在智能制造/工业数字化领域，PHM、PEM和PQM 三个概念通常构成"设备—工艺—质量"三位一体的分析框架，分别聚焦不同的业务对象：
| 缩写 | 全称（常见表述） | 聚焦对象 | 核心问题 | 核心指标 |
|---|---|---|---|---|
| PHM | Prognostics and Health Management（故障预测与健康管理） | 设备/资产 | 设备会不会坏、什么时候坏 | 健康指数(HI)、剩余寿命(RUL)、MTBF |
| PEM | Process/Energy Management（工艺过程与能效管理）生产效率管理 | 工艺参数/能耗 | 产线跑得快不快、稳不稳 | OEE、稼动率、节拍达成率、换型时间 |
| PQM | Product Quality Management（产品质量管理） | 产品/质量 | 产品合不合格、为什么不合格 | 一次合格率(FPY)、不良率、质量根因定位准确率 |
稼动率（Operating Rate / 可动率）稼动率是衡量设备实际运转时间占计划工作时间比例的指标，只关注"设备有没有在动"，不考虑速度快慚或产出质量好坏。
计算公式：
稼动率 = 稼动时间（实际运转时间）÷ 负荷时间（计划开动时间） × 100%
其中：
- 负荷时间：日历工作时间 - 计划停止时间（如休息、早会、计划保养、无订单待机等）
- 稼动时间：负荷时间 - 非计划停止损失（故障停机、换型调整、突发停线等）
OEE（Overall Equipment Effectiveness，设备综合效率） OEE 是更全面的指标，由三个维度相乘构成，同时衡量时间利用率、速度效率、质量合格率：
OEE = 时间稼动率（可用率）× 性能稼动率（性能效率）× 良品率
OEE背后的"六大损失"（TPM理论）
| 损失类型 | 影响哪个OEE因子 |
|---|---|
| ① 故障停止损失 | 可用率（稼动率） |
| ② 换模/调整损失 | 可用率（稼动率） |
| ③ 空转、短暂停止损失 | 性能效率 |
| ④ 速度降低损失 | 性能效率 |
| ⑤ 启动/初期良品率损失 | 良品率 |
| ⑥ 不良品返工损失 | 良品率 |
三者协同关系（设备—效率—质量）
- PHM → PEM：设备健康劣化（如伺服电机磨损、气动元件泄漏）会直接表现为设备速度损失或故障停机，是拖累OEE中"性能稼动率""时间稼动率"的根因之一
- PEM → PQM：产线为追求效率而提高节拍/降速运行的调整，可能影响产品质量稳定性（如冲压速度加快导致毛刺率上升），效率与质量常存在权衡关系
- PQM → PEM：质量停机（在线检测触发的停线、返修）本身就是OEE良品率损失的直接来源，质量改善直接反映在效率指标提升上
- 典型集成场景：以OEE看板为效率入口，下钻关联设备健康预警（定位性能/故障停机根因）与质量检测数据（定位良品率损失根因），形成"效率发现问题→设备/质量根因定位→精准改善"的分析闭环
graph LR
PHM[PHM
设备健康管理] -->|设备劣化影响稼动率| PEM[PEM
生产效率管理]
PEM -->|效率调整影响良品率| PQM[PQM
产品质量管理]
PQM -->|质量停机影响OEE| PEM
PHM -.->|故障停机导致不良品| PQM
分别从"设备是否健康""工艺是否高效""产品是否合格"三个维度构建数据驱动的分析能力。在工业制造领域，设计、评估或实施PHM（故障预测与健康管理）、 PEM（生产效率与能效管理） 和 PQM（产品质量管理） 项目时，通常需要通过一套标准的分析框架来评估其可行性与价值。
以下梳理并定义这三个主题中 “业务问题”、“应用思路”、“实施条件”、“可观察价值”和“适用边界” 五个核心维度的定义与具体内涵。
- 业务问题：企业在生产运营中面临的实际痛点，通常表现为成本、效率、质量或安全方面的损失
