As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Calcule o OEE em AWS IoT SiteWise
Esse tutorial fornece um exemplo específico de como calcular a eficácia geral do equipamento (OEE) de um processo de fabricação. Como resultado, seu cálculos ou fórmulas de OEE podem ser diferentes das mostradas aqui. Em geral, a OEE é definida como `Availability * Quality * Performance`. Para saber mais sobre como calcular a OEE, consulte [Eficácia geral do equipamento](https://en.wikipedia.org/wiki/Overall_equipment_effectiveness) na *Wikipédia*.
## Pré-requisitos
Para concluir este tutorial, você deve configurar o consumo de dados para um dispositivo que tenha os seguintes três fluxos de dados:
+ `Equipment_State` – um código numérico que representa o estado da máquina, como ocioso, com falha, interrupção planejada ou operação normal.
+ `Good_Count` – um fluxo de dados em que cada ponto de dados contém o número de operações bem-sucedidas desde o último ponto de dados.
+ `Bad_Count` – um fluxo de dados em que cada ponto de dados contém o número de operações mal sucedidas desde o último ponto de dados.
Para configurar o consumo de dados, consulte [Ingerir dados para AWS IoT SiteWise](industrial-data-ingestion.md). Se não tiver uma operação industrial disponível, você poderá escrever um script que gere e faça upload dos dados de exemplo por meio da API do AWS IoT SiteWise .
## Como calcular a OEE
Neste tutorial, você criará um modelo de ativo que calcula a OEE a partir de três fluxos de entrada de dados: `Equipment_State`, `Good_Count` e `Bad_Count`. Neste exemplo, considere uma máquina de empacotamento genérica, como uma que é usada para embalar açúcar, batatas fritas ou tinta. No [AWS IoT SiteWise console](https://console.aws.amazon.com/iotsitewise/), crie um modelo AWS IoT SiteWise de ativo com as seguintes medidas, transformações e métricas. Em seguida, você pode criar um ativo para representar a máquina de embalagem e observar como AWS IoT SiteWise calcula o OEE.
Defina as [medições](measurements.md) a seguir para representar os fluxos de dados brutos da máquina de empacotamento.
**Medições**
+ `Equipment_State` – um fluxo de dados (ou medição) que fornece o estado atual da máquina de empacotamento em códigos numéricos:
+ `1024` – a máquina está ociosa.
+ `1020` – uma falha, como um erro ou atraso.
+ `1000` – uma interrupção planejada.
+ `1111` – uma operação normal.
+ `Good_Count` – um fluxo de dados em que cada ponto de dados contém o número de operações bem-sucedidas desde o último ponto de dados.
+ `Bad_Count` – um fluxo de dados em que cada ponto de dados contém o número de operações mal sucedidas desde o último ponto de dados.
Usando o fluxo de dados de medição `Equipment_State` e os códigos que ele contém, defina as [transformações](transforms.md) a seguir (ou medições derivadas ). As transformações têm uma one-to-one relação com as medições brutas.
**Transformações**
+ `Idle = eq(Equipment_State, 1024)` – um fluxo de dados transformados que contém o estado ocioso da máquina.
+ `Fault = eq(Equipment_State, 1020)` – um fluxo de dados transformados que contém o estado de falha da máquina.
+ `Stop = eq(Equipment_State, 1000)` – um fluxo de dados transformados que contém o estado de interrupção planejada da máquina.
+ `Running = eq(Equipment_State, 1111)` – um fluxo de dados transformados que contém o estado operacional normal da máquina.
Usando as medições brutas e as medições transformadas, defina as [métricas](metrics.md) a seguir que agregam dados da máquina em intervalos de tempo especificados. Escolha o mesmo intervalo de tempo para cada métrica ao definir as métricas nesta seção.
**Métricas**
+ `Successes = sum(Good_Count)` – o número de pacotes preenchidos com sucesso durante o intervalo de tempo especificado.
+ `Failures = sum(Bad_Count)` – o número de pacotes preenchidos sem sucesso durante o intervalo de tempo especificado.
+ `Idle_Time = statetime(Idle)` – o tempo total de ociosidade da máquina (em segundos) por intervalo de tempo especificado.
+ `Fault_Time = statetime(Fault)` – o tempo total de falha da máquina (em segundos) por intervalo de tempo especificado.
+ `Stop_Time = statetime(Stop)` – o tempo total de interrupção planejada da máquina (em segundos) por intervalo de tempo especificado.
+ `Run_Time = statetime(Running)` – o tempo total de execução sem problemas da máquina (em segundos) por intervalo de tempo especificado.
+ `Down_Time = Idle_Time + Fault_Time + Stop_Time` – o tempo de inatividade total da máquina (em segundos) durante o intervalo de tempo especificado, calculado como a soma dos estados da máquina diferentes de `Run_Time`.
+ `Availability = Run_Time / (Run_Time + Down_Time)` – o tempo de atividade da máquina ou a porcentagem de tempo programado que a máquina está disponível para operar durante o intervalo de tempo especificado.
+ `Quality = Successes / (Successes + Failures)` – a porcentagem de pacotes preenchidos com êxito da máquina durante o intervalo de tempo especificado.
+ `Performance = ((Successes + Failures) / Run_Time) / Ideal_Run_Rate` – o desempenho da máquina durante o intervalo de tempo especificado como uma porcentagem da taxa de execução ideal (em segundos) para o processo.
Por exemplo, a `Ideal_Run_Rate` pode ser 60 pacotes por minuto (1 pacote por segundo). Se a `Ideal_Run_Rate` for por minuto ou por hora, você precisará dividi-la pelo fator de conversão de unidade apropriado porque `Run_Time` está em segundos.
+ `OEE = Availability * Quality * Performance` – a eficácia geral do equipamento da máquina durante o intervalo de tempo especificado Esta fórmula calcula OEE como uma fração de 1.
**nota**
Se a OEE for definida como uma transformação, os valores de saída serão calculados para cada um dos valores de entrada. Existe a possibilidade de gerar valores inesperados, pois a avaliação da transformação leva em consideração os valores mais recentes disponíveis para todas as propriedades contribuintes na fórmula. Para atualizações de propriedades com o mesmo carimbo de data/hora, os valores de saída podem ser substituídos por atualizações de outras propriedades de entrada. Por exemplo, quando a disponibilidade, a qualidade e o desempenho são calculados, a OEE é calculada com os últimos pontos de dados disponíveis para as outras duas propriedades. Esses valores contribuintes compartilham carimbos de data/hora e levam a valores de saída incorretos da OEE. A ordem não é garantida para o cálculo de transformações.