Power BI 中的制造分析：OEE、质量和吞吐量

世界一流的制造设施以 85% 以上的 OEE 运行。制造商的平均运行率为 60%。这 25 个百分点的差距直接转化为产能——设备 OEE 从 60% 提高到 85%，无需购买任何新机器或雇用任何人，产量就增加了 41%。世界一流和平均水平之间的区别几乎总是不在于设备，而在于发现浪费的可见性以及消除浪费的数据。

连接到 MES（制造执行系统）和 ERP 数据的 Power BI 提供了这种可见性。本指南构建了一个完整的制造分析平台，涵盖 OEE 计算、质量 SPC 图表、停机根本原因分析和吞吐量管理 - 以及制造工程师所需的精确 DAX 公式。

要点

• OEE = 可用性 × 性能 × 质量（世界一流 = 85%+）
• 每个 OEE 组件都需要单独的数据流：停机日志、生产计数、报废记录
• Power BI 中的 SPC（统计过程控制）图表使用自定义视觉效果或计算的控制限
• 停机帕累托分析（导致 80% 停机的前 20% 原因）推动优先改进
• 首次合格率 (FPY) 和每百万机会缺陷数 (DPMO) 是关键质量 KPI
• 吞吐量分析使用瓶颈理论比较实际容量与理论容量
• Power BI 流数据集支持近乎实时的 OEE 仪表板每分钟更新一次
• ERP 集成（Odoo Manufacturing、SAP PP、Dynamics 365 SCM）提供工作订单上下文

---

制造分析数据模型

核心制造表

生产运行（每个生产运行/工单一行）：

Downtime_Events（每次停机一行）：

Quality_Events（每个缺陷/检查一行）：

昏暗机器：

• 代码0、代码1、代码2、代码3、代码4、代码5、代码6、代码7

调暗_Shift：

• 代码0、代码1、代码2、代码3、代码4、代码5

---

Power BI 中的 OEE 计算

OEE = 可用性 × 性能 × 质量

可用性

可用性=实际运行时间/计划生产时间

// Planned Production Time (from shift schedule minus planned downtime)
Planned Production Time =
SUMX(
    Production_Runs,
    DATEDIFF(Production_Runs[PlannedStartTime],
              Production_Runs[PlannedEndTime], MINUTE)
)

// Unplanned Downtime (excludes scheduled maintenance, changeovers)
Unplanned Downtime =
CALCULATE(
    SUM(Downtime_Events[DurationMinutes]),
    Downtime_Events[DowntimeCategory] = "Unplanned"
)

// Changeover Time (planned but reduces availability)
Changeover Time =
CALCULATE(
    SUM(Downtime_Events[DurationMinutes]),
    Downtime_Events[DowntimeReasonCode] = "CHANGEOVER"
)

// Actual Run Time
Actual Run Time = [Planned Production Time] - [Unplanned Downtime] - [Changeover Time]

// OEE Availability
Availability =
DIVIDE([Actual Run Time], [Planned Production Time], 0)

性能

性能 =（理想循环时间 × 总计数）/实际运行时间 或等效：实际输出/理论最大输出

// Theoretical Maximum Output at ideal run rate
Theoretical Max Output =
SUMX(
    Production_Runs,
    [Actual Run Time Per Run] / Production_Runs[IdealCycleTime]
)

// Actual total output (good + scrap + rework)
Total Output =
SUM(Production_Runs[ActualQuantity])

// OEE Performance
Performance =
DIVIDE([Total Output], [Theoretical Max Output], 0)

// Performance per machine (for benchmarking)
Machine Performance =
DIVIDE(
    SUMX(Production_Runs, Production_Runs[ActualQuantity]),
    SUMX(Production_Runs,
        DATEDIFF(Production_Runs[StartTime], Production_Runs[EndTime], MINUTE) /
        RELATED(Dim_Machine[IdealCycleTime]) * 60
    ),
    0
)

质量

质量 = 良品产量 / 总产量（排除所有缺陷）

// Good Quantity (first pass, no rework)
Good Quantity = SUM(Production_Runs[GoodQuantity])

// Total Quantity Produced (good + scrap + rework)
Total Quantity = SUM(Production_Runs[ActualQuantity])

// OEE Quality
Quality Rate =
DIVIDE([Good Quantity], [Total Quantity], 0)

