2026 行业 OEE 基准:412 家工厂的真实数字
OEE 有一个 "民间传说" 问题。咨询公司的幻灯片到现在还在引 1990 年代教材里 "世界级 85%" 这个数,还在引一篇没人能找出来的论文里 "行业平均 60%" 这个数。没人去更新原始数据,这些数字就变成了所谓的智慧。
这篇文章是想用当下的数字把它纠正过来。过去 9 个月我们从 14 个行业的 412 家工厂收集了 OEE 数据,主要来自欧洲和北美,再加上 Enao 社区里操作员的匿名提交。这份数据集不是全球制造业的代表性样本,但是一份有用的实操基准,中位数把那张图从咨询民间传说里,有意义地挪到了别处。
标题数字:2026 年 OEE 中位数是 64%。前 10 分位是 81%。后 10 分位是 42%。能摸到 "世界级 85%" 的,在数据集里只有 4% 的工厂。"行业平均 60%" 这个传说,离中位数比离平均数更近一些,但行业之间的离散度太宽,任何单一基准都把比它揭示的更多东西藏了起来。
数据来自哪里
412 家工厂在 2025 年 9 月到 2026 年 5 月之间提交了数据。方法论是刻意保守的。只纳入跑连续 PLC 捕捉的工厂(手工日志算出的 OEE 不算),并且每家工厂至少覆盖连续 12 周的数据。按行业分布:
- 汽车(零部件与总装):71 家
- 食品与饮料:58 家
- 消费品(食品以外):47 家
- 医药(固体制剂与液体制剂):39 家
- 电子与半导体:34 家
- 金属(铸造、冲压、机加工):31 家
- 塑料与聚合物:28 家
- 建材(陶瓷、玻璃、水泥):26 家
- 纸与包装:22 家
- 纺织与服装:18 家
- 化工(特种与精细):16 家
- 宠物食品与饲料:9 家
- 航空航天零部件:8 家
- 医疗器械:5 家
下面的中位数和区间是按行业分别算的,行业内样本数少于 10 家的会做汇池。
标题数字
按行业的 OEE 中位数,带 25 分位到 75 分位的区间。
汽车零部件与总装:中位数 71%,区间 58~79%。数据集里中位数最高的行业,由成熟的精益文化和几十年的捕捉投入拉起来。前 10 分位工厂能到 84%。
食品与饮料:中位数 62%,区间 49~73%。这条很宽的离散度反映的是大批量饮料灌装和小批量特种食品之间的差距。前 10 分位能到 80%。
消费品(食品以外):中位数 67%,区间 55~76%。比食品窄的离散度,是因为生产模式更标准化。
医药(固体与液体制剂):中位数 58%,区间 47~71%。验证开销和换型频率把中位数压下去。前 10 分位能到 79%。
电子与半导体:中位数 78%,区间 68~85%。中位数最高的一组,资本密集度强迫工厂按 "可用率优先" 设计。前 10 分位能到 89%(这也是数据集里唯一一个、有可观数量的工厂能跨过 "世界级 85%" 阈值的行业)。
金属(铸造、冲压、机加工):中位数 63%,区间 51~74%。小批量金属加工的 "以换型为中心" 把下四分位拖下去。
塑料与聚合物:中位数 68%,区间 56~77%。连续挤出线把中位数拉上去,注塑成型把它拉下去。
建材:中位数 71%,区间 60~79%。当工艺稳定时,连续窑炉和压机能维持很高的可用率。
纸与包装:中位数 73%,区间 64~81%。连续高速线、换型占比低。
纺织与服装:中位数 54%,区间 42~66%。数据集里中位数最低的行业。高品类多样性、高人工比例、捕捉基础设施薄弱。
化工(特种与精细):中位数 67%,区间 55~78%。区间和别的小样本行业汇池估算。
宠物食品、航空航天零部件、医疗器械:汇池中位数 62%,区间 50~73%。
跨行业的中位数 64%,对想给一家新工厂做基准的人来说是个正确的实操数字。教材里的 60% 接近,但偏低。
OEE 这一套计算,真正是怎么跑的
实操基准只有在它背后那套 OEE 计算保持一致时才有用。OEE 公式把三个项相乘:可用率 × 性能 × 质量。每一项的形状,比教材里的定义更重要。
可用率是运行时间除以计划生产时间。计划生产时间剔除了计划性停机(计划维护、计划停机、午休),包含了换型、清洁,以及其它一切。包括开机时的换型/调机时间。包括故障。包括微停机。
性能是产品的理想节拍时间乘以总件数,再除以运行时间。性能捕捉的是速度损失(运行中的减速)以及没有被编码进可用率损失里的微停机。这是中位数工厂最常算错的一项,因为产品规格书里那个 "理想节拍" 很少和产线实际观察到的 "最佳节拍" 对得上。按规格速率跑的工厂,性能一般是 95~100%;按实际观察到的最佳速率跑的工厂,性能往往是 88~93%。
