OEE 报告自动化全流程：从设备铭牌识别到 Word 报告与 HTML 看板（附工程包）

🏭制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）

文章摘要

针对制造业月末 OEE 报告制作繁琐、耗时久、结论模糊的普遍痛点，本文基于智联工坊 3 条产线、3 个月共 276 条真实模拟数据，演示用 WorkBuddy 实现从设备铭牌多模态识别、OEE 三率趋势分析到自动生成 Word 专业报告、HTML 交互看板的全流程自动化。附完整可运行 Python 工程包，替换数据即可落地，大幅缩减 OEE 报表制作周期。

一、本文交付物清单

        读完本文，你将直接拿到以下4样东西：

💡 适用说明：本方案适配离散制造业日维度 OEE 统计与月度报告场景；流程行业需调整指标体系与波动阈值；若需实时 OEE 监控，需对接 MES 数据库并增加定时任务自动刷新。

二、开篇钩子：制造人都懂的那个月末

        兄弟们，问你们一个制造人都懂的场景：每个月底做OEE报告，你是怎么搞的？

        打开MES导出的Excel → 筛选 → 排序 → 算平均值 → 画折线图 → 复制到Word → 调格式 → 截图 → 发邮件给老板。

        就这么一套流程，少则半天，多则一天。

        关键是你做完之后，老板只问一句：“OEE为什么降了？”

        你只能回答：“好像......B线不太稳？”

        这种“好像”的感觉，最要命。

        正好我在做“智联工坊”虚拟工厂的OEE模拟数据——3条产线、3个月、276条记录。我决定用WorkBuddy试试，看能不能把这件事自动化。

三、数据准备：276条OEE记录 + 3张铭牌照片

我用Python生成了2026年6月1日至8月31日的OEE模拟数据：

        同时，我准备了三张“智联工坊”设备铭牌照片（由Pillow程序化绘制，避免版权问题），用于展示WorkBuddy的多模态图片识别能力。

关键设计：在数据里埋了三个“趋势故事”：

• 爬坡期（6月）：新产线/新设备磨合，OEE偏低

• 稳定期（7月）：工艺与人员磨合完成，OEE达到峰值

• 波动期（8月）：某条产线出现异常波动

四、第一步：设备铭牌图片识别（多模态能力展示）

设备铭牌示例图：

我把三张铭牌照片拖入WorkBuddy，输入了以下Prompt：

我上传了几张设备铭牌/参数牌的照片，请完成以下任务：

1. 识别每张图片中的关键信息：设备编号、设备名称/型号、生产厂家、生产日期、额定参数
2. 将识别结果整理为结构化表格（Markdown格式）
3. 标注识别置信度

WorkBuddy的输出：

📌 这一步的核心价值： 原来需要人工逐一录入的设备铭牌信息，现在拍照→丢给WorkBuddy→直接出结构化表格。三张铭牌从识别到输出，不到2分钟。

五、第二步：OEE趋势分析与长周期解读

我把276条OEE记录丢给WorkBuddy，让它做完整分析。

5.1 整体趋势

核心发现： 3个月平均OEE为72.9%，呈先升后降的“倒V”趋势。7月达到峰值后，8月因B线波动出现回落。

5.2 产线对比（核心洞察）

核心洞察：C 线为标杆产线，平均 OEE 82.4%；B 线为短板，仅 63.3%，差距达 19.1 个百分点。B 线瓶颈在可用率（83%）和性能率（79.5%），合格率反为三线最高，问题出在生产效率而非品质。

        标杆 vs 短板：C线比B线高出19.1个百分点。 B线的瓶颈在于可用率（83%）和性能率（79.5%），合格率反而是最高的。这意味着B线的问题在“生产效率”而非“品质”。

