3. 协同改善的起点

协同改善最容易失败的方式，是各部门凭经验各自提出“我觉得这里有问题”，然后争论谁的判断更对。真正可靠的起点，是把现场损失变成一张可共享、可量化、可排序的地图。现场诊断的任务不是找谁的错，而是回答三个问题：这条产线的时间到底花在哪里？设备在计划开动时间内损失了多少？这些损失中，哪些是跨部门协同才能消除的？

一、时间观测：先把“一个循环”拆开

现场诊断的第一步是时间观测。以一条装配线为例，假设节拍要求为 60 秒/件，我们连续观测 10 个循环，记录每个循环的作业时间、等待时间、异常停顿和走动距离。观测时使用三色记录法：绿色为增值作业，黄色为必要非增值（如取放、检验），红色为纯浪费（等待、返工、重复搬运）。

假设某工位 10 个循环的观测结果如下（示例数据，用于说明方法）：

从这组数据可以读出几个关键事实：平均循环时间约 49.9 秒，低于 60 秒节拍，说明单件能力有余量；但等待时间平均 7.5 秒，异常停顿平均 2 秒，两者合计约 9.5 秒，占循环时间的 19%。这意味着即使设备不停机，工位本身也存在近 20% 的时间损失。更值得注意的是，等待时间波动在 5～10 秒之间，说明上游供料或信息传递不稳定，而不是操作员动作慢。

二、OEE 分解：把设备损失拆到可归因

时间观测解决的是“人机循环”层面的问题，OEE 分解则解决“设备在计划开动时间内到底损失在哪”的问题。OEE = 时间开动率 × 性能开动率 × 合格品率。以某设备一个班次 8 小时（480 分钟）为例，计划停机 30 分钟（换型、班前会），则计划开动时间为 450 分钟。

假设实际记录：故障停机 25 分钟，换型调整 20 分钟，短暂停顿累计 18 分钟，速度损失折算 30 分钟，废品与返工折算 15 分钟。则：

时间开动率 = (450 - 25 - 20) / 450 = 405 / 450 = 90.0%
性能开动率 = (理论节拍 × 实际产量) / 实际开动时间
           = (1.0 min/件 × 360件) / 405 min = 360 / 405 = 88.9%
合格品率   = (360 - 18) / 360 = 342 / 360 = 95.0%
OEE        = 90.0% × 88.9% × 95.0% ≈ 76.0%

这个 76% 不是终点，而是诊断入口。把损失按“六大损失”归类后，可以看到：故障停机 25 分钟、换型 20 分钟、短暂停顿 18 分钟、速度损失 30 分钟、废品返工 15 分钟，合计 108 分钟，正好等于 450 分钟减去 342 分钟有效产出时间。其中速度损失 30 分钟最大，但它往往被误判为“设备老化”，实际可能是来料波动、参数设置保守或操作员为保质量主动降速。短暂停顿 18 分钟则常与上游断料、卡料、传感器误触发相关，属于典型的跨部门问题。

三、浪费识别：从数据回到现场动作

有了时间观测和 OEE 分解，还需要把数据映射回具体的浪费形态。常见的八类浪费中，与产线协同改善最相关的是等待、搬运、库存、动作、过度加工和不良。判断方法不是贴标签，而是追问“这个动作改变了产品的什么属性”。如果答案是否定的，它大概率是浪费。

例如，操作员每件产品需要转身取料 3 秒，10 个循环累计 30 秒。若按 360 件/班计算，仅转身取料就消耗 18 分钟。这 18 分钟不会出现在 OEE 的故障停机里，却真实存在于性能损失中。再如，来料包装每箱 20 件，操作员每取 20 件需拆一次箱、处理一次空箱，单次 12 秒，则每班 18 次拆箱合计 3.6 分钟。这些碎片化损失单独看很小，合并后往往超过一次故障停机。

四、把诊断结果变成可执行的损失地图

损失地图不是一张漂亮的图表，而是一份带优先级和归属的行动清单。建议按以下字段整理：损失项、量化时间、影响维度（时间/质量/成本）、责任接口、初步原因、验证方式、优先级。以本节示例数据为例，速度损失 30 分钟、短暂停顿 18 分钟应排在最前，因为它们同时涉及工艺、设备、采购和生产，单靠一个部门无法闭环。

验证方式必须可观测。例如，针对速度损失，可以约定“连续 3 个班次记录实际节拍与理论节拍偏差，若偏差从 12% 降到 5% 以下，则判定改善有效”；针对短暂停顿，可以约定“每班记录卡料次数，从平均 6 次降到 2 次以下”。这些判据在诊断阶段就要写清楚，否则改善后无法验证收益，协同也会失去持续动力。