran szerepel teljesítménymutatóként, valójában nem pusztán az állapot rögzítéséről szól. Elsődleges funkciója, hogy eszközt adjon a kezünkbe a gépek és berendezések teljesítményének tudatos fejlesztéséhez. Segítségével a veszteségforrások láthatóvá és mérhetővé válnak, így lehetőség nyílik azok célzott, rendszerszintű megszüntetésére.
A teljes eszközhatékonyság mutató alkalmazásának célja, hogy átláthatóvá tegye a gyártási folyamat valódi állapotát. A gépek és termelősorok működése során keletkező veszteségek számszerűsítésével és vizuális megjelenítésével az OEE rávilágít arra, mit sikerült ténylegesen előállítani az elérhető erőforrásokkal – és mit lehetett volna, ha nem lennének veszteségek.
Ezt a különbséget nevezzük „rejtett gyárnak”, vagyis egy olyan kiaknázatlan termelési kapacitásnak, amely jelen van ugyan, de nem tud érvényesülni a működés során.
Az OEE dashboard – vagyis az adatok valós idejű, vizuális megjelenítése – segít feltárni a gyártás valódi potenciálját. Ezáltal a fejlesztési fókusz is pontosabban kijelölhető, a karbantartási stratégia pedig célzottabbá válhat.
Mivel az OEE nemcsak gépi problémákat mutat ki, hanem a veszteségek mögött álló szervezeti okokra is rámutat – például létszámhiány, anyagellátási nehézségek, nem optimális gyártástervezés vagy hosszú átállási idők –, komplex fejlesztési szemléletet tesz lehetővé.
Az OEE tehát egy olyan fejlesztési eszköz, amely képes rendszerszinten csökkenteni a gyártásban jelentkező hat fő veszteségtípust (Six Big Losses) – ezek minden gyártási környezetben jelen vannak, és csak tudatos beavatkozással szüntethetők meg.
A mai versenykörnyezetben, különösen az Ipar 4.0 korszakában, már nem engedhetjük meg magunknak, hogy a gyártósorok a valós lehetőségeik alatt működjenek. Az OEE alkalmazása éppen ebben segít: feltárja a veszteségeket, és irányt mutat a fejlesztésekhez – ezáltal hozzájárul a fenntarthatóbb, versenyképesebb működéshez.
Az OEE három fő tényezőből áll össze, amelyek együtt határozzák meg a berendezések termelési hatékonyságát:
A hat nagy veszteség koncepciója a TPM (Total Productive Maintenance – teljeskörű produktív karbantartás) módszertanából származik, és az évek során a gyártó szakemberek által széles körben tesztelt és bevált megközelítéssé vált. Lényege, hogy azokat a leggyakoribb veszteségforrásokat rendszerezi, amelyek közvetlenül befolyásolják az OEE értékét.
Bár szoros kapcsolatban áll a lean gyártásban ismert nyolc veszteségtípussal, a hat nagy veszteség jóval konkrétabb keretet ad: pontosan hozzárendeli a különféle hiányosságokat az OEE három alappilléréhez – a rendelkezésre álláshoz, a teljesítményhez és a minőséghez.
A koncepció legnagyobb előnye, hogy segít azonosítani azokat a konkrét pontokat a gyártás során, ahol valós veszteségek keletkeznek. Ezek felismerését követően célzott intézkedésekkel lehet csökkenteni vagy teljesen megszüntetni a hatásukat – így az OEE nemcsak mér, hanem valódi fejlesztési irányt is kijelöl.
A továbbiakban nézzük meg a három fő pillért részletesebben.
A rendelkezésre állás azt mutatja meg, hogy a tervezett működési időből mennyi idő állt ténylegesen a termelés rendelkezésére. Ez a mutató tehát azt jelzi, milyen arányban tudtuk a gépeket valóban használni a tervezett üzemidő során. Az ide tartozó veszteségek két fő csoportra oszthatók: nem tervezett leállásokra és tervezett leállásokra.
A nem tervezett leállások olyan eseteket jelentenek, amikor ugyan a berendezés működésére számítottunk – tehát az adott időszak gyártásra volt ütemezve –, de valamilyen váratlan esemény miatt a gép mégsem üzemelt.
Ilyen lehet például egy géphiba vagy technikai meghibásodás, előre nem látott karbantartási igény, az operátor vagy alapanyag hiánya, illetve az is előfordulhat, hogy a gépsor egy upstream (megelőző) gép miatt „éhezik”, vagy épp egy downstream (következő) gép miatt torlódás alakul ki, és emiatt leáll a termelés.
