|
【课程背景】 技术范式更迭以及客户需求的深刻变化，正在重塑制造业的竞争格局。企业面临多重挑战：传统制造模式难以突破“高质量、低成本与短交期”的“不可能三角”的魔咒； 生产体系缺乏柔性化能力，难以快速适配动态需求，等等。 本课程由深耕制造业 精益管理和 智能制造20年+的吴维老师（也是制造体系 TPM原则负责人）设计，结合智能化技术的发展趋势及制造业的最佳实践，聚焦 设备管理领域的 精益管理方式与智能化（IOT，AI技术）的融合，重点关注以OEE为代表的核心指标的 目标管理，数据采集和治理，设备智能运维和备件管理中的 创新思维。 【课程收益】 1. 重构设备管理战略思维：理解技术变革（AI/ 大数据）对 设备管理范式的颠覆性影响，避免“蒸汽马车”式伪创新陷阱 2. 构建精准管控能力： n 建立科学设备KPI体系：掌握OEE（设备综合效率）的深度解析方法，穿透数据汇总陷阱（如多设备OEE矛盾值），锁定真实改善靶点 n 实现 目标-行动闭环管理：运用BPD（业务 计划展开）工具，将战略分解为可执行的驱动指标，打通“财务 目标→过程指标→行动策略”链条 3. 掌握核心技术路径： n 攻克设备 数据治理难关：构建多源异构数据采集体系（振动/温度/电流等），解决“数据孤岛”“命名混乱”问题，锻造可信决策基石 n 落地预测性维护（PdM）：学习壳牌、北京奔驰等企业级案例，掌握“云边协同”架构部署、故障预测模型构建、RUL（剩余寿命）精准测算 4. 实现可量化价值： n 降低30%+非 计划停机 ：通过PdM替代传统预防性维护（PM），将故障响应从“事后救火”升级为“事前防控”，显著减少 生产中断损失 n 优化20%+备件库存成本：应用安全库存算法及ABC分类策略，平衡保障能力与资金占用 【课程特色】 n 揭示 AIoT、联邦学习等新技术在 设备管理的创新应用 n 云边协同架构；跨工厂数据“可用不可见”的知识联邦体系；人机协同革新：滴滴抢单模式提升维修响应速度 2. 财务穿透和机理探究： n 为技术方案配备量化经济效益模型，破解“技术价值说不清”痛点，比如：预测性维护ROI公式 n 预测性维护功效的机理 n 备件库存模型设置的机理 3. 工具即学即用：带回车间的智能工具箱 特色定位：提供可直接落地的标准化工具模板，课堂演练与企业痛点无缝衔接 核心工具清单：E FMEA分析模板；设备分级评估表；OEE计算优化器；维护策略决策矩阵 4. 实战案例驱动：工业场景深度还原 摒弃纯理论教学，在多个章节为学员拆解真实案例，比如：壳牌、北京奔驰等预测性维护全球标杆案例；备件国产化、备件自制；滴滴抢单模式；安灯管理在设备Reason Code和Failure Code标记的应用等案例 【课程对象】 1. 设备管理专业人员：设备经理、维修主管、设备工程师 2. 生产运营管理者：生产总监、运营经理、车间主任 3. 精益与持续改进专家：精益黑带、持续改进专员、Kaizen推进员 5. 高层决策者：工厂厂长、运营副总裁、投资管理者。 【课程时长】 2天（6小时/天） 【课程大纲】 导论：破局制造“不可能三角”——精益为骨，智能为翼的绩效升维战 1. 传统制造业企业的困局与破局之道 n 将战略转化为年度财务预算 n 为什么我们需要驱动指标？ n 建立支撑财务指标的驱动指标 n BPD的管理循环 案例：某企业应用BPD工具从事业部到工厂，指导车间、班组的业务 计划展开的实践活动 n 设备效率类的指标树（KPI Tree） n 设备可靠性相关的指标树（KPI Tree） n 资源投入相关的指标树（KPI Tree） n 看图学指标 3. OEE深度解析——穿透数据陷阱，锁定改善靶点 n OEE的算法辨析 n OEE计算逻辑的争议与改进：分子/分母加权汇总法 案例分析：传统方法的局限性：三因子连乘法在异质设备（如弧焊 vs 激光焊）中可能导致矛盾（如分项OEE低但汇总OEE高）。