頭部廣 告

摘要：本文針對18000個貨位、光伏組件單重≤3噸且以堆垛機為核心設備的自動化立體倉庫，圍繞倉庫整體作業效率優化需求，展開設備綜合效率（OEE）與故障模式、影響及危害性分析（FMECA）的協同應用探索。通過梳理OEE理論和FMECA理論的適配性，探索風險識別-損失量化-策略迭代的協同路徑，重點解決光伏倉儲場景下故障根源難定位、效率損失難量化的痛點。研究表明，經場景化參數調整后構建融合OEE與FMECA的協同模型，通過FMECA識別故障風險、OEE量化損失程度、靶向制定優化策略，進行參數適配，可精準識別堆垛機高風險故障（如行走電機故障、貨叉定位偏差），使倉庫整體稼動率從65%提升至89%，為光伏組件倉儲效率優化提供可復制的實踐方案。

關鍵詞：自動化立體倉庫；光伏組件；OEE；FMECA；效率優化；協同應用

作者：李瑞保1，2 張明瑞1，2 李晉玲1，2

1北京起重運輸機械設計研究院有限公司

2機械工業智能倉儲物流技術重點實驗室

題眼廣 告

一

引言

現階段自動化立體倉庫普遍依托倉儲管理系統（WMS）與設備控制系統（WCS）實現貨物自動存取與信息化管理，有效提升了倉儲空間利用率與作業效率。但當前系統仍以基礎作業執行與靜態庫存管控為主，缺乏對核心物流設備故障的系統性識別、效率損失的定量化分析，以及運維策略的動態化優化，難以適配光伏組件倉儲重載、高周轉的特殊場景需求。

在全球光伏產業規模化擴張的背景下，光伏組件倉儲物流環節正朝著高效化、高可靠性方向加速升級。光伏組件自動化倉庫作為銜接前端連續生產線與后端發運環節的關鍵樞紐，堆垛機等核心設備日均運行時長超16小時，長期高負荷運轉導致設備疲勞與故障風險顯著升高；同時光伏組件單重不超過3噸且搭載玻璃易碎基板，一旦發生設備故障，引發的組件破損與貨物損失成本遠高于設備本身的維護成本，對倉儲系統的穩定性與經濟性提出了極高要求。

為此，本文以某光伏企業18000貨位自動化立體倉庫為研究對象，探索設備綜合效率（OEE）與故障模式、影響及危害性分析（FMECA）的協同應用，實現設備運行風險與作業效率的聯動優化，填補光伏行業自動化立體倉庫在該領域的實踐空白，為同類重載、高周轉光伏倉儲項目提供參考與借鑒。

二

OEE與FMECA的應用與優化

設備綜合效率（Overall Equipment Effectiveness, OEE）可量化設備有效利用程度，反映故障、等待等造成的效率損耗。故障模式、影響及危害性分析（Failure Mode, Effects and Criticality Analysis, FMECA）[1]能系統識別潛在故障、預判風險。使用OEE能監測效率結果，但無法定位故障部件；應用FMECA能識別風險，卻難以量化其對效率的實際影響。

1.堆垛機設備綜合效率應用與優化

OEE是衡量設備實際作業能力與理論最大作業能力的核心指標，通過時間開動率（Availability，A）、性能開動率（Performance，P）、合格品率（Quality，Q）三個維度的乘積計算得出，廣泛應用于工業設備管理與效率優化場景，如公式（1）。

其中：

由于光伏組件倉儲具有作業強度高、組件特性特殊、貨位布局龐大等固有特性，傳統OEE計算方法無法精準適配該場景，易導致效率量化偏差。因此，結合光伏倉儲特性，重點針對OEE三大核心維度進行優化，提升堆垛機稼動率計算的精準度。

一是時間開動率（A）的必要時間剔除。光伏組件入庫前的外觀檢測（2分鐘/件），屬于增值作業，需從非計劃停機時間中剔除。若未剔除該類時間，會導致時間開動率計算偏差達8%~12%。

