头部广 告
摘要：本文针对18000个货位、光伏组件单重≤3吨且以堆垛机为核心设备的自动化立体仓库，围绕仓库整体作业效率优化需求，展开设备综合效率（OEE）与故障模式、影响及危害性分析（FMECA）的协同应用探索。通过梳理OEE理论和FMECA理论的适配性，探索风险识别-损失量化-策略迭代的协同路径，重点解决光伏仓储场景下故障根源难定位、效率损失难量化的痛点。研究表明，经场景化参数调整后构建融合OEE与FMECA的协同模型，通过FMECA识别故障风险、OEE量化损失程度、靶向制定优化策略，进行参数适配，可精准识别堆垛机高风险故障（如行走电机故障、货叉定位偏差），使仓库整体稼动率从65%提升至89%，为光伏组件仓储效率优化提供可复制的实践方案。
关键词：自动化立体仓库；光伏组件；OEE；FMECA；效率优化；协同应用
作者：李瑞保1，2 张明瑞1，2 李晋玲1，2
1北京起重运输机械设计研究院有限公司
2机械工业智能仓储物流技术重点实验室
题眼广 告
一
引言
现阶段自动化立体仓库普遍依托仓储管理系统（WMS）与设备控制系统（WCS）实现货物自动存取与信息化管理，有效提升了仓储空间利用率与作业效率。但当前系统仍以基础作业执行与静态库存管控为主，缺乏对核心物流设备故障的系统性识别、效率损失的定量化分析，以及运维策略的动态化优化，难以适配光伏组件仓储重载、高周转的特殊场景需求。
在全球光伏产业规模化扩张的背景下，光伏组件仓储物流环节正朝着高效化、高可靠性方向加速升级。光伏组件自动化仓库作为衔接前端连续生产线与后端发运环节的关键枢纽，堆垛机等核心设备日均运行时长超16小时，长期高负荷运转导致设备疲劳与故障风险显著升高；同时光伏组件单重不超过3吨且搭载玻璃易碎基板，一旦发生设备故障，引发的组件破损与货物损失成本远高于设备本身的维护成本，对仓储系统的稳定性与经济性提出了极高要求。
为此，本文以某光伏企业18000货位自动化立体仓库为研究对象，探索设备综合效率（OEE）与故障模式、影响及危害性分析（FMECA）的协同应用，实现设备运行风险与作业效率的联动优化，填补光伏行业自动化立体仓库在该领域的实践空白，为同类重载、高周转光伏仓储项目提供参考与借鉴。
二
OEE与FMECA的应用与优化
设备综合效率（Overall Equipment Effectiveness, OEE）可量化设备有效利用程度，反映故障、等待等造成的效率损耗。故障模式、影响及危害性分析（Failure Mode, Effects and Criticality Analysis, FMECA）[1]能系统识别潜在故障、预判风险。使用OEE能监测效率结果，但无法定位故障部件；应用FMECA能识别风险，却难以量化其对效率的实际影响。
1.堆垛机设备综合效率应用与优化
OEE是衡量设备实际作业能力与理论最大作业能力的核心指标，通过时间开动率（Availability，A）、性能开动率（Performance，P）、合格品率（Quality，Q）三个维度的乘积计算得出，广泛应用于工业设备管理与效率优化场景，如公式（1）。
其中：
由于光伏组件仓储具有作业强度高、组件特性特殊、货位布局庞大等固有特性，传统OEE计算方法无法精准适配该场景，易导致效率量化偏差。因此，结合光伏仓储特性，重点针对OEE三大核心维度进行优化，提升堆垛机稼动率计算的精准度。
一是时间开动率（A）的必要时间剔除。光伏组件入库前的外观检测（2分钟/件），属于增值作业，需从非计划停机时间中剔除。若未剔除该类时间，会导致时间开动率计算偏差达8%~12%。
