통계적 공정 관리(SPC) 구현 7단계와 실제 적용 사례

1. 프로세스 정의

SPC를 사용해 모니터링하고 제어할 프로세스 또는 특정 측면을 명확하게 정의합니다. 그런 다음 제품 또는 서비스의 중요한 프로세스 매개변수와 품질 특성을 식별합니다.

예를 들어, 전기 모터를 생산하는 기업에서는 용접의 품질이 전기 모터의 최종 품질에 상당한 영향을 미치므로, 용접 공정에 SPC 도입을 고려할 수 있습니다.   

 

2. 데이터 수집

프로세스에 대한 관련 데이터를 수집하기 위한 계획을 수립하는 단계입니다. 수집할 데이터는 치수, 시간, 무게 같은 변수가 포함될 수 있는데, 이 데이터가 제조 공정과 변동성을 대표할 수 있는지 확인해야 합니다.

예를 들어, 생산 이력을 확인하기 위해 표면의 광학 이미지와 제품의 고유 바코드 번호를 함께 수집할 수 있습니다. 이런 데이터를 얼마나 자주, 어느 시점에 수집할지 결정합니다. 데이터를 일관되고 신뢰할 수 있게 수집하는 방식 또한 정해야 합니다.  

(1) 데이터 수집 툴 예시 :

제조 현장에서는 이미 하루에도 수~수십 테라바이트의 데이터가 생산되고 있습니다. 하지만 이를 제대로 수집하기란 쉬운 일이 아닌데요. 제조 공정 내 수많은 장비들은 통신 프로토콜이 제각각 전부 달라서 데이터를 한 곳에 모으려면 서로 다른 인터페이스를 각각 개발해야 하기 때문입니다.  

그러한 문제가 있을 때 아하랩스의 데이터 통합 솔루션인 Data CAMP를 활용해보세요. Data CAMP는 산업 현장에서 사용되는 통신 프로토콜 대부분을 제공합니다. 검사 이미지, 검사 결과, CCTV 영상, 음향 데이터, 진동 데이터, PLC 데이터 등 다양한 형태의 정형/비정형 데이터를 한 번에 수집할 수 있습니다.  

(2) 수집 데이터 선정 예시 :

다양한 데이터를 한 번에 수집할 수 있는 Data CAMP를 활용하면 제조 공정에서 가장 중요한 데이터를 선별하고 이를 수집하기 위한 계획을 수립할 수 있습니다. 전기자동차 이차전지를 생산하는 A라는 고객사 예시를 들어 보겠습니다.  

이 업체는 검사 장비들이 생산하는 데이터를 한꺼번에 수집하고 DB에 저장했으며, 시각화 기능을 활용해 검사 전반을 한 눈에 모니터링 하고 있었습니다.

그런데 생산이력을 추적하기가 어렵다는 페인 포인트가 있었어요. 그래서 아하랩스 팀은 공정 처음부터 마지막 단계까지 모든 검사 장비가 생산하는 검사 데이터를 제품 고유의 바코드 숫자와 통합했습니다. 그 결과, 고객사는 각 배터리에 대한 전체 검사 데이터를 한 눈에 확인할 수 있게 됐고요. 

 

3. 차트 만들기

수집된 데이터의 유형(ex. 변수 데이터 또는 속성 데이터)에 따라 적절한 관리 차트를 선택합니다. 통계 분석을 기반으로 적절한 정상치 한계를 설정하고, 수집한 데이터를 차트에 표시합니다. 정상치 한계는 과거 데이터를 기반으로 하며, 이를 통해 프로세스가 정상적인 조건에서 작동해야 하는 경계를 확인할 수 있습니다.  

(1) 파이차트와 파레토도를 활용한 사례 :

아하랩스의 산업용AI 솔루션 LISA에는 1종 오류를 추론하는 딥러닝 모델(이상탐지, Anomaly Detection)이 포함돼 있습니다.

이차전지 생산 기업 E사는 아하랩스의 데이터 통합 솔루션인 Data CAMP를 활용해 검사기가 생산해낸 촬영 이미지와 양불 판정 데이터를 수집 분석하고 있었는데요. 추가로 과검 이력 관리를 위해 LISA를 연동했죠.

