Online Overall Equipment Effectiveness (oee) Improvement Using Data

Chapter 8
Online Overall Equipment Effectiveness
(OEE) Improvement Using Data
Analytics Techniques for CNC Machines
Miaolong Yuan, Alireza Alghassi, Serina Fei Zhao, Sin Wah Wu,
Amirul Muhammad, Jingfang Cui, and Kyaw Sett Myo
Abstract In the manufacturing world, time truly equals money. The Overall
Equipment Effectiveness (OEE) is a key performance indicator used in the manu-
facturing industry to determine the efficiency of plant operations. OEE is able to
measure and visualize plant’s operational effectiveness, and to create actionable
steps to improve quality, save time, and eliminate waste. It can be used as a
benchmark to compare the organization performance to industry standards. In the
era of Industry 4.0, smart manufacturing must embrace production big data to
improve the manufacturing system significantly. Smart data exploitation provides
advantages impacting key performance indicators (KPIs) like productivity, quality,
and efficiency. In this chapter, an online OEE improvement system using machine
learning and data analytics techniques is presented for the CNC machining pro-
duction. Firstly, sensors connected to a CNC machine were used to collect
machining process data relating to tool conditions and equipment conditions.
Secondly, the machine data was analyzed to estimate the occurrence of tool failures,
predict product quality and investigate machine performance, thus minimizing
M. Yuan (&)

 A. Alghassi 
 S. F. Zhao 
 S. W. Wu 
 A. Muhammad 
 J. Cui 
 K. S. Myo
Advanced Remanufacturing and Technology Centre (ARTC), Agency for Science,
Technology and Research (A*STAR), 3 Cleantech Loop, #01/01 CleanTech Two,
Singapore 637143, Singapore
e-mail:
yuan_miaolong@artc.a-star.edu.sg
A. Alghassi
e-mail:
alireza_alghassi@artc.a-star.edu.sg
S. F. Zhao
e-mail:
zhao_fei@artc.a-star.edu.sg
S. W. Wu
e-mail:
wusw@artc.a-star.edu.sg
A. Muhammad
e-mail:
muhammad_amirul@artc.a-star.edu.sg
J. Cui
e-mail:
cui_jingfang@artc.a-star.edu.sg
K. S. Myo
e-mail:
lee_nanzhou@artc.a-star.edu.sg
©
The Author(s), under exclusive license to Springer Nature Switzerland AG 2021
C. Toro et al. (eds.), Implementing Industry 4.0, Intelligent Systems Reference
Library 202,
https://doi.org/10.1007/978-3-030-67270-6_8
201

unnecessary downtime and maximizing machine efficiency for OEE improvement.
We have conducted experiments on a CNC machine to validate how data analytics
techniques could improve the OEE in the CNC machining process.
Keywords Overall equipment effectiveness (OEE)


Smart manufacturing


Industry 4.0


Productivity


Data analytics
8.1
Introduction
OEE (Overall Equipment Effectiveness) is a key performance indicator for mea-
suring manufacturing productivity. It includes three key indicators, i.e., availability,
performance, and quality. Availability takes into account Unplanned and Planned
Stops. Performance takes into account Slow Cycles and Small Stops. Quality takes
into account Defects (including parts that need Rework) [
20
,
21
,
23
]. OEE is able to
determine the efficiency of plant operation and improve quality, save time and
eliminate waste.
OEE is used as a benchmark to compare the performance of a given production
line to industry standards. It can identify the factors that affect manufacturing
performance the most and the least. However, most companies are not aware of the
full capacity of their manufacturing equipment to increase production efficiency.
They track OEE using manual methods which are tedious to analyze the data with
manual recordings. Moreover, they usually use traditional preventive maintenance
to avoid future failures or breakdown of machine. In addition, the quality inspection
usually happens at the end of process in which inspection is carried out offline for
the required quality. Adjusting the machining parameters will be too late if
non-conformance of quality products is produced. Many companies usually make
improvement in OEE by focusing mainly on small adjustments happening on the
line, such as handovers from one shift to the next and changeovers from one
product to the next.
In the era of Industry 4.0, smart manufacturing must embrace big data which is
improving the manufacturing system [
16
]. Smart exploitation of data is providing a
large set of competitive advantages impacting key performance indicators (KPIs),
such as productivity, quality, and efficiency. Big data analytics, internet of things,
and artificial intelligence, have nowadays driven traditional manufacturing all the
way to smart manufacturing. By taking advantage of manufacturing data,
data-driven solutions can improve the production efficiency. Data-driven predictive
maintenance will be the new technology to improve the machine performance and
OEE. The data gathered from connected smart machines and equipment can be used
to estimate the occurrence of equipment and tool failures using data analytics
techniques, thus minimizing unnecessary downtime and maximizing machine
efficiency. Data-driven predicted product quality can improve the product quality
and performance and further increase the OEE. Sensors collect digital data related
to product, such as raw materials, tool condition, and equipment conditions, process
202
M. Yuan et al.