二是性能开动率（P）的区间加权计算。18000个货位按其与入库口的距离可分为近区（≤50米）、中区（50～100米）、远区（>100米），堆垛机在不同区间的理论运行速度存在差异（近区120米/分钟、中区90米/分钟、远区60米/分钟）。采用货位作业频次×区间速度的加权算法，使P值计算误差从15%降至5%以内。
三是合格品率（Q）的隐性损失纳入。光伏组件的微损伤（如电路层隐性划痕）源于堆垛机运行振动（振幅超0.5重力加速度时损伤风险激增）。引入振动传感器实时监测，将振动超标导致的不合格纳入Q值计算，使合格品率评估更精准。
2. 基于FMECA的堆垛机失效风险评估与优化
失效危害性评估是FMECA的关键环节[2]，通过量化指标确定失效模式的严重程度，为改进措施的制定提供依据。常用的评估方法是风险优先数法（Risk Priority Number，RPN），RPN计算公式为：
RPN值越高，说明失效模式的危害性越大，需要优先采取改进措施。针对光伏仓储堆垛机，设定严重度（S）、发生概率（O）、探测度（D）的评分标准，调整FMECA风险评估维度。
严重度（S）评分需突出组件损失权重。若故障直接导致光伏板损坏，S值基础分（1～10分制）加3分；若导致仓库全面停滞，S值加4分。
发生概率（O）评分需结合设备运行强度。堆垛机因需覆盖18000个货位，行走电机、升降卷扬的日均运行时长超16小时，是其他行业自动化立体仓库的1.5倍，故障发生概率高。针对高频作业部件（如行走电机），将O值基础分提高1～2分。
探测度（D）评分需关联传感器部署密度。在堆垛机关键部件（电机、货叉定位系统）加装专用传感器，提升故障探测能力，对应的D值从8分（难探测）降至3分（易探测）。
此外，引入故障树分析（Fault Tree Analysis，FTA）[3]与FMECA融合，将堆垛机升降系统卡顿这一故障模式拆解为“卷扬润滑不足—轴承磨损—电机负载过大”的故障链，使风险根源更清晰，RPN计算的针对性提升30%。
三
OEE与FMECA的协同融合
OEE与FMECA存在天然协同性。OEE的损失量化[4]可弥补FMECA风险难落地的缺陷，FMECA的根源定位可解决OEE损失无方向的问题。以某18000货位光伏组件自动化立体仓库为研究对象，该仓库以堆垛机为核心存取设备，主要承载单重不大于3吨的光伏组件出入库、存储与倒库作业，具有存储密度高、
作业频次高、设备连续运行时间长等特点。通过5Why分析法，针对OEE下降的问题，分析协同效果。
1.基于OEE分解的时间开动率损失分析
采用OEE分解方法，识别出时间开动率由88%降至74%。为锁定时间开动率损失来源，采集近30天运行数据，对OEE三大要素（时间开动率A、性能开动率P、合格品率 Q）进行计算分析，得到一个月的具体数据，如表1。将近30天数据与近6个月平均情况相比较，具体数据如表2。
表1 近30天的稼动率三要素
从表2中可知，近30天的时间开动率与历史均值对比下降13.33个百分点，是三要素中偏差最大的维度。性能开动率与历史均值对比仅下降1个百分点，偏差极小，对OEE的影响可忽略。合格品率与历史均值完全持平，无任何质量损失，不影响OEE变化。
表2 30天与近6个月的稼动率三要素对比
经分析，近30天的数据中总停机时间17400分钟，包括必要停机与非必要停机时间。其中必要停机，指光伏仓储特有的、无法避免的停机（如组件外观检测、负载适配、货位分区切换等用时），虽计入停机时间，但需在分析时剔除其对时间开动率的负面影响（属于增值作业的前置环节）。结合历史数据，近30天必要停机时长应为10104分钟，因此近30天内非必要停机时长为7296分钟，结合近30天内系统的停机记录做分类统计，见表3。时间开动率低的主要原因是非计划的故障停机（占比超67.1%），而非计划内维护或偶发待料。要解决时间开动率低的问题，须进一步定位具体的故障类型（如哪类设备、哪个部件的故障），针对性制定优化策略。