// First Pass Yield (no rework, no scrap)
First Pass Yield =
DIVIDE(
    SUM(Production_Runs[GoodQuantity]),
    SUM(Production_Runs[ActualQuantity]),
    0
)

总体 OEE

// Overall Equipment Effectiveness
OEE =
[Availability] * [Performance] * [Quality Rate]

// OEE Status (for conditional formatting)
OEE Status =
SWITCH(TRUE(),
    [OEE] >= 0.85, "World Class",    -- 85%+
    [OEE] >= 0.75, "Good",           -- 75-85%
    [OEE] >= 0.60, "Acceptable",     -- 60-75%
    "Poor"                            -- <60%
)

// OEE Loss Analysis (what is the primary constraint)
Primary OEE Constraint =
SWITCH(TRUE(),
    [Availability] < [Performance] && [Availability] < [Quality Rate], "Availability",
    [Performance] < [Quality Rate], "Performance",
    "Quality"
)

// OEE trend (for sparkline visualization)
OEE Weekly Avg =
CALCULATE(
    [OEE],
    DATESINPERIOD(Date[Date], LASTDATE(Date[Date]), -7, DAY)
)

---

停机时间分析

停机时间 KPI 和帕累托

// Total Unplanned Downtime Hours
Unplanned Downtime Hours =
DIVIDE(
    CALCULATE(
        SUM(Downtime_Events[DurationMinutes]),
        Downtime_Events[DowntimeCategory] = "Unplanned"
    ),
    60,
    0
)

// Mean Time Between Failures (MTBF)
MTBF =
DIVIDE(
    [Actual Run Time],
    CALCULATE(COUNTROWS(Downtime_Events),
              Downtime_Events[DowntimeCategory] = "Unplanned"),
    0
)

// Mean Time to Repair (MTTR)
MTTR =
AVERAGEX(
    FILTER(Downtime_Events, Downtime_Events[DowntimeCategory] = "Unplanned"),
    Downtime_Events[RepairTimeMinutes]
)

// Downtime % by reason (for Pareto chart)
Downtime Pareto % =
DIVIDE([Unplanned Downtime Hours],
    CALCULATE([Unplanned Downtime Hours], ALL(Downtime_Events[DowntimeReasonCode])),
    0
)

// Cumulative Downtime % (for Pareto 80/20 line)
Cumulative Downtime % =
DIVIDE(
    SUMX(
        FILTER(
            ALL(Downtime_Events[DowntimeReasonCode]),
            RANKX(ALL(Downtime_Events[DowntimeReasonCode]),
                  [Unplanned Downtime Hours], , DESC) <=
            RANKX(ALL(Downtime_Events[DowntimeReasonCode]),
                  [Unplanned Downtime Hours], , DESC)
        ),
        [Unplanned Downtime Hours]
    ),
    CALCULATE([Unplanned Downtime Hours], ALL(Downtime_Events[DowntimeReasonCode])),
    0
)

停机热图

按机器 × 时间创建停机热图，以识别与轮班相关的模式：

// Downtime by Hour of Day (for heatmap rows)
Downtime by Hour =
CALCULATE(
    SUM(Downtime_Events[DurationMinutes]),
    Downtime_Events[HourOfDay] = SELECTEDVALUE(HourDim[Hour])
)

---

质量分析：SPC 图表

统计过程控制图监视过程是否受控。 Power BI 使用 DAX 中的控制限计算构建 SPC 图表。

X 条形图的控制限

// Process Mean (X-bar)
Process Mean =
AVERAGE(Quality_Events[MeasuredValue])

// Standard Deviation of measurements
Process StdDev =
STDEV.P(Quality_Events[MeasuredValue])

// Upper Control Limit (UCL = mean + 3σ)
UCL = [Process Mean] + 3 * [Process StdDev]

// Lower Control Limit (LCL = mean - 3σ)
LCL = [Process Mean] - 3 * [Process StdDev]

// Upper Warning Limit (mean + 2σ)
UWL = [Process Mean] + 2 * [Process StdDev]

// Lower Warning Limit (mean - 2σ)
LWL = [Process Mean] - 2 * [Process StdDev]

