摘要：产线数据统计不是上个MES、连个PLC就能搞定的事。传感器装歪了，采样率不够，OEE定义乱来，最后统计出来的全是“漂亮的废话”。本文从数据源头、指标拆解、口径统一到SPC控制，结合真实踩坑案例，聊聊怎么让数据真正指导机械产线的改善。
干了十几年机械设计，现在最怕听到的一句话是：“我们的产线数据已经全部上云了。” 真的吗？我跑去车间一看，振动传感器用磁吸座贴在防护罩上，PLC的扫描周期是50ms，用来监测冲压过程的力曲线——峰值早被滤没了。这能叫数据？只能叫安慰剂。
数据源头不对，后面全白搭
先说传感层。很多人选传感器只看量程和精度，忘了带宽和安装。测轴承故障，加速度传感器频响至少要到10kHz，采样频率得满足奈奎斯特定理，工程上取分析频率的2.56倍。你要分析5kHz的故障特征，采样率低于12.8kHz就是耍流氓。可PLC的模拟量模块，转换时间加上扫描周期，有效采样率往往不到200Hz。用这个抓轴承早期故障？不如扔硬币。
安装位置更是个玄学。我见过把加速度计装在电机风扇罩上的，那测出来的是风扇动平衡，不是轴承。传感器要刚性安装在轴承座附近，表面平整，最好用螺栓。磁吸座？临时看看可以，高频振动直接给你共振峰，数据全是假的。温度传感器也一样，测电机绕组温度，埋置式Pt100和表面贴片能差十几度。你统计哪个？
还有一个坑：时钟。产线设备时钟各走各的，PLC、工控机、MES服务器差几分钟是常态。差几个小时也不稀奇。有次我们分析一个停机故障，发现MES记录的停机开始时间比PLC的故障信号晚了8小时——夜班数据全算到白班头上了。后来上了NTP对时，才把OEE算对。所以，数据统计的第一步，不是算法，是把时间轴对齐。
OEE不是算出来的，是拆出来的
OEE，全局设备效率。公式简单：OEE = 时间开动率 × 性能开动率 × 合格品率。但每个因子的定义，能吵翻天。计划运行时间包不包括换型？包不包括计划保养？ISO 22400-2给了参考，但很多厂子自己改。改可以，得一致。
时间开动率 = 实际运行时间 / 计划运行时间。实际运行时间里，你要把故障、换型、缺料、暖机全部分开。我见过把“操作员去喝水”都算成停机，然后时间开动率只有40%，老板一看脸都绿了。其实那是管理问题，不是设备问题。
性能开动率 = (理论节拍 × 加工数量) / 实际运行时间。理论节拍怎么定？用设备铭牌速度？还是历史最佳？注塑机标称循环时间20秒，但实际因为冷却、保压，跑25秒。你用20秒算，性能开动率永远低于80%。公平吗？所以，理论节拍得基于工艺验证后的标准节拍。别拍脑袋。
合格品率 = 合格品数量 / 加工总数。这里又来了：在线检测剔除的不良品，算不算加工总数？返修后合格的，算不算合格品？如果算，那一次合格率呢？我建议分开统计：一次合格率（FTT）和最终合格率。FTT才是真实的过程能力。
拆开OEE，你才知道瓶颈在哪。如果时间开动率90%，性能开动率95%，合格品率99%，那OEE就是84.6%，还不错。如果时间开动率只有60%，那就别扯性能了，先去修设备。数据统计的目的是暴露问题，不是做一张好看的报表。
统计口径统一？先打一架吧
机械工程师、生产主管、质量经理、IT，四个人对“产出”的定义能差出十万八千里。生产说今天干了1000件，质量说合格980件，仓库说入库950件，财务说发货900件。哪个是真的？都是真的，只是口径不同。问题在于，如果做数据统计时不定义清楚，大屏上就会出现“产出1000，合格980，入库950”三个数字打架，没人知道该信谁。
解决办法：建立数据字典。每个指标必须有唯一的数据源、计算公式、更新频率和责任人。比如“产出”定义为“MES报工数量，以工单完工确认时间为准”。“合格品”定义为“通过终检并录入QMS的数量”。再加上唯一标识，比如工单号+产品序列号，把各个系统的数据串起来。
还有状态机。产线设备的状态：运行、待机、故障、换型、保养。每个状态的时间戳必须准确。我见过一个案例：某工位统计显示等待时间很长，以为是人机工程问题，结果一查，是上游供料卡料，但设备状态还显示“运行”——因为传感器只监测主轴电机电流，卡料时电机还在转，只是空转。于是数据统计里，这个工位成了“高性能”工位，实际是“饥饿”状态。这种坑，不蹲现场根本发现不了。
从统计到控制：SPC和预测性维护
统计不是事后诸葛亮。机械加工线上，SPC（统计过程控制）用好了，能提前预警。比如轴颈磨削，直径尺寸。每5件抽1件，子组大小n=5，做Xbar-R图。控制限公式：UCL = Xbar + A2 * Rbar，LCL = Xbar – A2 * Rbar。A2查表，n=5时A2=0.577。如果点出界，或者连续7点上升，说明过程有异常。Cpk要≥1.33，关键特性≥1.67。但注意，Cpk是在过程稳定前提下算的。过程都不稳定，Cpk没有意义。
预测性维护的数据统计，重点在特征提取。振动信号的均方根值（RMS）反映能量，峰值反映冲击，峭度对早期故障敏感。但阈值怎么定？别拍脑袋。用历史数据，取正常状态下的均值加3倍标准差，或者用Weibull分析估计寿命。我经历过一次：一台减速机振动RMS从2.1mm/s涨到2.8mm/s，我们设的报警阈值是3.5mm/s。结果没报警，三天后轴承抱死。后来复盘，发现振动是缓慢上升的，但中间有一次突然的冲击——峭度已经飙了，RMS还没到。所以，多特征融合，别只看一个指标。
踩坑实录：那些年我们追过的虚假节拍
说几个真事。其一，某汽车零部件产线，老板要求统计每台设备的节拍。工程师用PLC里的定时器，记录两个加工信号之间的时间差。结果发现某台加工中心节拍只有8秒，比理论节拍12秒还快。老板大喜，说要推广。我去看，发现那个信号是“主轴启动”到“主轴停止”，但工件装夹时间没算进去——因为装夹时主轴没转。实际节拍是15秒。这就是统计定义错误。
其二，为了OEE好看，有人把故障停机归到“计划停机”里。比如设备坏了，维修花了2小时，但报表上写“计划保养2小时”。时间开动率虚高，但月底产量完不成，老板迟早发现。这种自欺欺人的数据，不如不统计。
其三，数据孤岛。设备数据在PLC，质量数据在QMS，生产数据在MES，三个系统时间不同步，编码不统一。想做个关联分析，得先花两周洗数据。所以，产线数据统计的架构设计，比算法重要一百倍。统一时间戳、统一设备编码、统一工单标识，这些基础工作做不好，后面全是坑。
结论？没有结论。数据统计是个持续迭代的活。今天把OEE拆明白了，明天发现传感器该换了。保持怀疑，多下车间。数字是死的，产线是活的。