parameters etc. Machine learning (ML) and data analytics techniques can utilize all
sensors data to create prediction models for the tool and equipment adjustments
before the product quality goes out of specification. The OEE calculation provides
such possibility to identify the main factors that reduce the machine effectiveness
and take decisions in order to improve the machine effectiveness.
In this chapter, an automatic digitalized OEE tracking system will be presented
and demonstrated comparing with a manual OEE on a DMG-MORI NLX-2500
CNC machine producing a gearbox shaft in Model Factor at Advanced
Remanufacturing and Technology Centre (MF@ARTC). The purpose of the OEE
calculation is to develop online monitoring technology that will be real-time,
accurate, traceable, and automatic for mass production environments by predicting
machine’s health condition, quality of machined products and tool condition with
advanced data analytics techniques.
8.2
Literature Review
Manufacturing companies, especially local small enterprises, are struggling to
optimize their production line systems for minimizing the cost while keeping high
productivity. The competitiveness of manufacturing companies largely depends on
the availability and performance of their facilities and quality of their products. It
would be imperative to have a standard performance measurement metric that can
consider different important elements in a manufacturing system [
11
,
20
,
21
,
23
].
Over the past years, OEE has been considered as a gold standard for measuring
manufacturing productivity and identifying the percentage of manufacturing times
that facilities are truly productive.
The concept of OEE was originated from Japan in [
11
]. In 1988, Nakajima
proposed the total productive maintenance (TPM) including the OEE to the U.S.
Since then, OEE has attracted a lot of attention in industry as the standard per-
formance indicator of a piece of equipment [
12
]. Pintelon and Muchiri analyzed
how OEE has evolved and its variants such as total equipment effectiveness per-
formance, production equipment effectiveness, overall factory effectiveness, overall
plant effectiveness, and overall asset effectiveness [
20
]. They further proposed a
framework for classifying and measuring production losses for overall production
effectiveness.
Several researches have been conducted to illustrate the use cases of OEE in
industry [
5
,
7
,
8
]. Dal et al. reported the use of OEE for an operational measure and
also an indicator of process improvement activities [
5
]. He addressed that OEE
provides an indicator on production improvement and argued that OEE is more
suitable for high-volume process-based manufacturing where the capacity utiliza-
tion is of a high priority and stoppages or disruptions are expensive in terms of lost
capacity [
5
]. Fam et al. studied the relationship between the lean manufacturing
methods and the OEE in paper manufacturing. They had demonstrated that the
measurement of OEE is able to evaluate quality and productivity and identify
8
Online Overall Equipment Effectiveness …
203

related factors for improvement in lean machines [
7
]. Ingemansson and Bolmsjö
showed different case studies to prove the potential of OEE to increase efficiency in
a manufacturing system by studying production disturbances [
13
]. Konopka
investigated OEE in semiconductor manufacturing and described imperfections in
applying OEE with regard to time base and rate efficiency [
15
]. He observed that
OEE includes equipment-independent conditions, such as lack of input items, but in
real scenarios this condition is not caused by the equipment but by the environment
of the equipment. He further proposed a new concept of real equipment effec-
tiveness that is related to equipment-dependent states including productive state,
scheduled down state, and unscheduled down state and applied the new effec-
tiveness metric in the semiconductor manufacturing environments. Chand and
Shirvani [
4
] also introduced an alternative for the OEE to overcome the limitations,
i.e., total equipment productivity, by excluding nonscheduled downtime.
To determine the OEE, accurate measures are necessary [
5
,
14
]. However, most
factories do not undertake careful measurements and their solutions for computing
the OEE may not be able to reflect the actual equipment effectiveness [
4
]. To
efficiently and accurately calculate the OEE, Leachman [
17
] proposed that a
breakdown of the overall efficiency into its many components is desirable for the
OEE improvement. Badiger and Gandhinathan also proposed a solution to recog-
nize the most convenient strategy for calculating OEE and define optimum values
for a manufacturing resource [
1
].
Although there are different solutions to calculate the OEEs in manufacturing,
reliable data collection is required for the OEE improvements. We are now in the
era of industry 4.0 and manufacturing is getting smarter [
16
]. With the huge amount
of real-time data available in model manufacturing systems, the conventional OEE
solutions defined to evaluate productivity, quality and performance become less
effective. More and more smart sensors and wireless technologies are used to
capture data at all stages of a product’s life, such as material properties, tempera-
tures and vibrations of equipment and automatic quality inspection. However, most
companies do not know what to do with the data they have to improve their
processes and products [
16
].
With the advent of machine learning (ML) technology, data-driven solutions
could become more powerful and adaptive. Data analytics techniques are able to
provide quality prediction, machine performance prediction and remaining useful
life (RUL) with real-time tuning of execution parameters, resulting in better quality
outcomes. It can predict failures before they happen, avoid costly repairs, and set up
better preventative maintenance programs, thus being able to improve the product
quality performance and further increase OEE. Once reliable estimates for RUL,
machine performance prediction and accurate quality prediction are obtained, the
results can be integrated into dashboards used by operators or incorporated them
into alarm systems monitored by maintenance teams. The machine operators can
then respond to changes in equipment health as quickly as possible, and without
204
M. Yuan et al.