二是性能開動率（P）的區間加權計算。18000個貨位按其與入庫口的距離可分為近區（≤50米）、中區（50～100米）、遠區（>100米），堆垛機在不同區間的理論運行速度存在差異（近區120米/分鐘、中區90米/分鐘、遠區60米/分鐘）。采用貨位作業頻次×區間速度的加權算法，使P值計算誤差從15%降至5%以內。

三是合格品率（Q）的隱性損失納入。光伏組件的微損傷（如電路層隱性劃痕）源于堆垛機運行振動（振幅超0.5重力加速度時損傷風險激增）。引入振動傳感器實時監測，將振動超標導致的不合格納入Q值計算，使合格品率評估更精準。

2. 基于FMECA的堆垛機失效風險評估與優化

失效危害性評估是FMECA的關鍵環節[2]，通過量化指標確定失效模式的嚴重程度，為改進措施的制定提供依據。常用的評估方法是風險優先數法（Risk Priority Number，RPN），RPN計算公式為：

RPN值越高，說明失效模式的危害性越大，需要優先采取改進措施。針對光伏倉儲堆垛機，設定嚴重度（S）、發生概率（O）、探測度（D）的評分標準，調整FMECA風險評估維度。

嚴重度（S）評分需突出組件損失權重。若故障直接導致光伏板損壞，S值基礎分（1～10分制）加3分；若導致倉庫全面停滯，S值加4分。

發生概率（O）評分需結合設備運行強度。堆垛機因需覆蓋18000個貨位，行走電機、升降卷揚的日均運行時長超16小時，是其他行業自動化立體倉庫的1.5倍，故障發生概率高。針對高頻作業部件（如行走電機），將O值基礎分提高1～2分。

探測度（D）評分需關聯傳感器部署密度。在堆垛機關鍵部件（電機、貨叉定位系統）加裝專用傳感器，提升故障探測能力，對應的D值從8分（難探測）降至3分（易探測）。

此外，引入故障樹分析（Fault Tree Analysis，FTA）[3]與FMECA融合，將堆垛機升降系統卡頓這一故障模式拆解為“卷揚潤滑不足—軸承磨損—電機負載過大”的故障鏈，使風險根源更清晰，RPN計算的針對性提升30%。

三

OEE與FMECA的協同融合

OEE與FMECA存在天然協同性。OEE的損失量化[4]可彌補FMECA風險難落地的缺陷，FMECA的根源定位可解決OEE損失無方向的問題。以某18000貨位光伏組件自動化立體倉庫為研究對象，該倉庫以堆垛機為核心存取設備，主要承載單重不大于3噸的光伏組件出入庫、存儲與倒庫作業，具有存儲密度高、

作業頻次高、設備連續運行時間長等特點。通過5Why分析法，針對OEE下降的問題，分析協同效果。

1.基于OEE分解的時間開動率損失分析

采用OEE分解方法，識別出時間開動率由88%降至74%。為鎖定時間開動率損失來源，采集近30天運行數據，對OEE三大要素（時間開動率A、性能開動率P、合格品率 Q）進行計算分析，得到一個月的具體數據，如表1。將近30天數據與近6個月平均情況相比較，具體數據如表2。

表1 近30天的稼動率三要素

從表2中可知，近30天的時間開動率與歷史均值對比下降13.33個百分點，是三要素中偏差最大的維度。性能開動率與歷史均值對比僅下降1個百分點，偏差極小，對OEE的影響可忽略。合格品率與歷史均值完全持平，無任何質量損失，不影響OEE變化。

表2 30天與近6個月的稼動率三要素對比

經分析，近30天的數據中總停機時間17400分鐘，包括必要停機與非必要停機時間。其中必要停機，指光伏倉儲特有的、無法避免的停機（如組件外觀檢測、負載適配、貨位分區切換等用時），雖計入停機時間，但需在分析時剔除其對時間開動率的負面影響（屬于增值作業的前置環節）。結合歷史數據，近30天必要停機時長應為10104分鐘，因此近30天內非必要停機時長為7296分鐘，結合近30天內系統的停機記錄做分類統計，見表3。時間開動率低的主要原因是非計劃的故障停機（占比超67.1%），而非計劃內維護或偶發待料。要解決時間開動率低的問題，須進一步定位具體的故障類型（如哪類設備、哪個部件的故障），針對性制定優化策略。