质量是良品数除以总件数。捕捉的是缺陷以及随后的返工。陷阱是把返工后变良品的件数算进良品里。正确的做法是把返工算成对质量的损失,也算成对产线运营成本的损失。
三个项相乘,就出 OEE 分数。一条可用率 90%、性能 92%、质量 95% 的产线,OEE 是 78.7%。同一条产线,如果可用率报 95%(因为把清洁挪到了计划停机里)、性能 98%(因为用了规格速率而不是观察到的最佳速率作为理想节拍)、质量 96%(因为返工算成了良品),OEE 就成了 89.4%。同一条线、相差 10 个百分点。这就是为什么基准很容易碎,除非计算纪律同时被锁住。
几个值得点出名字的相关指标。Overall Equipment Effectiveness 是它的全称,在审计或法规申报(尤其是医药制造)里会以这个全称出现。TEEP(Total Effective Equipment Performance)是 OEE 乘以产线在日历时间里被安排运行的占比。一条每天两班、每周 5 天、OEE 75% 的产线,TEEP 大约是 27%。Manufacturing Productivity 是把 OEE 跟劳动生产率、良率一起做上下文化的更大框架。
六大损失
当大家用同一套名字称呼这六类损失时,OEE 对话就会变清楚。这套框架来自 TPM(Total Productive Maintenance),精益制造里用的也是同一套。
两项可用率损失:故障(计划外的设备故障)和换型/调机(换型,加上产线进入规格之前的预热时间)。
两项性能损失:微停机(PLC 日志低报的 5 分钟以下的停顿)和减速(产线在跑,但低于理想节拍,而且常常是悄悄发生的)。
两项质量损失:开机缺陷(换型后第一批没达到规格的件)和生产缺陷(在那之后的一切,包括去返工的那部分件)。
在 OEE 上有进展的中位数工厂,要知道按时间算这六类里哪一类最大。按大类做的帕累托图,是运营团队能产出的最有用的一份周报。离散制造里,这六项往往各占几乎相同的份额。连续过程行业里,故障和减速占主导。医药制造里,因为产品之间要清洁,换型/调机占主导。
维护策略和 OEE 的连接
维修团队拥有 OEE 损失里 "故障" 这一份额。他们采用的策略,决定了这一份额在时间轴上的走势。
事后维修是产线坏了就修。预防性维护按日历安排服务。预测性维护用传感器信号在故障真正发生前一点请求维修。TPM 是一种文化叠加,把操作员放在基本维护工作的中心。现代 CMMS(计算机化维护管理系统)是让以上任何一种策略都能被审计的记录系统。
数据集里 OEE 前 10 分位的工厂,压倒性地用混合策略在跑。大约 30% 是事后维修(那些小到、随机到不值得仪表化的故障)、50% 是预防性维护(按日历抓得住的可预测故障)、20% 是预测性维护(给最关键资产用的、传感器驱动的呼叫)。中位数工厂往往有 60~70% 是事后维修,这是把 OEE 损耗得最厉害的那一份。
根本原因分析,是决定 "哪些故障应该从事后维修迁到预防、哪些预防项应该迁到预测" 的那条纪律。每周对上一周的前三故障做一次根本原因分析,把维修主管和工艺工程师拉进同一个房间,这是把策略组合每个季度往正确方向挪动 1% 的那个常规动作。
"世界级 85%" 这个神话
从数据里能看到三件事。
第一,数据集里 4% 的工厂能到 OEE 85%。412 家里 17 家。其中 16 家在电子、半导体、航空航天,1 家在一条连续饮料线。模式很清楚:在这份数据集里,世界级 OEE 之所以能到,是因为产线的资本成本强制了 "可用率优先" 的设计,而且换型要么很少、要么被设计到接近零。
第二,在大多数行业里,中期上 85% 这个数学上就到不了。一条产品之间要 35 分钟清洁的医药产线,即便计划外停机为零,OEE 也大约只能跑到 75%。因为清洁是真实存在的,清洁是要计入的。85% 这个数,要么需要零清洁、要么需要零换型,要么两者都要。大多数制药厂跑一个 5 年项目也到不了那里。正确的目标按行业定。
第三,所有行业里,前 10 分位和中位数之间的差距几乎一致(12~16 个百分点)。机会就在于在工厂层面把这道差距填掉一半。要把整道差距填满,通常需要不在这张桌子上的资本与流程变更。
给运营负责人的提示:把教材数字忘掉。看你自己所在行业的前 10 分位,把 "从现状到前 10 分位" 这段距离的 60~75% 定成目标。那是一个 24 个月的计划。85% 那个数,是融资口号。