affecting operations. The setup times and optimize cycle times thus can be reduced
with collaboration between human and AI systems. Another typical example is that
deep learning techniques can impact quality, especially for automatic visual defects
in manufacturing systems.
Bonada et al. discussed how different ML and data analytics techniques can
enable a big step forward in manufacturing processes, focusing on the great impact
of OEE illustrated by use cases in manufacturing activities, such as quality pre-
diction or process optimization for plastic injection molding or iron foundry, pre-
dictive maintenance, quality control and time series data analytics at different
granularity levels [
2
].
Folmer et al. presented a data-driven fault detection system for valves to increase
the OEE [
8
]. The data-driven valve diagnosis system used historical process data
across physical valve models to detect faults by comparing standardized flow
coefficient. Liao et al. proposed a recurrent reinforcement learning approach for the
predictive OEE [
18
]. The predictive OEE can evaluate and monitor the forthcoming
effectiveness of a single tool. The authors combined long-short term memory
(LSTM) [
10
] and reinforced deep Q-network (DQN) [
19
] techniques in predicting
stochastic dynamics in production and quality to calculate the predictive OEE.
A chemical vapor deposition (CVD) tool was used as a use case to illustrate the
calculation of the predictive OEE. Hassani et al. [
9
] used different machine learning
algorithms, including SVM, genetic algorithm, random forest, XGBoost and deep
learning to predict the OEE value. The results show that the deep learning and
random forest are more accurate and present better performance for the prediction
of the overall equipment effectiveness in this use case study.
Brunellia et al. proposed a deep learning (DL)-based approach for production
performance forecasting in fresh products packaging for predicting future values of
OEE [
3
]. DL techniques were used to address this problem by analyzing historical
production performance data related to measurements, warnings and alarms. The
authors demonstrated the effectiveness on a real case study and validated that the
OEE enables the development of predictive services in the area of predictive
maintenance and quality monitoring for packaging equipment providers.
As there are thousands of ML methods available, here raises the question, i.e.,
which method is most suitable for a specific use case in different manufacturing
activities. In general, when ML and data analytics are used for machine perfor-
mance measurement, quality prediction for the OEE improvement, feature engi-
neering is crucial to identify the relevance and importance of features. The extracted
and ranked features can be then fed into the ML algorithm for prediction, machine
health monitor and quality inspection applications for the OEE improvement. In the
following section, an online OEE system will be introduced using related ML and
data analytics techniques for the CNC machining process.
8
Online Overall Equipment Effectiveness …
205

8.3
Methodology
8.3.1
Data-Driven OEE Modules
As mentioned in [
5
,
14
], the accuracy of the OEE data is of critical importance. The
use of OEE as a production measure necessitates accuracy in the performance data
collected. Without accurate data, the OEE measure can easily lead to large errors
which affect its credibility. It is therefore important to invest time and money in
improvement of data collection by embracing new automated technology.
Figure
8.1
shows the modules of the developed online OEE system. Sensors are
used to collect data and monitor performance of critical subsystems in a CNC
machine and together with related data analytics solutions to predict product
quality, machine performance and estimate remaining useful life of a tool for the
OEE improvement. The overall machine performance is estimated and compared
with the manual OEE baseline. A digital OEE dashboard system is also developed
to monitor the OEE in real-time. More details will be described in the following
sessions.
8.3.2
Data Collection
Two types of data have been collected for the OEE improvement: (1) sensor data
(e.g., vibration data) was captured from a DMG MORI NLX 2500 CNC machine
[
6
] during shaft machining process; and (2) quality data was measured after man-
ufacturing the products. There are two purposes for data collection: (1) set up the
OEE baseline for comparison with data analytics solutions; and (2) data-driven ML
solutions for cutting tool RUL estimation, machine performance prediction and
quality prediction.
Fig. 8.1 Data-driven OEE system development and modules
206
M. Yuan et al.

The sensors were connected to three Compact RIO data acquisition
(DAQ) devices system from National Instrument (NI) [
22
]. The sensor data was
compiled within the technical data management solution (TDMS) file for each
shaft. The case carburized and hardened shafts were machined with the NLX 2500
machine. The machining was divided in two operations: roughing and finishing.
The shaft was clamped on the left side in the main chuck attached to the main
spindle and supported by a tailstock on the right side, as shown in Fig.
8.2
.
Three machine failure modes were selected and simulated in order to determine
the correlation between the sensor data, machine performance and shaft quality.
These failure modes are tool wear, spindle unbalance and tailstock misalignment,
which are common and basic failure modes that occur regularly in the industry. We
have collected sensor data under three different tool cutting speeds, i.e., 70 m/min,
90 m/min and 110 m/min, respectively. Other machining parameters are 0.1 mm/
rev feed rate, 0.23 mm depth of roughing cut and 0.07 depth of finishing. Flank
wears were measured from 0 (i.e., a new tool) till 0.2 mm and experiments were
conducted with repeated 3 times for each cutting speed.
After manufacturing the shafts, the quality of the machined shafts was inspected
with respect to the product geometry, such as roundness and diameter, and surface
properties, such surface roughness. These parameters were evaluated during
post-process in a laboratory using calibrated Taylor Hobson, Talysurf and CMM,
respectively. Figure
8.3
shows the positions that were measured to obtain the
intended quality parameters. These offline measured quality values will be used to
build ML models for the OEE improvement.
8.3.3
Remaining Useful Life
Remaining useful life (RUL) is the length of time a machine or a tool, which is
likely to operate before it requires to be repaired or replaced, as shown in Fig.
8.4
.
By taking the RUL of a machine part or a cutting tool into account, engineers can
schedule replacement in advance and avoid unplanned downtime, thus improving
the value of OEE.
Fig. 8.2 Machining sequence of the shaft
8
Online Overall Equipment Effectiveness …
207

Fig. 8.3 Shaft measurement positions
Fig. 8.4 RUL demonstration
208
M. Yuan et al.