表3 30天內停機記錄表

2.基于FMECA的主要停機故障識別與分析

采用FMECA方法對堆垛機故障模式進行風險評估，計算得出行走電機故障RPN=72，確認為主要停機原因。組建跨部門小組，梳理堆垛機故障，按1～10分制評嚴重度（S）、發生概率（O）、探測度（D），算RPN值，見表4。

表4 堆垛機RPN統計表

根據調取倉庫系統近30天的故障停機記錄，結合表3統計的總故障停機時間4896分鐘（30 天累計，占總停機時間的 67.1%），按故障模式分類統計停機時長，計算各類故障占總故障停機時間的比例，驗證 RPN 值與實際影響的匹配度，見表5。

表5 按照故障模式分類統計停機時長

行走電機故障停機時間占總故障停機時間的比例為78.43%。該數據表明，行走電機故障不僅RPN值高（72），且單次停機時間長、發生頻次高，最終導致其占故障停機時間的78.43%，是實際影響最大的故障。

3. 基于5Why的故障根源追溯與改進實施

采用5Why分析法逐層追溯故障根源，梳理故障傳導鏈，即停機—電機過熱—軸承磨損—潤滑周期過長—維護計劃未匹配18000貨位的運行強度。經五輪由表及里的原因分析，最終確定電機停機并非單一設備故障，而是作業強度、維護策略、數據協同、管理機制等多層因素共同作用的結果。將潤滑周期由15天縮短至10天，優化后設備 OEE恢復至正常水平。通過五輪原因分析，由表及里、逐層追溯，最終明確電機停機并非單一設備故障，而是作業強度、維護策略、數據協同、管理機制多層因素共同作用的結果，具體過程如下。

第一輪定位電機停機的直接誘因。拆解檢測行走故障電機，內部軸承存在滾珠劃痕與金屬磨損，停機時電機外殼實測溫度達92℃（設備正常運行溫度閾值為≤70℃）。軸承磨損導致摩擦阻力顯著增大，摩擦生熱使電機溫度超過安全閾值，觸發過熱保護機制，造成電機停機。因此，電機頻繁停機的直接原因是軸承磨損引發的電機過熱。

第二輪探究軸承快速磨損的核心因素。查閱堆垛機維護記錄，軸承潤滑周期設定15天（每次添加專用潤滑脂50克），但結合倉庫18000個貨位的作業強度測算，堆垛機日均需在近區、中區、遠區間往返120次，行走電機累計運行時長16小時，是傳統5000～10000貨位倉庫電機運行時長的2倍。檢測潤滑脂殘留量發現，在潤滑周期第12天時，軸承內潤滑脂剩余量僅為15%（正常工況下該節點剩余量應≥40%），潤滑脂提前耗盡導致軸承處于干摩擦狀態，加速了磨損進程。由此確定，軸承快速磨損的核心因素是潤滑周期過長與高作業強度不匹配導致的潤滑不足。

第三輪解析潤滑周期設定不合理的根源。追溯潤滑周期的制定依據，初始參數直接沿用堆垛機廠家提供的通用標準（適用于5000～10000貨位、日均運行8～10小時的場景），未結合倉庫18000貨位的實際布局與作業強度進行調整。維護團隊在制定計劃時，未建立貨位數量—運行時長—設備負荷的關聯分析模型，僅依賴設備手冊參數，導致潤滑周期與實際需求脫節。因此，潤滑周期不合理的根源是維護計劃未基于倉庫貨位規模與作業強度動態優化。

第四輪挖掘維護計劃優化缺失的深層問題。進一步調研倉庫管理流程，運維部門與倉儲規劃部門存在數據協同斷層。規劃部門在設計18000貨位布局時，未向運維部門同步貨位分散度對設備運行強度的影響系數；運維部門也未主動收集堆垛機日均運行時長、負載變化等實時數據，用于校準維護參數。部門間數據傳遞不暢，導致無法建立科學的貨位—強度—維護關聯模型，進而影響維護計劃的優化。綜上，維護計劃優化缺失的深層問題是跨部門數據協同機制的缺失。

