Optimization of overall equipment effectiveness (OEE) factors: Case study of a vegetable oil manufacturing company
Notice bibliographique
Résumé
The poor maintenance and usage of the equipment and machines of a vegetable oil manufacturing company adversely affect its competitive advantage. These industries are faced with numerous equipment maintenance challenges in the path to increasing their throughput as well as profitability. To address the said maintenance challenges, process data were obtained for the Overall Equipment Effectiveness (OEE) factors after their Total Productive Maintenance (TPM) implementation in the company. Minitab 21 software was used to analyze the data collected, and the results showed that the mean for quality, availability, and performance obtained were 96.929%, 63.35%, and 61.20%, respectively. This shows that the quality of products is the greatest OEE factor that vegetable oil manufacturing companies must consider meticulously to reduce the six big losses in their production processes. Response Surface Method (RSM) with Central Composite design, with the application of Design Expert 13 software, was used to model, analyze, and optimize the Overall Equipment Effectiveness (OEE) using availability, quality, and performance as the input parameters. The analysis of both the actual and coded values, which is the main contribution of the study, showed that quality has the greatest value followed by availability and performance. It was found that, to effectively reduce the six big losses, the quality, performance, and availability should be targeted as 98.3052%, 81.6022%, and 80.103%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».