The inputs for a remaining useful life model will largely depend on the data
available that can be considered as indicators of the condition of the machine parts.
For the purpose of the validation of ML techniques in improving the OEE, it is
assumed that the manufacturing process is under similar machining conditions, i.e.,
the same cutting speed, the same product, and other similar machining setting. The
inputs for the RUL models are considered as (1) tool wear of a cutting tool after
machining different shafts; and (2) machining timings of each shaft.
The term ‘tool wear’ is associated with tool bits or tipped tools which are used
together with machine tools. There are various wears that can occur on the cutting
tool. For example, flank wear occurs as the flank face of the insert is in contact with
a part. The flank wear is then measured using a microscope from the tip to the
highest point of the tool wear on the insert. Flank wear is more predictable as
compared to other forms of tool wear such as crater wear, thermal cracking and
built-up edge. Tool wear affects the surface roughness, profile accuracy and fin-
ishing dimensions. Table
8.1
below illustrates the different tool conditions simu-
lated in our experiments.
Figure
8.5
shows the flowchart of the RUL development model. First, under
each tool cutting speed condition, there are eight shafts to be manufactured. For
each shaft, there are two major processes: (1) machining of the shaft is used to
collect the data from the sensors placed in the CNC machine. After each cut on this
shaft, the cutting insert was removed from the tool holder and the flank wear of the
insert was measured using an optical microscope; and (2) in between each actual
cut, there were some rough cuts in order to increase the tool wear rate. The flank
wear of the current insert was measured again before repeating. Once the desired
tool wear had been reached, same process was repeated two more times for the
same cutting speed, using two different inserts. Each test with specific cutting
parameters was repeated three times, as there are three cutting speeds.
For the second step, the timings of the cutting tool were extracted from each
TDMS file which is related to the corresponding shaft. After cutting each shaft, the
degree of tool wear of the insert was measured. According to the TDMS file, we
extract the machining timings for each shaft and a second order polynomial
regression is built to model the extracted cutting timings and tool wear data, as
shown in Fig.
8.6
. It can be observed that the tool wear is strongly correlated with
Table 8.1 Tool wear
conditions of inserts
S/N
Tool wear (mm)
1
0.00
2
0.03
3
0.06
4
0.09
5
0.12
6
0.15
7
0.18
8
0.20
8
Online Overall Equipment Effectiveness …
209

Fig. 8.6 Relationship between the tool wear and the machining timings at different cutting speeds
a 70 mm/min b 90 mm/min c 110 mm/min. The X-axis and Y axis represent the tool cutting
timing and the corresponding wear of the cutting tool, respectively. X, Y axes denote the wear
rates and machining timings, respectively
Fig. 8.5 RUL development flowchart
210
M. Yuan et al.

the tool cutting timings. Thus, this cutting tool RUL model can be applied to
estimate the RUL once we know the current wear of the cutting tool under the
similar machining conditions.
It is worth further addressing the following two limitations:
(1) For the purpose of proof of concept, in our RUL estimation, only the tool wear
and timings are considered as data inputs to train two order regression models.
However, other regression models can also be applied to identify the correlation
between the tool wear and the sensor data online in order to estimate the tool
RUL in real-time. This could be done by extracting the patterns of the time
series sensor data using statistical feature engineering methods and the corre-
sponding tool wear situation using supervised learning to identify the current
tool wear situation online during the machining process.
(2) Currently, a second order polynomial regression was used to build the RUL
model. Regression analysis is a form of predictive modelling technique which
identifies the relationship between a dependent (target) and independent vari-
able(s) (predictor). However, there are thousands of regression models. As
mentioned above, there still has uncertainty which model is more suitable for
RUL estimation. Therefore, in future, model selection, hyper parameter tuning,
and feature engineering are necessary in order to select the optimal ML or deep
learning (DL) model.
8.3.4
Quality Prediction Model
Product quality inspection usually happens at the end of process in which inspec-
tion is carried out offline for desired quality. By using ML techniques, it is possible
to predict quality of products. Predicted product quality is the direction to improve
the product quality performance and further increase OEE.
Similar to the purpose of the estimation of RUL, a simple second order poly-
nomial regressor was also built to model the extracted cutting timings, and tool
wear data and quality measurement data for three sets under three cutting speeds,
i.e., 70, 90 and 110 m/min. The quality measurement data includes roughness and
roundness of each manufactured shaft. Figures
8.7
and
8.8
show the correlation
between tool cutting timings, and roughness, and roundness with 70 m/min cutting
speed, respectively. The correlations between the tool wear, roughness and
roundness have also been with 70 m/min, respectively, as shown in Figs.
8.9
and
8.10
.
From the experiments, as it can be observed that the roughness is strongly
correlated to the cutting timings as well as the tool wear conditions. Therefore, if
the tool cutting status or operation timings is known, the quality (i.e., roughness in
this case) of the shaft can be accurately predicted under similar machining sce-
narios. This will significantly low the time of product quality inspection, thus
resulting in the OEE improvement. It should be noted that the experiment setting
8
Online Overall Equipment Effectiveness …
211