表3 30天内停机记录表
2.基于FMECA的主要停机故障识别与分析
采用FMECA方法对堆垛机故障模式进行风险评估，计算得出行走电机故障RPN=72，确认为主要停机原因。组建跨部门小组，梳理堆垛机故障，按1～10分制评严重度（S）、发生概率（O）、探测度（D），算RPN值，见表4。
表4 堆垛机RPN统计表
根据调取仓库系统近30天的故障停机记录，结合表3统计的总故障停机时间4896分钟（30 天累计，占总停机时间的 67.1%），按故障模式分类统计停机时长，计算各类故障占总故障停机时间的比例，验证 RPN 值与实际影响的匹配度，见表5。
表5 按照故障模式分类统计停机时长
行走电机故障停机时间占总故障停机时间的比例为78.43%。该数据表明，行走电机故障不仅RPN值高（72），且单次停机时间长、发生频次高，最终导致其占故障停机时间的78.43%，是实际影响最大的故障。
3. 基于5Why的故障根源追溯与改进实施
采用5Why分析法逐层追溯故障根源，梳理故障传导链，即停机—电机过热—轴承磨损—润滑周期过长—维护计划未匹配18000货位的运行强度。经五轮由表及里的原因分析，最终确定电机停机并非单一设备故障，而是作业强度、维护策略、数据协同、管理机制等多层因素共同作用的结果。将润滑周期由15天缩短至10天，优化后设备 OEE恢复至正常水平。通过五轮原因分析，由表及里、逐层追溯，最终明确电机停机并非单一设备故障，而是作业强度、维护策略、数据协同、管理机制多层因素共同作用的结果，具体过程如下。
第一轮定位电机停机的直接诱因。拆解检测行走故障电机，内部轴承存在滚珠划痕与金属磨损，停机时电机外壳实测温度达92℃（设备正常运行温度阈值为≤70℃）。轴承磨损导致摩擦阻力显著增大，摩擦生热使电机温度超过安全阈值，触发过热保护机制，造成电机停机。因此，电机频繁停机的直接原因是轴承磨损引发的电机过热。
第二轮探究轴承快速磨损的核心因素。查阅堆垛机维护记录，轴承润滑周期设定15天（每次添加专用润滑脂50克），但结合仓库18000个货位的作业强度测算，堆垛机日均需在近区、中区、远区间往返120次，行走电机累计运行时长16小时，是传统5000～10000货位仓库电机运行时长的2倍。检测润滑脂残留量发现，在润滑周期第12天时，轴承内润滑脂剩余量仅为15%（正常工况下该节点剩余量应≥40%），润滑脂提前耗尽导致轴承处于干摩擦状态，加速了磨损进程。由此确定，轴承快速磨损的核心因素是润滑周期过长与高作业强度不匹配导致的润滑不足。
第三轮解析润滑周期设定不合理的根源。追溯润滑周期的制定依据，初始参数直接沿用堆垛机厂家提供的通用标准（适用于5000～10000货位、日均运行8～10小时的场景），未结合仓库18000货位的实际布局与作业强度进行调整。维护团队在制定计划时，未建立货位数量—运行时长—设备负荷的关联分析模型，仅依赖设备手册参数，导致润滑周期与实际需求脱节。因此，润滑周期不合理的根源是维护计划未基于仓库货位规模与作业强度动态优化。
第四轮挖掘维护计划优化缺失的深层问题。进一步调研仓库管理流程，运维部门与仓储规划部门存在数据协同断层。规划部门在设计18000货位布局时，未向运维部门同步货位分散度对设备运行强度的影响系数；运维部门也未主动收集堆垛机日均运行时长、负载变化等实时数据，用于校准维护参数。部门间数据传递不畅，导致无法建立科学的货位—强度—维护关联模型，进而影响维护计划的优化。综上，维护计划优化缺失的深层问题是跨部门数据协同机制的缺失。