Példának okáért, ha egy szállítószalag váratlanul meghibásodik, és emiatt a teljes gyártási folyamat megszakad, akkor ez az időszak teljes egészében a nem tervezett veszteségek közé sorolandó.
A másik kategóriát a tervezett leállások alkotják. Ezek azok az időszakok, amikor a berendezés ugyan gyártásra van betervezve, de előre ismert és ütemezett műveletek miatt nem üzemel.
Ilyen lehet például az átállási folyamat, a szerszámok cseréje, a gépek takarítása, a rendszeres, tervezett karbantartás, illetve a minőségellenőrzési folyamatok. Emellett ide tartoznak a fizetett munkaközi szünetek, a műszak eleji eligazítások vagy megbeszélések is, amennyiben azok a termelési idő terhére történnek.
Tegyük fel például, hogy a gyártósor minden műszak után takarításra szorul. Ez az idő ugyan nem a termelésre fordítódik, mégis szükségszerű és tervezett folyamat – éppen ezért ez az idő a tervezett leállások közé tartozik, és ennek megfelelően kell kezelni az OEE számítása során.
Fontos megjegyezni, hogy a fenti két kategória – vagyis a nem tervezett és a tervezett leállások – megkülönböztetése gyártástechnológiai szempontból hatalmas jelentőséggel bír, hiszen más-más megközelítést igényelnek a javítási vagy fejlesztési javaslatok során.
Természetesen a rendelkezésre állásból eredő veszteségek pontos típusai és gyakorisága gyártóról gyártóra változhat, hiszen minden üzem egyedi gépparkkal, folyamatokkal és szervezeti működéssel rendelkezik. Jó kiindulópont lehet azonban, ha összegyűjtjük és rendszerbe foglaljuk a leggyakoribb gépleállási okokat, majd ezeket a TPM (Total Productive Maintenance) szemléletének megfelelően csoportosítjuk.
Végül, de nem utolsósorban érdemes megemlíteni, hogy a karbantartási leállásokat és az üzem teljes körű felújítását nem tekintjük rendelkezésre állási veszteségnek, mivel ezek nem a napi működés során keletkeznek, hanem hosszabb távú, tervezett beavatkozások eredményei.
Éppen ezért ezeket nem szabad beleszámítani az OEE kalkulációjába.
Ugyanez igaz azokra az időszakokra is, amikor a csökkent kereslet vagy szezonális ingadozások miatt eleve nem szükséges bizonyos műszakokat vagy napokat végigdolgozni. Ezeket a kieséseket szintén ki kell venni az OEE számítás alapjául szolgáló időből.
Az OEE második alappillére a teljesítmény. Ez a mutató arra ad választ, hogy a gyártósor vagy a berendezés mennyire hatékonyan működött a rendelkezésre álló idő alatt – vagyis hogy az adott időszakban mennyit termelt valójában ahhoz képest, amit elvileg képes lett volna előállítani, ha ideális körülmények között, a maximális sebességen üzemel.
Az összehasonlítás alapja az úgynevezett MDR, más néven az ideális ciklusidő. Ez azt mutatja meg, hogy egy termék legyártásához mennyi időre lenne szükség, ha minden optimálisan működne – például tökéletes alapanyaggal, tiszta géppel, megfelelő beállításokkal, és képzett kezelőkkel.
A teljesítményt rontó veszteségeket két fő csoportba sorolhatjuk: mikroleállások és lassú ciklusok.
A mikroleállás olyan rövid, jellemzően egy percnél is rövidebb megállást jelent, amikor a gép leáll ugyan, de az operátor gyorsan megoldja a problémát, és folytatódik a termelés. Bár ezek az események egyenként szinte észrevétlenek, összességükben jelentős hatással lehetnek a teljesítményre.
A probléma az, hogy ezek a mikroleállások gyakran rendszeresen visszatérnek – sokszor ugyanaz a hiba jelentkezik nap mint nap. Emiatt az operátorok hajlamosak hozzászokni, és már nem is érzékelik veszteségként. Tipikus példák lehetnek:
Gyakran előfordul, hogy egy-egy ilyen leállásra már rutinból reagálnak a kezelők, így azok észrevétlenül emésztik fel az értékes termelési időt.