has been controlled consistently for the aim of identifying the relationship between
the quality and cutting timings using simple ML regression models. This would not
happen in real production. However, in real scenarios, advanced ML and deep
learning (DL) can be potentially deployed to identify the key factors which affect
the quality.
Fig. 8.7 The relationship between the tool cutting timings and the roughness for three sets under
70 m/min cutting speed
Fig. 8.8 The relationship between the tool cutting timings and the roundness for three sets under
70 m/min cutting speed
Fig. 8.9 The relationship between the tool wear and the roughness for three sets under 70 m/min
cutting speed
Fig. 8.10 The relationship between the tool wear and the roundness for three sets under 70 m/min
cutting speed
212
M. Yuan et al.

In addition, some of the measurement data of the roundness might not be reliable
due to some measurement operations, as show in Figs.
8.7
,
8.8
,
8.9
. However,
manually measuring these roughness and roundness data is very tedious. Due to the
few measurement data available, one outlier might significantly affect the final
prediction accuracy. If there are sufficient measurement data, even there some
outliers in the measurement data due to improper inspection operations, some
robust filtering methods can be used to filter out the outliers, such as RANSAC, in
order to build final accuracy ML model. However, due to the cost of shafts and the
tedious measurement processes of the quality, it is not practical to have sufficient
training samples to model the regression model. In this case, related techniques,
such as transfer learning with few samples could be considered for training a ML
model.
8.3.5
Machine Performance Prediction
Given that modern machines are very robust, it takes months or years until
detectable changes in machine performance can be observed. Sensors can register
the small changes indicating the beginning of deterioration in machine components
or subsystems. However, it is not guaranteed that such changes will affect the
quality of machined products. Therefore, it is difficult to determine the remaining
useful life of a whole machine system or a machine sub-system based on one-time
measurement and without access to historical data.
Current CNC condition monitoring methodologies can be time-consuming and a
costly process and fail to achieve the reliability and operational efficiency required
by the industry [
24
]. Frequency domain analysis for machine performance pre-
diction allows an early detection and identification of any developing defects on
several components of the CNC machine such as misalignment, unbalance shaft/
bearing misalignment, thus helping to optimize the maintenance schedule. The
combination of the use of accelerometer sensor can evaluate the overall operational
condition of the CNC’s spindle’s bearings, main shaft and sub spindle.
Furthermore, fusion and analysis of the data obtained from sensors can be used to
identify several machine failure modes.
Compact RIO LabVIEW based software module is developed for the CNC
machine utilization and performance. The system software implements functions
that allow the user to view and machine’s spindle vibration data as well as addi-
tional data from complementary sensing devices (Current Transformer CT), through
a dynamic process which confirms the machine is in processing.
To perform the performance assessment, a dedicated software system uses
acquisition card’s analogue trigger capability to continuously gather data and log
them only when the simulated machining status event occurs. The user can choose
the sampling rate of the data collection according to the accelerometer sensor for
example at 25.6 kHz. The software outputs the captured waveform and its spec-
trum, so the user can judge if the installation is acceptable.
8
Online Overall Equipment Effectiveness …
213

For the actual monitoring task, health assessment will be carried out by tracking
features extracted from the vibration signals. Frequency order analysis is used to
quantify vibration in rotating machinery. An order refers to frequency that is a
certain multiple of reference rotational speed. Identified frequency components of
failure modes, i.e. misalignment and unbalance, can be compared with thresholds
extracted in a healthy state. Spindle misalignment and unbalance produce an
increase in power spectrum amplitude at same frequency at different time which can
inform of the spindle state. Figure
8.11
shows a flow diagram of the implemen-
tation of the process in the embedded developed software in a cRI0-9039
Controller.
The severity of unbalance depends on both the type and size of the machine as
well as the vibration level. To assess unbalance severity, average 1x level i.e.
Fig. 8.11 Flowchart for performance implementation in cRIO-9039 using embedded signal
processing FPGA LABVIEW software
214
M. Yuan et al.

vibration at the same frequency as the running speed of the machine, which it is for
healthy machines of the same type should be used as a comparison. If the second
harmonic peak is as large as the first harmonic, an unbalance is suspected, as shown
in Fig.
8.12
.
Misalignment is a condition where the centrelines of the coupled shaft do not
coincide. If the misaligned shaft centrelines are parallel but not coincident, then the
misalignment is said to be parallel misalignment. If the misaligned shafts meet at a
point but are not parallel, then the misalignment is called angular misalignment.
Almost all misalignment conditions of machines seen in practice are a combination
of these two basic types. The 1100 rpm = 18.33 Hz peak is noticeable with mid/
significant unbalance. The 18.3 Hz peak is present during pre-machining, but the
16 Hz peak becomes dominant during stationary machining. The magnitude of
20 Hz peak decreases as the machining stage progresses, which is like normal
machining. The magnitude of 32 Hz peak increases as the machining stage pro-
gresses, which is as if normal machining shown in green colour distinguishes from
blue colour. However, results across small, medium, and large misalignments
developed new peaks at 50 and 60 Hz, as shown in Fig.
8.13
.
Fig. 8.12 FFT of stationary machining signals with conditions of no unbalance, medium, small
and big unbalance
8
Online Overall Equipment Effectiveness …
215