추론 결과를 Data CAMP 대시보드를 통해 지속적으로 모니터링하고, 통계 분석을 수행할 수 있습니다.

아래 그림이 바로 1종 오류(과검)를 모니터링하는 대시보드 예시 이미지인데요. 왼쪽 파이 차트를 통해 검사기가 NG라고 판정한 전체 수량 대비 LISA가 1종 오류일 확률이 높다고 판단한 수량(빨간색)의 비율을 알 수 있습니다. 또, 오른쪽 파레토도를 통해 각 검사 종류 별로 상세 수량을 확인할 수 있습니다. 이를 통해 가장 먼저 개선해야 할 검사기가 어느 것인지 우선순위를 한 눈에 파악할 수 있죠.

 

 

 

4. 프로세스 모니터링

지속적으로 데이터를 수집하고 차트를 업데이트합니다. 차트에 표시된 데이터 포인트를 관찰하여 프로세스의 성능을 모니터링합니다. 한계를 벗어난 데이터 포인트나 무작위가 아닌 패턴 등 제어 범위를 벗어난 신호를 모니터링합니다. 

 

5. 데이터 분석

통계적 데이터 분석을 수행하여 공통 원인과 특수 원인의 변동을 구분합니다. 데이터에서 추세, 패턴 또는 비정상적인 신호를 식별합니다. 특수 원인으로 인한 변동을 조사해서 근본 원인을 파악합니다. 

(1) 비디오 이상탐지 사례 :

아하랩스의 산업용AI 솔루션 LISA는 비디오 데이터로부터 이상탐지(Anomaly Detection)를 수행할 수 있습니다. 정상 데이터만으로 학습시켜서 데이터 분포가 정상과 얼마나 떨어져 있는지 계산하기 때문에, 산업현장의 클래스 불균형 문제를 극복할 수 있습니다.  

전기자동차용 이차전지를 생산하는 D사의 페인 포인트를 해결하기 위해 로봇 집게가 이차전지를 들어 옮기는 비디오 영상을 LISA로 분석했습니다. 어떤 오류로 인하여 로봇 집게가 배터리를 평소대로 깊숙하게 잡지 못한 경우, 그 부분에 히트맵이 형성됩니다. 정상에서 얼마나 떨어진 특이사항이 발생했는지를 알려주는 것이죠. 

(2) 이미지 퀄리티 분석 사례 :

아하랩스의 Data CAMP 솔루션과 이미지 퀄리티를 분석하는 딥러닝 모델을 활용하면, 카메라와 노후 조명 문제로 이미지를 잘못 촬영해 품질 검사에 실패하는 경우를 미연에 방지할 수 있습니다.

먼저 정상 이미지들을 학습시킵니다. IQA 점수가 0점(기준점)입니다. 그런 뒤 비정상 이미지를 넣었을 때 모델은 그 이미지의 포커스나 밝기가 정상 이미지 대비 얼마나 떨어져 있는지 추론하게 됩니다. 예컨대, IQA 점수가 0.1, 0.2, 0.3…이렇게 0점에서 멀어질수록 이미지가 정상 대비 더 많이 뿌옇게 촬영됐단 뜻입니다. 밝기나 셀의 촬영 위치, 촬영 각도도 마찬가지고요.

이상 알람이 발생하는 즉시 현장 작업자는 카메라와 조명을 확인하고 선대응할 수 있습니다.

 

 

6. 수정 조치

확인된 근본 원인을 해결하기 위해 적절한 조치를 취합니다. 프로세스 조정, 생산계획 수정, 장비 유지보수, 작업자 교육 등의 조치가 포함될 수 있습니다.  

 

7. 유지 및 개선

프로세스를 지속적으로 모니터링하고 SPC의 피드백을 사용하여 개선을 추진합니다. 필요에 따라 차트를 정기적으로 검토하고 업데이트 합니다. 예지보전을 구현하여 향후 특별한 원인 변동을 방지하고 프로세스를 최적화하여 성능과 품질을 개선합니다. 

Reference

WallStreetMojo <Statistical Process Control> 

당신이 더 관심 있을 이야기