// Out of Control flag (point outside 3σ limits)
Out of Control =
IF(
    Quality_Events[MeasuredValue] > [UCL] ||
    Quality_Events[MeasuredValue] < [LCL],
    "Out of Control",
    "In Control"
)

// Process Capability Index (Cpk)
Cpk =
MIN(
    DIVIDE([UCL] - [Process Mean], 3 * [Process StdDev], 0),
    DIVIDE([Process Mean] - [LCL], 3 * [Process StdDev], 0)
)

关键质量 KPI

// Defects per Million Opportunities (DPMO)
DPMO =
DIVIDE(
    SUM(Quality_Events[DefectCount]),
    SUM(Quality_Events[SampleSize]) * [Opportunities per Unit],
    0
) * 1000000

// Sigma Level (from DPMO)
Sigma Level =
SWITCH(TRUE(),
    [DPMO] < 3.4, 6,
    [DPMO] < 233, 5,
    [DPMO] < 6210, 4,
    [DPMO] < 66807, 3,
    [DPMO] < 308537, 2,
    1
)

// Defect Rate %
Defect Rate = DIVIDE(SUM(Quality_Events[DefectCount]), SUM(Quality_Events[SampleSize]), 0)

// Scrap Rate
Scrap Rate =
DIVIDE(
    SUM(Production_Runs[ScrapQuantity]),
    SUM(Production_Runs[ActualQuantity]),
    0
)

// Cost of Poor Quality (COPQ)
COPQ =
SUMX(
    Production_Runs,
    (Production_Runs[ScrapQuantity] + Production_Runs[ReworkQuantity]) *
    RELATED(Dim_Product[StandardCost])
)

---

吞吐量分析

生产吞吐量 KPI

// Actual Throughput (units per hour)
Throughput =
DIVIDE(
    SUM(Production_Runs[ActualQuantity]),
    SUMX(Production_Runs,
        DATEDIFF(Production_Runs[StartTime], Production_Runs[EndTime], HOUR)
    ),
    0
)

// Theoretical Maximum Throughput
Max Throughput =
SUMX(
    Dim_Machine,
    60 / Dim_Machine[IdealCycleTime]  -- Units per minute × 60
) * 60  -- Per hour

// Capacity Utilization
Capacity Utilization =
DIVIDE([Throughput], [Max Throughput], 0)

// Schedule Attainment (actual vs planned quantity)
Schedule Attainment =
DIVIDE(
    SUM(Production_Runs[ActualQuantity]),
    SUM(Production_Runs[PlannedQuantity]),
    0
)

// Changeover Time (as % of planned time)
Changeover % =
DIVIDE(
    [Changeover Time],
    [Planned Production Time],
    0
)

生产线平衡分析

使用吞吐量比较来识别瓶颈机器：

// Machine Throughput Rate (for bottleneck identification)
Machine Throughput Rate =
DIVIDE(
    CALCULATE(SUM(Production_Runs[GoodQuantity])),
    CALCULATE(
        DATEDIFF(MIN(Production_Runs[StartTime]),
                 MAX(Production_Runs[EndTime]), HOUR)
    ),
    0
)

// Bottleneck indicator (lowest throughput machine in a line)
Is Bottleneck =
IF(
    [Machine Throughput Rate] = MINX(
        FILTER(ALL(Dim_Machine), Dim_Machine[Line] = SELECTEDVALUE(Dim_Machine[Line])),
        [Machine Throughput Rate]
    ),
    "Bottleneck",
    "OK"
)

---

制造仪表板架构

第 1 页：OEE 摘要

• OEE 指标（当前与世界一流的 85% 目标）
• 可用性、性能、质量 — 三张 KPI 卡
• OEE趋势30天（折线图）
• 按机器划分的 OEE（条形图，从低到高排序）
• 按班次划分的 OEE（条形图 — 识别班次绩效差异）
• OEE 热图（机器 × 星期几）

第 2 页：停机时间分析

• 总计划外停机时间（KPI 卡）
• MTBF和MTTR（两张KPI卡）
• 停机帕累托（组合条+累积百分比线）
• Downtime by machine (horizontal bar chart)
• 按班次划分的停机时间（分组栏）
• 90天停机时间趋势（折线图）
• 活动停机事件（如果是流式传输，则为实时表）