8.3.6
OEE Calculation and Factor Analysis
There are three underlying factors to measure OEE, i.e., availability, performance
and quality. In real applications, it is calculated as [
23
]:
OEE
¼ Availability  Performance  Quality
ð8
:1Þ
In Eq. (
8.1
), availability is considered as down time loss including unplanned
and planned stops. Performance is the speed loss including slow cycles and small
stops while quality takes into accounts product defects, which includes the man-
ufactured parts that need be reworked. For example, if an OEE score of 100%, it
means that this is an ideal case of equipment running at 100% planned time,
consistently running at its maximum speed and output of 100 percent good quality.
There are several factors that affect the OEE for CNC machining operations.
Figure
8.14
show the common factors for CNC machining operations, including
availability loss, (planned down time, unplanned downtime), performance loss and
quality loss. Planned down time factors normally include set up and adjustment,
Fig. 8.13 From top to
bottom: plots of
accelerometer versus data
points, FFT of Stationary
Machining signals with high
peak frequency for
misalignment
216
M. Yuan et al.

preventive maintenance, offline quality inspection (assume operation will not
continue till quality result comes out), tool inspection/change, and equipment heat
up/cool down etc. Unplanned downtime factors include as material shortage,
equipment failure, limited work force, etc. Performance loss which is also called
speed loss, includes idling and minor stops, electrical problem solving (i.e., sensor
data checking), in process inspection, reduced speed due to operator inefficiency.
Quality loss includes product scrap, process defect and final inspection reject.
The time for each activity on CNC operation was recorded and categorized them
into different categories for OEE calculation. Figure
8.15
in example shows the
timings of CNC machining processes for cutting speed at 70 m/min, feed rate
0.1 mm/rev, depth of cut rough and finishing at 0.23 mm/rev and 0.07 mm/rev,
respectively, in Model Factory. Each operation time is counted on Fig.
8.15
a and
each operation per category is added, as shown showed on Fig.
8.15
b. This will be
the baseline for OEE calculation on CNC before tool life and quality
analytics-based prediction.
In order to have predictive OEE in data analytics-based prediction, the
assumptions have been made. First, frequency of quality measurement was reduced
from 4 times to 1 time per day with quality measurement done offline after shafts
are produced. Second, the durations of spindle unbalance and tailstock misalign-
ment which caused the equipment unplanned down time were decreased from 8 and
16 h to 4 and 8 h quarterly respectively.
The OEE comparison has been conducted before and after data analytics-based
prediction with cutting speed 70 m/min. Figure
8.16
a, b show the detail process
step timing change for each operation before and after prediction based on the
assumptions. With prediction, the tool inspection and quality inspection timings
were reduced which improved the planned availability loss. Equipment failure such
Fig. 8.14 Summary of OEE factors for CNC operation
8
Online Overall Equipment Effectiveness …
217

as spindle unbalance and tailstock misalignment were also reduced from sensors
data triggering which reduced the unplanned down time. Quality reject rate was
slightly improved due to the prediction of trigger tool change on time. It can be
Fig. 8.15 a Actual Time recording for CNC operation (in min), b detailed summary of OEE
factors for CNC operation
218
M. Yuan et al.

observed that the data-driven tool inspection and quality inspection solutions can
improve the availability from 49% to 56%, the performance from 95% to 97%, the
quality from 95% to 98%, respectively, in this experiment. The OEE eventually was
also improved from 45% to 53% before and after data-driven prediction.
Fig. 8.16 a Availability, Performance and Quality comparison before and after prediction with
cutting speed 70 m/min, b OEE comparison before and after prediction with cutting speed at
70 m/min, feed rate at 0.1, depths of cut for rough and finishing at 0.23 and 0.07, respectively
8
Online Overall Equipment Effectiveness …
219

Similar OEE comparisons have been conducted at the tool cutting speed of
90 m/min and 110 m/min, respectively which show in Fig.
8.17
a, b and
8.18
a, b
respectively.
The inputs of reason codes have been analysed further for the down time. There
are some reasons affecting the availability loss including planned down time and
unplanned down time. We focus on reduction of tool and quality inspection which
are under planned down time, and spindle unbalance and tailstock misalignment
which are under unplanned down time. Figure
8.19
shows with cutting speed at
Fig. 8.17 a Availability, Performance and Quality comparison before and after prediction with
cutting speed 90 m/min, b OEE comparison before and after prediction with cutting speed at
90 m/min with same feed rate and depths of cut as in Fig.
8.16
b
220
M. Yuan et al.