第五輪明確數據協同機制缺失的本質。梳理倉庫組織架構與職責分工，發現運維部門核心職責聚焦于設備故障維修與日常保養，倉儲規劃部門專注于貨位布局與庫存管理，兩者未設定明確的跨部門協作流程（如月度數據同步會議、共享數據平臺），導致貨位規劃與設備維護的關鍵數據（如貨位作業頻次、設備運行負荷）無法互通。這種職責邊界清晰但協同不足的管理模式，是數據協同機制缺失的本質原因。

這一過程驗證了“OEE 找損失—FMECA找根源”的協同邏輯。針對上述追溯得出的根本問題，結合倉庫18000貨位的作業強度與管理現狀，制定兩項核心解決方案并落地實施。第一項解決方案為調整行走電機維護參數，將軸承潤滑周期從15天縮短至10天，同時將單次潤滑脂添加量從50克增至60克，確保高作業強度下軸承始終處于有效潤滑狀態，從源頭減少軸承磨損與電機過熱停機風險。第二項解決方案為建立跨部門數據協同機制，明確要求運維部門與倉儲規劃部門每月同步相關核心數據，其中運維部門提供堆垛機運行數據，包括日均運行時長、故障頻次等；規劃部門提供貨位作業數據，涵蓋分區作業量、庫存周轉率等，通過數據互通動態校準設備維護計劃，實現維護策略與實際作業需求的精準匹配。方案實施1個月后，通過倉庫自動化系統數據持續監測顯示，行走電機故障次數從每月 12 次降至 2 次，故障停機時間累計減少3200分鐘；設備時間開動率從74.67%恢復至88%，整體OEE從70%回升至82%，充分驗證了基于5Why根源追溯的OEE與FMECA協同優化策略的科學性和有效性。

四

OEE與FMECA協同融合模型的構建與實施

1.協同融合模型的三層次設計

如圖1所示，構建OEE與FMECA協同融合的“應用—感知—數據”三層次協同模型。

圖1 協同融合模型的架構圖

應用層負責優化策略生成與迭代。核心功能包括風險排序（按RPN值從高到低輸出故障清單）、損失量化（計算各類故障導致的OEE損失占比）、策略生成（基于風險-損失雙維度制定方案）。采用PDCA循環迭代策略，例如首次針對行走電機故障制定每10天潤滑軸承的方案，運行1個月后發現OEE提升12%，但仍有輕微停機，二次優化為潤滑+溫度監測（超60℃預警），使OEE再提升5%。

感知層負責設備狀態全面采集。針對堆垛機的行走、升降、貨叉、控制四大系統，部署傳感器。行走系統加裝振動傳感器（監測電機運行狀態）、位移傳感器（記錄貨位定位精度）；升降系統加裝拉力傳感器（監測鏈條負載，適配1～3噸組件重量）、溫度傳感器（監測卷揚機溫度）；貨叉系統加裝視覺傳感器（檢測組件夾持狀態）；控制系統加裝通訊模塊（實時傳輸PLC數據）。傳感器部署需避免過度采集，重點覆蓋RPN>40的高風險部件，可使數據傳輸成本降低。

數據層負責信息處理與關聯。采用5G技術實現數據傳輸時延<10毫秒，通過3σ原則剔除異常數據（如傳感器瞬時誤報），構建故障模式RPN值OEE損失的關聯數據庫。開發數據映射算法，將行走電機故障（RPN=72）與日均停機3小時、時間開動率損失18.75%、OEE損失18.75%直接關聯，使數據解讀效率提升50%。

2.核心參數的場景化校準

在光伏倉儲協同融合模型中，核心參數的校準方法包括RPN閾值校準、OEE目標值設定[5]和組件重量適配參數。

不同RPN閾值對優化效果的影響。RPN>80為緊急處理（如電機軸承過熱，需24小時內維修）、40≤RPN≤80為計劃處理（如貨叉定位傳感器漂移，可在周維護中調整）、RPN<40為日常監控（如設備外殼腐蝕，年度大修即可）。若將緊急處理閾值從80降至60，會導致維護成本增加15%但OEE提升至91%；若提高至100，維護成本下降10%但OEE僅維持82%，因此確定80為最優閾值。