中位数到前 10 分位的差距,差在哪里
我们问了各行业里前 10 分位工厂中的一部分,把领先归因到什么上。回答聚成几类。
现场捕捉的质量。前 10 分位工厂压倒性地拥有覆盖 90% 以上运行时间的自动捕捉。中位数工厂的自动捕捉覆盖 50%~80% 的运行时间,剩下那块用人工日志或者干脆数据缺失填补。另一篇 "非计划停机" 里讲的微停机,是中位数工厂漏掉最多的单一类目。
换型纪律。所有行业里,前 10 分位工厂的换型,都以可测量的方式比中位数更快。差异几乎不在工具上。结构化的预换型、彩排过的步骤序列、操作员的交叉培训,让一次换型从 18 分钟变成 12 分钟。SMED(单分钟换型)是个框架,但真正干活的是纪律。
周会节奏。前 10 分位工厂跑的周 OEE 复盘,每条产线产出一项有名字的行动。中位数工厂跑的周 OEE 复盘,产出的是一份幻灯片。这两者每季度都会复利。要看有效周会的形状,参考另一篇 "工艺工程师一周里最重要的 7 项工作"。
操作员对微停机的关注度。前 10 分位工厂把 30 秒的停顿当成 "有真实原因的真实事件" 来处理。中位数工厂把它当成背景。前 10 分位之所以能这么干,一部分是文化,一部分是技术。当捕捉系统能自动把微停机浮出来时,操作员就会管它。当捕捉系统要操作员手工记录时,操作员会跳过去。
数据没有展示的东西
几个诚实的注意点。
这份数据集过度代表了那些在意 OEE 到愿意提交数据的工厂。完全没有 OEE 捕捉的工厂(IndustryWeek 2024 基准里大约占中型制造商的 25%)缺席。把它们加进来,中位数估计要往下掉 5~8 个百分点。
数据集偏向欧洲(61% 工厂)和北美(33%)。亚洲和拉美的制造模式被低估了。我们知道的一些模式(日本汽车里非常高的可用率、韩国电子里非常低的换型频率、拉美中型食品饮料里非常高的波动性)并没有反映到行业中位数里。
数字是 12 周的汇总值。单班、单周、单天的波动比行业区间所暗示的要大得多。一家 OEE 中位数 71% 的工厂,班次层面拿到 40% 和 88% 是常态。
OEE 只是几项输入里的一项。OEE 前 10 分位的工厂不一定就是利润最高的、可靠性最高的、最安全的。它们是可用率最高、最快、最一致的。这些有价值,但不够。
更大的图
OEE 数字落在 60% 多后半的中位数,提醒我们:基本功是有用的,而且还有有意义的空间。一家工厂在 24 个月内从中位数走到所在行业的前 10 分位,不买新线就能多抓出 6~12 个百分点的产出。在制造业典型的 12~18% EBITDA 边际下,这是真金白银。
陷阱是去追 85% 那个口号。机会是知道自己行业的前 10 分位在哪里,然后把到那里的距离填掉一半。
想看生产可视化的更大框架,参考另一篇 "生产监控系统"。要看算法层面的细节,参考另一篇 "OEE 计算"。要看仪表盘那一侧,参考另一篇 "OEE 软件"。
FAQ
OEE 在行业之间为什么不一样?主要通过结构性的可用率上限来不一样。连续过程行业(造纸、聚合物、玻璃)因为换型少、稳定运行段长,能维持更高的 OEE。离散和以换型为中心的行业(制药、特种食品、纺织)有结构性较低的上限。
2026 年一家中型工厂的现实 OEE 目标是什么?从上面的表里挑出你所在行业的前 10 分位,把从当前中位数到那个值的距离取 60~75%,把那个值定为 24 个月目标。大多数中型工厂的目标会落在 70~78% 之间。
世界级 OEE 是 85% 吗?只在电子、半导体、航空航天、罕见的饮料线里。在大多数行业里,这个口号既不现实也没什么帮助。改用表里按行业算的前 10 分位。
想把 OEE 提升 10 个百分点该怎么做?顺序:装上自动捕捉、跑那种每条产线产出一项行动的周会、攻打微停机、攻打换型超时、攻打质量代账的停机。一家做得对的中型工厂,12~18 个月是现实的。
OEE 基准可信吗?可信,带几个注意点。用按行业的中位数,而不是跨行业。野心目标看前 10 分位,不要看单家工厂的峰值。还有,别忘了 OEE 数字既是 "工厂跑得多好" 的输出,也是 "捕捉有多守纪律" 的输出。
用上这些数,然后往前走
之所以做这份数据集,是因为现有的公开基准已经老到会误导人。之所以把它公开,是因为下一份数据集应该更好,而走到那里的唯一办法,是让更多工厂分享数据、向我们这份发起挑战。想为 2027 年的更新做贡献,加入社区,在 OEE 主题贴里把你们的汇总数字贴出来。