根源：不同设备的周期时间（C/T）差异导致时间与数量维度不匹配 模块二：透视设备生命线：数据采集掘金与治理破局之道 1. 设备数据采集与治理概述 2. 设备指标数据自动采集的范围定义 以OEE为例，分享底层数据直采的最佳实践 3. 按问题分析的需要来定义数据采集范围 n 以OEE为例，分析数据下钻来定义具体问题，以及问题的根因分析所需要采集的数据范围 n 介绍问题分析中”人机料法环”的假设框架与，“四层数据框架”（用数据验证假设）的组合应用 4. 按设备预测性分析的需要来定义数据采集范围 设备预测性分析在预测性维护模型训练和实时监测中所需要的数据范围及其采集方式定义 n 设备数据的三大病症 n 物理层、逻辑层、业务层的三大策略 模块三：运维战略图谱：AI驱动下的维护模式重构与协同决策 副标题：从“被动救火”到“主动防控”的智能跃迁 1. 重构故障认知：穿透劣化本质的AI之眼 2. 构建智能决策矩阵：四象限策略引擎 n 设备维护保养的类别：按实施主体和按方法论分两个维度 n 维护策略的决策模型 3. 数智化维护执行：从工单到闭环的效能跃迁 n 工单智能派发系统：从“人派活”到“算法派单”的智能跃迁 n 智能维护执行与效能闭环 4. 人机协同进化：重构运维组织DNA n 融合式系统架构：支撑角色转型的技术基座 n 用量化指标衡量转型价值，用成熟度模型指引演进 方向 模块四：AI驱动下的自主维护（AM）体系升级 1.AM核心价值与实施边界 n 自主维护（AM）是什么？ n 自主维护的职责边界 n 自主维护的“投入-产出”分析 2. AM七阶段智能进阶路径 n 各阶段的主要工作内容 n 各阶段新技术的应用机会 3.AM在运维决策矩阵中的定位 n AM 与 PdM 的协同关系：就像“保健医生”与“专科医生” n 综述：AI技术对自主维护带来的可预期改变 模块五：PM与PdM：从预防到预测的维护革命 副标题：用数据驱动设备零故障未来 1. 设备维护模式选择方法论的细化 n 设备维护模式选择方法论的总体思路 n 利用“风险-可预测性”矩阵进行设备维护模式选择的四步法 n 设备生命周期阶段与对应的保养方式 2. 预防性维护（PM）实战指南 n 设备预防性维护的定义 3. 预测与状态维护（PdM&CBM）技术落地 n 预测性维护的概念及其主要价值 n 预测性维护的实施步骤 实施案例: 荷兰皇家壳牌公司（Shell）案例 实施案例：北京奔驰工厂机器人预测性维护 n 预测性维护的适用场景 n 2025年中国预测性维护（PdM）TOP供应商（跨 行业版） 4. 维护策略经济学：选对方法，让每一分投入产生可观回报 n 从“基于时间”到“基于状态”的维护范式转移 n 核心优势量化分析：权威数据洞察（来自麦肯锡和德勤的数据） 模块六：故障秒级响应×知识联邦：AI驱动的应急维修生态体系 1. 本章的架构 n 导致问题的根本原因 n 传统解决方案及其局限性 3. 响应革命——秒级诊断与动态资源网络 n 安灯在提升EM的响应和维修效率中的实践 n 智能派单和滴滴抢单模式的结合 n 来自企业缩短响应时间的其他探索 n 打破孤岛，实现知识协同进化 n 构建知识联邦 5. 备件管理革新——精准高效的维修资源保障体系 n 本节知识地图 n 备件的定义和分类 n 备件标准化、通用化与编码革新 n 他山之石：基于预测的备件更换 n 他山之石：备件自制 n 他山之石：备件国产化 n 他山之石：开发与Maximo系统连接的备件管理移动端应用 模块七： 小组Workshop及分组发表（研讨穿插其中，累计1 hours）
| 