5.3 三段式阶段分析

六、第三步：生成Word专业报告

WorkBuddy基于以上分析，生成了完整的Word报告，包含：

报告中的核心结论：

1. 3个月平均OEE为72.9%，7月达到峰值，8月因B线波动回落。

2. 标杆产线为C线（82.4%），短板为B线（63.3%），差距19.1个百分点。

3. 三段式趋势：6月70.0%（爬坡期）→ 7月75.9%（稳定期）→ 8月72.6%（波动期）。

4. 21条异常点全部集中在爬坡期——这是统计阈值法在全产线同向波动场景下的天然盲区。

5. 波动期OEE标准差11.5%，显著高于稳定期的7.3%，建议对B线启动专项改善。

七、第四步：生成HTML交互看板

        最后，让WorkBuddy生成一个纯前端HTML看板：

        看板功能清单：

技术约束全部满足：

• 纯前端，双击 index.html 即可打开

• ECharts已本地化（lib/echarts.min.js），0网络请求

• 自适应布局，手机/投影均可查看

八、踩坑与注意点

实战中踩过的坑，兄弟们直接避开：

1. OEE恒等式偏差问题

OEE = 可用率 × 性能率 × 合格率。初期我用“反推法”生成数据，结果245条记录不满足恒等式。修正为先定A/P/Q、再算OEE的正向构造法后，276条全部满足偏差<1%。

2. 铭牌图片识别置信度

Pillow绘制的铭牌因文字右侧出框，识别置信度全为“中”。解决方法：给画布预留足够边距，或采用多行排版。

3. 异常点全部集中在爬坡期

21条异常点全部落在6月爬坡期，而预设的“8月B线波动”没有被全局阈值法捕获。这是因为三条产线在爬坡期同步拉低均值，导致阈值整体下移，掩盖了后期相对自身的异常。

这是统计阈值法的天然盲区，不是AI的错。 建议对B线8月数据单独采用“相对自身基线”的异常识别方法（详见#05案例）。

4. 依赖库本地化是硬约束

HTML看板依赖 echarts.min.js，必须放在 lib/ 目录下，否则页面报错。我把ECharts 5.4.3下载到了 lib/，确保双击即可用。

更多统计异常检测的避坑细节，可参考系列番外篇《制造业 MES 异常检测避坑指南：3σ+IQR 分组判定 9 个常见坑（附速查表）》

九、完整交付物清单

所有代码已按V1.2规范编写，已工程化重构。

所有脚本已按 V1.2 工程规范重构，配置集中在 config.py，提供 run_all.py 一键运行入口，PyCharm 直接打开即可调试，替换自有数据仅需修改配置文件。

十、对制造业IT人的价值

        这个案例的本质：把“OEE报告”从“手工苦力”变成“自动化产出”。

十一、实在人总结

做了二十多年工厂数字化，OEE 月报是每个月的固定苦力活。把这件事自动化，省下来的时间才能真正去做产线改善，而不是天天做表。 

       怕你忘了，我再啰嗦一遍😀😀😀：

1. 多模态不是噱头，是真能干活。 设备铭牌照片→结构化数据，原来靠手抄，现在靠拍照。3张铭牌不到2分钟，准确率比手抄还高。

2. OEE报告的“三率拆解”才是价值所在。 B线OEE低，但合格率反而是最高的——说明问题在“生产效率”不在“品质”。这个结论，靠Excel透视表也能算，但WorkBuddy直接写进报告里了。

3. 统计阈值法的盲区要清楚。 21条异常全部在爬坡期，不是8月没异常，而是爬坡期均值被拉低后，后期“相对异常”不够“绝对异常”。不是AI不行，是方法要换——对B线8月数据单独建基线。

4. Word报告+HTML看板双输出，覆盖两种场景。 报告给老板看，看板给团队用。你不需要在Excel和Word之间来回切了。

十二、评论区炸弹

        兄弟们，这篇把OEE报告的完整自动化方案公开了——铭牌识别→数据解读→Word报告→HTML看板，四样东西全都有。

你们的OEE报告是怎么做的？

A. 全靠手工（Excel+Word，做一次半天）
B. 有现成的看板系统（但报告还得自己写）
C. 外包给别部门做（羡慕你）
D. 我们做得比这还牛（大佬求带）

    兄弟们，OEE 全流程自动化方案更了，铭牌识别 + 趋势分析 + Word 报告 + HTML 看板全套都有。 完整工程包（5 个 Python 脚本 + 配置文件 + 看板源码 + 报告模板），评论区留 「OEE 工程」 我逐一发，替换自己的数据就能跑。

    下一期更生产日报自动生成，感兴趣的可以点个订阅蹲一波

够意思吧？评论区见！👇

📎 系列导航

📌 本文数据来源：智联工坊虚拟工厂OEE模拟数据（276条记录×3条产线×3个月）。所有代码（5个Python脚本 + HTML看板 + 完整工程）已按V1.2规范重构，评论区留言“要OEE工程”即可获取完整工程包。