- 应用思路：解决该问题所采用的技术路径，包括数据采集方式、建模方法、系统集成逻辑
- 实施条件：落地该方案所需的前提条件，涵盖数据基础、硬件基础、组织能力三方面
- 可观察价值：方案上线后可量化衡量的收益指标（KPI）
- 适用边界：方案的适用范围、局限性及不适用场景，避免"技术万能论"
定义： 指制造企业在日常生产、运营或资产管理中面临的、亟待解决的痛点、瓶颈或潜在风险。它直接关系到企业的核心利润、安全生产以及市场竞争力。
- PHM主题下的业务问题： 侧重于 “资产不可控”。如关键设备发生无预警停机导致生产线瘫痪、过度维护造成的资金与人力浪费、零部件突发故障引发的安全生产事故。
- PEM主题下的业务问题： 侧重于 “过程浪费与低效”。如生产线综合效率（OEE）低下且无法精确定位瓶颈工序、非生产时间能耗（电、气、水、热）居高不下、碳排放核算不精准。
- PQM主题下的业务问题： 侧重于 “产出不合格”。如产品缺陷检测滞后导致批量废品（事后控制）、工艺参数波动引起的产品质量一致性差、人工质量抽检成本高且易漏检。
定义： 指解决上述业务问题的技术逻辑、方法论体系以及闭环控制方案。它阐明了如何利用数据、算法和机理模型，将“物理世界”的现象转化为“数字世界”的决策，再反作用于“物理世界”。
-
PHM主题的应用思路： “感知
$\rightarrow$ 诊断$\rightarrow$ 预测$\rightarrow$ 决策”。即采集物理信号（振动、温度、电流等），提取故障特征，构建健康指数（HI），预测剩余寿命（RUL），并自动触发排程维护。 -
PEM主题的应用思路： “精细计量
$\rightarrow$ 瓶颈识别$\rightarrow$ 动态协同$\rightarrow$ 绿色精益”。即通过全工序能耗与生产节拍的秒级对齐，识别生产瓶颈，建立设备待机/运行的能效联动模型（如休眠模式），实现效率与能耗双优化。 -
PQM主题的应用思路： “在线检测
$\rightarrow$ 关联建模$\rightarrow$ 预测控制（APC）”。即利用机器视觉或高精度传感器在线获取产品质量数据，将“工艺参数”与“质量指标”进行耦合建模，当发现偏差趋势时，算法自动下发参数微调指令给控制系统（PLC），实现主动式质量闭环。
定义： 指项目落地的技术门槛、基础设施要求以及必备的数据与知识资产。它是评估企业是否具备实施该技术方案的“入场券”。
- PHM主题的实施条件：
- 硬件： 能够加装高频、高精度传感器（如振动、声发射）。
- 数据： 拥有或可以模拟出关键部件的“故障样本数据”（用于算法训练）。
- 机理： 掌握设备的机械结构知识（如轴承特征频率、齿轮啮合频率）。
- PEM主题的实施条件：
- 系统： 具备基本的车间信息化系统（如SCADA、MES、ERP），设备联网率高。
- 计量： 具备完善的工业介质（电、气、水）二级或三级分项计量仪表。
- 工艺： 明确设备在快速启停、升降温过程中的工艺安全约束。
- PQM主题的实施条件：
- 检测： 拥有高精度、低延迟的在线无损检测设备（如激光测厚、3D视觉、X射线）。
- 网络： 边缘侧与控制侧具备超低延迟的工业通信网络。
- 关联： 生产数据具备完整的时间/空间标签，能实现“工艺参数”与“产品个体质量”的一一对应。
定义： 指项目实施后，能够被量化评估、直接观测到并对财务或运营报表产生积极贡献的KPI（关键绩效指标）提升。
- PHM主题的可观察价值：
- 非计划停机时间减少（%）。
- 平均故障间隔时间（MTBF）延长，平均修复时间（MTTR）缩短。
- 备品备件库存占用资金降低（%）。
- PEM主题的可观察价值：
- 全局设备效率（OEE）提升。
- 单位产品综合能耗（如吨钢能耗、单箱能耗）及碳排放量下降。
- 车间非生产性待机功耗降低（%）。
- PQM主题的可观察价值：
- 一次性投料合格率（FTY）提升、废品率及返工率降低。
- 制程能力指数（Cpk）提升，质量散差收窄。