第五轮明确数据协同机制缺失的本质。梳理仓库组织架构与职责分工，发现运维部门核心职责聚焦于设备故障维修与日常保养，仓储规划部门专注于货位布局与库存管理，两者未设定明确的跨部门协作流程（如月度数据同步会议、共享数据平台），导致货位规划与设备维护的关键数据（如货位作业频次、设备运行负荷）无法互通。这种职责边界清晰但协同不足的管理模式，是数据协同机制缺失的本质原因。
这一过程验证了“OEE 找损失—FMECA找根源”的协同逻辑。针对上述追溯得出的根本问题，结合仓库18000货位的作业强度与管理现状，制定两项核心解决方案并落地实施。第一项解决方案为调整行走电机维护参数，将轴承润滑周期从15天缩短至10天，同时将单次润滑脂添加量从50克增至60克，确保高作业强度下轴承始终处于有效润滑状态，从源头减少轴承磨损与电机过热停机风险。第二项解决方案为建立跨部门数据协同机制，明确要求运维部门与仓储规划部门每月同步相关核心数据，其中运维部门提供堆垛机运行数据，包括日均运行时长、故障频次等；规划部门提供货位作业数据，涵盖分区作业量、库存周转率等，通过数据互通动态校准设备维护计划，实现维护策略与实际作业需求的精准匹配。方案实施1个月后，通过仓库自动化系统数据持续监测显示，行走电机故障次数从每月 12 次降至 2 次，故障停机时间累计减少3200分钟；设备时间开动率从74.67%恢复至88%，整体OEE从70%回升至82%，充分验证了基于5Why根源追溯的OEE与FMECA协同优化策略的科学性和有效性。
四
OEE与FMECA协同融合模型的构建与实施
1.协同融合模型的三层次设计
如图1所示，构建OEE与FMECA协同融合的“应用—感知—数据”三层次协同模型。
图1 协同融合模型的架构图
应用层负责优化策略生成与迭代。核心功能包括风险排序（按RPN值从高到低输出故障清单）、损失量化（计算各类故障导致的OEE损失占比）、策略生成（基于风险-损失双维度制定方案）。采用PDCA循环迭代策略，例如首次针对行走电机故障制定每10天润滑轴承的方案，运行1个月后发现OEE提升12%，但仍有轻微停机，二次优化为润滑+温度监测（超60℃预警），使OEE再提升5%。
感知层负责设备状态全面采集。针对堆垛机的行走、升降、货叉、控制四大系统，部署传感器。行走系统加装振动传感器（监测电机运行状态）、位移传感器（记录货位定位精度）；升降系统加装拉力传感器（监测链条负载，适配1～3吨组件重量）、温度传感器（监测卷扬机温度）；货叉系统加装视觉传感器（检测组件夹持状态）；控制系统加装通讯模块（实时传输PLC数据）。传感器部署需避免过度采集，重点覆盖RPN>40的高风险部件，可使数据传输成本降低。
数据层负责信息处理与关联。采用5G技术实现数据传输时延<10毫秒，通过3σ原则剔除异常数据（如传感器瞬时误报），构建故障模式RPN值OEE损失的关联数据库。开发数据映射算法，将行走电机故障（RPN=72）与日均停机3小时、时间开动率损失18.75%、OEE损失18.75%直接关联，使数据解读效率提升50%。
2.核心参数的场景化校准
在光伏仓储协同融合模型中，核心参数的校准方法包括RPN阈值校准、OEE目标值设定[5]和组件重量适配参数。