第 3 页：质量仪表板

• 首次通过率（仪表与目标）
• DPMO 和 Sigma 级别（KPI 卡）
• 按产品划分的废品率（条形图）
• COPQ 趋势（显示质量问题成本的折线图）
• 通过缺陷代码来缺陷 Pareto
• SPC图表（带有UCL、LCL、UWL、LWL参考线的折线图）

第 4 页：吞吐量和容量

• 进度完成百分比（标准）
• 实际产量与计划产量（按天分组）
• 机器的容量利用率（热图）
• 转换时间分析（按产品/机器的条形图）
• 产量趋势（面积图、实际与目标）
• 瓶颈机亮点表

---

常见问题

什么是 OEE？为什么它对制造如此重要？

OEE（整体设备效率）是衡量制造生产力的黄金标准指标。它结合了三个因素：可用性（设备在应该运行的时候运行）、性能（以正确的速度运行）和质量（生产优质零件）。 60% 的 OEE 意味着您只实现了理论产能的 60%，另外 40% 是浪费。提高 OEE 可以直接增加产量，而无需对新设备进行资本投资。

Power BI 能否连接到 MES 系统以实现实时 OEE？

是的 - 大多数 MES 系统（Ignition SCADA、GE Proficy、Siemens MES、Rockwell FactoryTalk）都支持数据库连接（SQL Server、Oracle）或 REST API 访问。 Power BI 连接到这些数据库，并可以使用流数据集进行近实时更新（每 30 秒到 1 分钟）。要获得真正的实时 OEE（亚秒级），请使用 Azure IoT 中心或事件中心以及直接从工厂车间传感器推送的 Power BI 流数据集。

工厂需要哪些数据来开始跟踪 OEE？

基本 OEE 的最低数据要求：(1) 生产计数数据 — 机器何时运行以及生产了多少件，(2) 停机事件 — 机器何时停止以及原因，(3) 质量计数 — 好件与缺陷件的数量。这可以来自操作员手动输入（Excel/纸张 → Power BI）、基本 MES 或 PLC 计数器数据。开始时不需要完美的数据——即使不完美的 OEE 可见性也能推动改进。

如何在 Power BI 中构建 SPC 图表？

创建以测量值为主系列的折线图。添加四个附加度量（UCL、LCL、UWL、LWL）作为图表中单独的线系列。将 UCL/LCL 设置为红色虚线，将 UWL/LWL 设置为橙色虚线。数据点的条件格式以红色突出显示失控点。 AppSource 的内置 SPC 自定义视觉效果提供了超出基本控制限制方法的 Western Electric 规则检测（中心上方/下方运行、趋势等）。

实施 Power BI 制造仪表板的实际时间表是多少？

基本的 OEE 仪表板（单机、通过 SharePoint 列表或 Excel 手动数据输入）可以在 1-2 周内构建。连接到 MES 和 ERP（多机器、多生产线、质量 SPC、停机 Pareto 和吞吐量分析）的完整制造分析平台通常需要 6-12 周。最长的阶段始终是数据集成和数据质量——在分析增加价值之前，需要一致地捕获机器时间戳、停机原因代码和产品转换。

ECOSIRE 如何将 Power BI 连接到 Odoo Manufacturing？

Odoo Manufacturing 在 PostgreSQL 中存储生产工单、材料消耗、质量检查和维护请求。 ECOSIRE 将 Power BI 直接连接到 Odoo 的 PostgreSQL 数据库（在只读副本上），并将制造表（mrp.product、mrp.workcenter、quality.check、maintenance.request）建模到本指南中描述的 OEE 数据模型中。作为 Odoo ERP 集成实践的一部分，我们负责处理工作中心级产能规划和质量集成。

---

后续步骤

Power BI 中的制造分析（当连接到生产车间数据时）可提供实时可见性，将世界一流的制造商与普通制造商区分开来。 OEE、停机根本原因分析和质量 SPC 图表为运营团队提供了在问题复合之前进行改进的信息。

ECOSIRE 构建连接到 MES 系统、ERP 平台（Odoo、SAP、Dynamics 365）和 IoT 数据流的制造仪表板。我们的 Power BI 仪表板开发服务 涵盖从数据模型设计到生产就绪仪表板的完整制造分析堆栈。

联系我们的制造分析团队，讨论您的工厂车间数据源并设计一个 Power BI 分析平台，以推动可衡量的 OEE 改进。