A másik gyakori probléma a lassú ciklus, amikor a gép működik ugyan, de nem az MDR szerinti maximális sebességen. Vagyis nincs leállás, mégis elmarad a várt gyártási teljesítmény. Ennek hátterében többféle ok is állhat.
Egyes esetekben a lassulás technikai problémákból fakad, például ha a gép szennyezett, kopott vagy nem megfelelően karbantartott. Máskor az alapanyag minősége nem megfelelő, ami miatt a berendezés nem tudja tartani az ideális ciklusidőt. Emellett előfordulhat, hogy a PLC-beállítások nem pontosak, vagy a kezelő nem rendelkezik elegendő tapasztalattal, ami miatt nem tudja kihasználni a gép teljes kapacitását.
További gyakori ok lehet ezeken túlmenően:
Mindezek a tényezők azt eredményezik, hogy bár a gép működik, mégsem hozza azt a teljesítményt, amit műszakilag elvárhatnánk tőle. Ráadásul ezek a veszteségek gyakran kevésbé látványosak, mint egy géphiba miatti állás, így könnyen rejtve maradnak.
Az OEE harmadik fő összetevője a minőség, ami azt mutatja meg, hogy a gyártott termékek hány százaléka felel meg maradéktalanul a vevői elvárásoknak – vagyis hány darab termék készült el elsőre, hibátlanul.
A minőségi veszteségek két nagy csoportba sorolhatók:
Ezek a hibák a gyártás normál, folyamatos működése közben keletkeznek. Fontos, hogy ide tartoznak azok a termékek is, amelyeket ugyan később még javítani lehet – vagyis újramunkálhatóak –, de az OEE szempontjából ezek sem számítanak jónak. Az OEE ugyanis azt nézi, hogy elsőre, javítás nélkül sikerült-e hibátlanul legyártani a terméket.
Íme néhány példa ezekre:
Az indítási selejt azokat a hibás termékeket jelenti, amelyek közvetlenül a gép újraindítása után keletkeznek – egészen addig, amíg a berendezés el nem éri a stabil, üzemszerű működést. Ez gyakran előfordul például műszakkezdéskor, karbantartás után, vagy egy új termékre történő átálláskor.
Ezek például a következők lehetnek:
Bár ezek a veszteségek sokszor természetesnek tűnnek, fontos észben tartani, hogy az OEE szempontjából ugyanúgy rontják a mutatót, mint bármely más selejt.
Ahhoz tehát, hogy reális célokat tudjunk kitűzni, és valóban kiaknázzuk a gépparkban rejlő lehetőségeket, elengedhetetlen az OEE pontos ismerete. De nemcsak maga a mutató fontos – legalább ennyire számít, hogy az OEE mérés rendszere jól legyen kialakítva és hosszú távon is megbízhatóan működjön.
Az OEE nem pusztán egy szám: ez az egyik alapvető eszköz a lean szemléletben, amely meghatározza, hogyan gondolkodunk, tervezünk és hajtjuk végre a fejlesztéseket a gyártásban.
Amennyiben szeretné feltárni vállalata valódi kapacitásait – valamint azokat a veszteségeket, amelyeket értékké alakíthat át – az Evocon OEE-rendszere hasznos támogatást nyújthat ebben a folyamatban.
KORA Műszaki Szolgáltató és Kereskedelmi BT.
Cím: 1145 Budapest, Törökőr u. 31.
Telefonszám: +36 1 223 1045
E-mail: info@kora.hu
Weboldal: kora.hu
Kovács Miklós ügyvezető
+36 20 932 5741, +36 20 468 1234
Kovács Dániel operatív & marketing menedzser
+36 30 845 9918
"*" a kötelező mezőket jelöli
🎉 2025 Q4 Promóció – év végi kedvezmények minden rendelésre!🎉
Az év vége közeledtével szeretnénk partnereinknek rugalmas kedvezményrendszert kínálni:
📅 2025.10.01 – 2025.12.31. között minden rendelésnél az alábbi árengedményeket biztosítjuk:
👉 Új projekthez szükséges egy vagy több eszköz?
👉 Lecserélné régi mérőműszerét az év vége előtt?
👉 Tartalékot vásárolna a meglévő mellé?
Most itt a lehetőség: használja a W2025Q4DISCOUNT kuponkódot a rendelés során, és a kedvezményt automatikusan levonjuk.
💡 Zárja az évet egy előnyös beruházással, és készüljön fel 2026-ra kedvezményesen!