不同RPN阈值对优化效果的影响。RPN>80为紧急处理（如电机轴承过热，需24小时内维修）、40≤RPN≤80为计划处理（如货叉定位传感器漂移，可在周维护中调整）、RPN<40为日常监控（如设备外壳腐蚀，年度大修即可）。若将紧急处理阈值从80降至60，会导致维护成本增加15%但OEE提升至91%；若提高至100，维护成本下降10%但OEE仅维持82%，因此确定80为最优阈值。
OEE目标值设定。电站建设旺季需日均出库2000块组件，当OEE≥85%时，可满足旺季出库需求；OEE<80%时会出现出库延迟。因此将模型的稼动率目标值设定为85%～90%[6]，平衡效率与成本。
组件重量适配参数。针对1～3吨不同重量的光伏组件关联堆垛机负载与故障风险。当组件重量超2.5吨时，升降系统链条的故障RPN值上升12点，因此在模型中设定重量>2.5吨时，升降系统维护周期缩短20%的适配规则。
3.优化策略的实践路径
基于协同融合模型，形成四步优化路径，即风险识别、损失量化、策略制定与效果迭代，并在某18000货位光伏组件自动化立体仓库中验证效果。
（1）FMECA主导的风险识别
梳理堆垛机23类故障模式，见表6，计算RPN值并排序，识别出前三大高风险故障为行走电机故障（RPN=72）、货叉定位偏差（RPN=54）、升降系统卡顿（RPN=36）。
表6 堆垛机故障模式列表
（2）OEE主导的损失量化
基于仓库16小时工作制开展量化分析，稼动率（OEE）损失是时间开动率、性能开动率、合格品率三类指标损失的综合体现，据此计算三类故障对应的稼动率损失，具体数据详见表7。
表7 稼动率损失计算
（3）协同决策策略制定
综合OEE损失量化结果与FMECA风险等级判定，以高风险、高损失的关键故障为优先改进对象，形成设备运维参数优化与管理机制完善相结合的协同优化策略。策略内容围绕润滑周期调整、润滑脂用量优化、跨部门数据协同以及维护计划动态校准等核心措施展开，兼顾短期故障抑制与长期可靠性提升，具体优化内容与实施路径如表8所示。
表8 优化策略制定表
（4）动态调整的效果迭代
为保障优化策略长期有效并适应仓库作业强度变化，对策略实施后的关键指标进行持续监测与闭环管控，重点跟踪时间开动率、故障停机时长、行走电机可靠性及OEE水平的改善趋势，同时依据监测结果动态调整维护周期与协同管理机制，形成可量化、可追溯、可迭代的改进闭环。各项指标的监测数据、调整节点与迭代效果如表9所示。
表9 实施效果迭代追踪表
四
结论
本文研究表明，OEE与FMECA的协同融合能够有效解决光伏组件自动化立体仓库在效率提升与可靠性管控方面的痛点问题。通过设定RPN阈值80、OEE目标85%90%等场景化参数，可将仓库OEE从65%提升至89%，同时显著降低设备故障频次与维护成本。本文构建的“应用—感知—数据”三层次模型与四步优化路径，为同类型自动化仓储系统提供了可复制、可推广的实践方案，尤其在18000货位规模的大型存储场景及1～3吨光伏组件负载适配中表现出较强的适用性。
参考文献:
[1]黄洪钟.机械传动可靠性理论与应用.北京:中国科学技术出版社,1995.
[2]肖磊,李晓昕. FMECA在战斗部可靠性设计中的应用.电子质量,2015(1).
[3]李瑞保.基于FMECA的可靠性软件开发.东北大学,2009.
[4]孙伟.浅谈提高设备利用率在制造业的作用[J].有色矿冶,2010,26(3):102-104.
[5]陈建龙.生产现场优化管理[M].上海:复旦大学出版社,2010.
[6]张孝桐.设备点检管理手册[M].北京:机械工业出版社,2013.
———— 物流技术与应用融媒 ————
编辑、排版：王茜
本文内容源自
欢迎文末分享、点赞、在看！转载请联系后台。
广告宣传
热门跟贴