- 换产/调试时间缩短，客诉率下降。
定义： 指该解决方案的经济性约束、技术限制及不适用场景。它明确了技术“能做”与“不能做”的界限，防止技术滥用或投资回报率（ROI）过低。
- 数据成熟度：历史数据量不足、数据质量差（噪声大、标注缺失）会显著限制模型效果
- 机理知识依赖：纯数据驱动模型在样本不足时泛化能力弱，通常需要机理模型或专家经验做补充/校正
- 组织配合度：技术方案需要与现场维护、工艺、质量团队的实际工作流程结合，否则容易出现"模型准但没人用"的问题
- 投入产出比：并非所有设备/工艺/产品都值得投入建模，应优先选择高价值、高频次、影响大的场景切入
- PHM主题的适用边界：
- 适用： 故障机理清晰、失效后果严重的重资产设备（如风电机组、大型压缩机、高精机床）。
- 不适用： 价值极低且易于更换的辅助设备（“跑冒滴漏”事后维修更划算）；或故障发生极快、无任何渐变预兆的偶发性突发故障。
- PEM主题的适用边界：
- 适用： 自动化程度高、能耗占总成本比例大、生产节拍快的流水线或流程工业。
- 不适用： 以手工装配为主的劳动密集型车间；或设备极少、能源消耗几乎不随生产负荷变化的轻型组装行业。
- PQM主题的适用边界：
- 适用： 生产过程标准化、产量大、质量偏差可通过调整工艺参数进行补偿的连续制造过程。
- 不适用： 极度依赖高级工匠经验（如艺术瓷器烧制、高定手工皮具）；或工艺参数对质量的影响具有极大迟滞性、无法进行实时闭环调节的场景。
业务问题
- 产线实际产出率低于设计产能，但停机/减速原因分散、难以量化归因
- 换型（换模、换料）时间长，影响柔性生产节拍
- 管理层缺乏可视化、实时的产线效率数据，依赖人工统计报表（滞后、失真）
- 瓶颈工位识别不准确，产能提升投资方向错误（例如盲目增加非瓶颈设备产能）
应用思路
- 采集设备PLC/传感器信号，自动计算OEE三要素：时间稼动率（可用性）、性能稼动率（速度）、良品率
- 建立停机原因分类模型（计划停机、故障停机、换型停机、待料等待、质量停机），实现自动打标而非人工填报
- 通过产线节拍数据识别瓶颈工位（约束理论 TOC 思路），支撑精益改善（Kaizen）决策
- 结合换型时间分析，推动SMED（快速换模）改善
- 构建产线级、车间级、工厂级多层OEE看板，支持横向对标（同类产线、跨班组、跨工厂）
实施条件
- 数据基础：设备PLC/信号需具备数字化采集能力（开机/停机/节拍信号），排产计划数据可获取
- 系统集成：与MES/APS系统打通，能获取计划产能、实际排产、订单信息用于计算基准
- 组织条件：需要生产、设备、工艺三方协同定义停机原因分类标准；一线班组需配合确认/标注异常原因（自动化程度不足时）
- 管理基础：企业需具备持续改善（精益生产）的管理文化，否则数据可视化后无人跟进整改
可观察价值
- OEE指标提升（典型案例可从60%~70%提升至80%以上）
- 换型时间缩短（SMED改善案例可降低30%~50%）
- 瓶颈工位识别准确率提升，产能投资更精准（避免无效扩产）
- 停机原因统计效率提升，从"事后人工填报（滞后小时级）"到"实时自动归因（分钟级）"
适用边界
- 适用：节拍明确、工序标准化程度较高的离散制造产线（汽车总装、3C电子组装、家电生产线）
- 不适用：单件小批、非标定制生产（节拍不稳定，OEE基准难以定义）；纯连续型工艺（更适合用PEM中"过程稳定性/产率"类指标而非传统OEE三要素）
- 局限：
- 自动化程度低的产线，停机原因仍依赖人工标注，数据准确性受限
- OEE是"结果性指标"，需要与根因分析（如结合PHM的设备健康数据、PQM的质量数据）联动，才能真正驱动改善，单独看OEE数值容易陷入"只监控不改善"
我司与西门子合作的工业AI通识课上线智慧树https://coursehome.zhihuishu.com/courseHome/1000134128 ，案例包含代码演示和解释。 欢迎学习，也欢迎扔鸡蛋，扔西红柿。