OEE目標值設定。電站建設旺季需日均出庫2000塊組件，當OEE≥85%時，可滿足旺季出庫需求；OEE<80%時會出現出庫延遲。因此將模型的稼動率目標值設定為85%～90%[6]，平衡效率與成本。

組件重量適配參數。針對1～3噸不同重量的光伏組件關聯堆垛機負載與故障風險。當組件重量超2.5噸時，升降系統鏈條的故障RPN值上升12點，因此在模型中設定重量>2.5噸時，升降系統維護周期縮短20%的適配規則。

3.優化策略的實踐路徑

基于協同融合模型，形成四步優化路徑，即風險識別、損失量化、策略制定與效果迭代，并在某18000貨位光伏組件自動化立體倉庫中驗證效果。

（1）FMECA主導的風險識別

梳理堆垛機23類故障模式，見表6，計算RPN值并排序，識別出前三大高風險故障為行走電機故障（RPN=72）、貨叉定位偏差（RPN=54）、升降系統卡頓（RPN=36）。

表6 堆垛機故障模式列表

（2）OEE主導的損失量化

基于倉庫16小時工作制開展量化分析，稼動率（OEE）損失是時間開動率、性能開動率、合格品率三類指標損失的綜合體現，據此計算三類故障對應的稼動率損失，具體數據詳見表7。

表7 稼動率損失計算

（3）協同決策策略制定

綜合OEE損失量化結果與FMECA風險等級判定，以高風險、高損失的關鍵故障為優先改進對象，形成設備運維參數優化與管理機制完善相結合的協同優化策略。策略內容圍繞潤滑周期調整、潤滑脂用量優化、跨部門數據協同以及維護計劃動態校準等核心措施展開，兼顧短期故障抑制與長期可靠性提升，具體優化內容與實施路徑如表8所示。

表8 優化策略制定表

（4）動態調整的效果迭代

為保障優化策略長期有效并適應倉庫作業強度變化，對策略實施后的關鍵指標進行持續監測與閉環管控，重點跟蹤時間開動率、故障停機時長、行走電機可靠性及OEE水平的改善趨勢，同時依據監測結果動態調整維護周期與協同管理機制，形成可量化、可追溯、可迭代的改進閉環。各項指標的監測數據、調整節點與迭代效果如表9所示。

表9 實施效果迭代追蹤表

四

結論

本文研究表明，OEE與FMECA的協同融合能夠有效解決光伏組件自動化立體倉庫在效率提升與可靠性管控方面的痛點問題。通過設定RPN閾值80、OEE目標85%90%等場景化參數，可將倉庫OEE從65%提升至89%，同時顯著降低設備故障頻次與維護成本。本文構建的“應用—感知—數據”三層次模型與四步優化路徑，為同類型自動化倉儲系統提供了可復制、可推廣的實踐方案，尤其在18000貨位規模的大型存儲場景及1～3噸光伏組件負載適配中表現出較強的適用性。

參考文獻:

[1]黃洪鐘.機械傳動可靠性理論與應用.北京:中國科學技術出版社,1995.

[2]肖磊,李曉昕. FMECA在戰斗部可靠性設計中的應用.電子質量,2015(1).

[3]李瑞保.基于FMECA的可靠性軟件開發.東北大學,2009.

[4]孫偉.淺談提高設備利用率在制造業的作用[J].有色礦冶,2010,26(3):102-104.

[5]陳建龍.生產現場優化管理[M].上海:復旦大學出版社,2010.

[6]張孝桐.設備點檢管理手冊[M].北京:機械工業出版社,2013.

———— 物流技術與應用融媒 ————

編輯、排版：王茜

本文內容源自

歡迎文末分享、點贊、在看！轉載請聯系后臺。

廣告宣傳