70 m/min that quality and tool inspection time were reduced from 9% and 3% to
2% and 0%, respectively. Spindle unbalance and tailstock misalignment problem
solving time were decreased from 3% and 2% to 2% and 1% before and after
prediction eventually. Overall availability loss was improved from 51% to 44%
before and after prediction. Similar trend was displayed in Figs.
8.20
and
8.21
for
cutting speed 90 m/min and 110 m/min, respectively.
Fig. 8.18 a Availability, Performance and Quality comparison before and after prediction with
cutting speed 110 m/min, b OEE comparison before and after prediction with cutting speed at
110 m/min with same feed rate and depths of cut as in Fig.
8.16
b
8
Online Overall Equipment Effectiveness …
221

Fig. 8.19 Inputs of reason codes comparison before and after prediction with cutting speed
70 m/min
Fig. 8.20 Inputs of reason codes comparison before and after prediction with cutting speed
90 m/min
222
M. Yuan et al.

8.4
System Implementation
8.4.1
Software Architecture
Figure
8.22
shows the online OEE software implementation. Data captured from
(Programmable Logic Controller) PLC and sensors attached to the NLX2500 CNC
machine was acquired through Compact RIO. The data was then passed on for edge
analytics and to the machine learning platform. All data was passed using the
OPC-UA
communication
protocol.
The
Quality
Management
System
(QMS) systems also provided measurement data for the machine learning platform.
A machine learning platform was developed which catered for the requirements
for OEE monitoring. The functionality of the platform includes the configurable
machine connectivity from various machine protocols (e.g. OPC-UA, MQTT,
HTTP), native database connectivity with MongoDB, InfluxDB and ODBC data-
base driver which allows the user to connect to most of the traditional relational
database. It also includes the configurable archiving data function that can be used
with the machine learning models. Python API is also developed to interact with the
platform for easy deployment of any machine learning library.
The machine learning platform is designed based on components or plugins. It
includes the following modules:
1. Real time data sources using OPC-UA, MQTT and HTTP polling.
2. Database using MongoDB, InfluxDB and ODBC data connector.
Fig. 8.21 Inputs of reason codes comparison before and after prediction with cutting speed
110 m/min
8
Online Overall Equipment Effectiveness …
223

3. Notification mechanism using: widget notification, application log files.
4. Widgets interfaced implemented by Line chart, Pie chart, text display and etc.
5. Video sources implemented by RTSP.
6. Machine learning services for RUL calculation, surface roughness/tool wear/
roundness estimation based on RUL, trend analysis etc.
8.4.2
Data Analytic Service Implementation
The data analytics service was built on top of the machine learning platform. The
main function is to use the RUL estimation to estimate the roundness, tool-wear and
surface roughness of the shaft. The algorithms developed for performance,
remaining useful life of a cutting tool and quality predictions were converted into
the services to be applicable with the graphical user interfaces. The deployment of
the machine learning model was done through the python APIs provided by the
machine learning platform in this system and service implementations for online
OEE calculation via dashboard.
Fig. 8.22 Overall software implementation for machine learning platform
224
M. Yuan et al.

8.4.3
OEE Before Using ML Prediction Models
As for demonstrating a use case with the dashboard system, the cutting speed of
70 m/min case study is applied in this section. Before the implementation of the
prediction models, OEE was calculated to be 45%, with availability at 49%
according to collected data as shown in Fig.
8.16
b. A total of 51% of availability of
the machine was lost. The graph shows the distribution of the availability loss.
Quality inspection time made up 9% of it, as shown in Fig.
8.23
.
8.4.4
OEE After Using ML Prediction Models
Figure
8.24
shows that the machine learning platform after using the prediction
models. OEE had risen from 8 to 53%. Percentage for availability loss had also
dropped. Quality inspection only marked up to 2% of the percentage loss.
Information of the machine health status is also shown. It was divided into three
indicators which was under normal condition, no misalignment detected and no
spindle unbalance detected. As shown in Fig.
8.25
, the dashboard displayed the
machining process prediction, including predicted speed, the shaft’s surface
roughness and roundness as well as the insert’s RUL in percentage.
Historical data was applied to simulate real-time machining process data for
real-time OEE improvement, as shown in Fig.
8.24
. The x-axis of feature graph is
the time and the prediction line will be updated in real-time while the operation is
on-going. This mechanism demonstrates that in future, when a CNC machine is
machining a shaft, the data captured from the sensor in the CNC machine will be
Fig. 8.23 Visualization of the calculated OEE before prediction models
8
Online Overall Equipment Effectiveness …
225

fed into the machine learning module and calculate the OEE online. With the digital
dashboard, the online system can monitor the OEE real-time and improve overall
OEE in the CNC machined shaft production successfully.
8.5
Conclusions
In this chapter, a series of methods are described to improve OEE of a CNC
machine with Industry 4.0 technologies. The vibration sensors were used to monitor
performance of critical subsystems in a machine. Related ML solutions is used to
evaluate the system health and remaining useful life of a cutting tool and predict a
breakdown or malfunction before it happens for overall process OEE improvement.
Applying collected machine data in Model Factory@ARTC, an OEE baseline was
established. Secondly, machine learning techniques were developed for machine
performance prediction, cutting tool remaining useful life estimation and quality
predictions. Finally, based on the ML-based model performance, the overall
machine performance was estimated and compared with the OEE baseline. A digital
online OEE dashboard system which is able to monitor the OEE real-time and
improve OEE was developed in CNC machined shaft production. The developed
automatic OEE system, which includes the integration of dashboard, database and
machine learning systems, has potentials to be deployed in different industry sce-
narios with customized ML models.
In the future, this development could also be integrated with a production Digital
Twin which is the virtual clone of production line with simulation models for better
visibility, control and efficiency. Together with the real-time monitoring and opti-
mization controls from the Digital Twin, the machine performance and quality
Fig. 8.24 Visualization of the calculated OEE after ML prediction models
226
M. Yuan et al.

predictions tools in this online OEE system could bring the production automation
system to the next level of agility and productivity in Manufacturing with Industry
4.0.
Acknowledgements This research is supported by the Agency for Science, Technology and
Research (A*STAR) under its Advanced Manufacturing & Engineering (AME) Industry
Alignment Funding—Pre-positioning funding scheme (Project No: A1723a0035)
References
1. Badiger, S., Gandhinathan, R.: A proposal: evaluation of OEE and impact of six big losses on
equipment earning capacity. Int. J. Process Manage. Benchmarking 2(3), 234–248 (2008)
2. Bonada, F., Echeverria, L., Domingo, X., Anzaldi, G.: AI for improving the overall
equipment efficiency in manufacturing industry. IntechOpen (2020).
https://doi.org/10.5772/
intechopen.89967
3. Brunellia, L., Masieroa, C., Tosatob, D., Beghic, A., Susto, G.A.: Deep Learning-based
production forecasting in manufacturing: a packaging equipment case study. In: 29th
International Conference on Flexible Automation and Intelligent Manufacturing (FAIM2019),
June 24–28, Limerick, Ireland (2019)
4. Chand, G., Shirvani, B.: Implementation of TPM in cellular manufacture. J. Mater. Process.
Technol. 149–154 (2000)
5. Dal, B., Tugwell, P., Greatbanks, R.: Overall equipment effectiveness as a measure of
operational improvement–a practical analysis. Int. J. Oper. Prod. Manage. 20(12), 1488–1502
(2000)
6. DMG MORI NLX Series Turning Machines:
https://en.dmgmori.com/products/machines/
turning/universal-turning/nlx
7. Fam, S.F., Ismail, N., Yanto, H., Prastyo, D.D., Lau, B.P.: Lean manufacturing and overall
equipment efficiency in paper manufacturing and paper products industry. J. Adv. Manuf.
Technol. (2016)
Fig. 8.25 Visualization of the calculated OEE with the feature data graph
8
Online Overall Equipment Effectiveness …
227

8. Folmer, J., Schrüfer, C., Fuchs J., Vogel-Heuser, B.: Data-driven valve diagnosis to increase
the overall equipment effectiveness in process industry. In: 2016 IEEE 14th International
Conference on Industrial Informatics (INDIN) (2016)
9. Hassani, I., Mazgualdi, C., Masrour, T.: Artificial intelligence and machine learning to predict
and improve efficiency in manufacturing industry.
https://arxiv.org/abs/1901.02256
10. Hochreiter, A., Schmidhuber, J.: Long short-term memory. Neural Comput. 1735–1780
(1997)
11.
https://www.industryforum.co.uk/resources/articles/an-introduction-to-total-productive-
maintenance-tpm/
12. Huang, S.H., Dismukes, J.P., Mousalam, A., Razzak, R.B., Robinson, D.E.: Manufacturing
productivity improvement using effectiveness metrics and simulation analysis. Int. J. Prod.
Res. 513–527 (2003)
13. Ingemansson, A., Bolmsjö, G.S.: Improved efficiency with production disturbance reduction
in manufacturing systems based on discrete-event simulation. J. Manuf. Technol. Manage. 15
(3), 267–279 (2004)
14. Jeong, K.Y., Phillips, D.T.: Operational efficiency and effectiveness measurement. Int.
J. Oper. Prod. Manage. 21(11) (2001)
15. Konopka, J.M.: Improvement output in semiconductor manufacturing environments. Ph.D.
dissertation, Arizona State University (1996)
16. Kusiak, A.: Smart manufacturing must embrace big data. Nature 544(7648), 23–25 (2017)
17. Leachman, R.C.: Closed-loop measurement of equipment efficiency and equipment capacity.
IEEE Trans. Semicond. Manuf. 10 (1997)
18. Liao, D.Y., Tsai, W.P., Chen, H.T., Ting, Y.P., Chen, C.Y., Chen H.C., Chang, S.C.:
Recurrent reinforcement learning for predictive overall equipment effectiveness. In:
e-Manufacturing & Design Collaboration Symposium (2018)
19. Mnih, V., et al.: Human-level control through deep reinforcement learning. Nature 518, 529–
533 (2015)
20. Muchiri, P., Pintelon, L.: Performance measurement using overall equipment effectiveness
(OEE): literature review and practical application discussion. Int. J. Prod. Res. 3517–3535
(2008)
21. Nakajima, S: Introduction to TPM: total productive maintenance. Productivity Press (1988)
22. National Instruments (NI) Data Acquisition System:
http://www.ni.com/data-acquisition
23. OEE calculation:
https://www.oee.com/
24. Wong, S.Y., Chuah, J.H., Yap, H.J.: Technical data-driven tool condition monitoring
challenges for CNC milling: a review, 4837–4857. Springer (2020)
228
M. Yuan et al.