오늘날 ICT기술의 눈부신 발전으로 많은 부분에 정보화와 자동화가 이루어져 있으며, 제조업에서도 경쟁우위를 확보하기 위해 설계, 생산 공정의 자동화와 정보시스템을 도입하고 있다. 그러나 정보화 투자 여력이 없는 영세 중소제조 기업의 경우 생산현장에서 정보화의 힘이 미치지 못하고 있으며, 작업자의 경험과 수기데이터에 의존하여 생산 공정을 관리하고 있는 실정이다. 수기데이터로 관리되고 있는 제조공정에서는 불량 발생 시 불량원인을 명확히 밝혀내는데 한계가 있다. 본 연구에서는 수기데이터로 관리되고 있는 중소제조 자동차 부품 가공공정에 대하여, 수기데이터를 수집, 향후 센서데이터를 활용할 수 있도록 중소 제조 맞춤형 분석시스템을 구축하고, 중요도가 큰 일부 공정에 대하여 품질에 영향을 미치는 핵심요인을 4M관점에서 분석하였다. 분석결과, 호기별 불량수량에는 유의한 차이가 없었으며, 원자재, 생산수량, 작업자간 유의한 차이가 있는 것으로 분석되었다.
오늘날 ICT기술의 눈부신 발전으로 많은 부분에 정보화와 자동화가 이루어져 있으며, 제조업에서도 경쟁우위를 확보하기 위해 설계, 생산 공정의 자동화와 정보시스템을 도입하고 있다. 그러나 정보화 투자 여력이 없는 영세 중소제조 기업의 경우 생산현장에서 정보화의 힘이 미치지 못하고 있으며, 작업자의 경험과 수기데이터에 의존하여 생산 공정을 관리하고 있는 실정이다. 수기데이터로 관리되고 있는 제조공정에서는 불량 발생 시 불량원인을 명확히 밝혀내는데 한계가 있다. 본 연구에서는 수기데이터로 관리되고 있는 중소제조 자동차 부품 가공공정에 대하여, 수기데이터를 수집, 향후 센서데이터를 활용할 수 있도록 중소 제조 맞춤형 분석시스템을 구축하고, 중요도가 큰 일부 공정에 대하여 품질에 영향을 미치는 핵심요인을 4M관점에서 분석하였다. 분석결과, 호기별 불량수량에는 유의한 차이가 없었으며, 원자재, 생산수량, 작업자간 유의한 차이가 있는 것으로 분석되었다.
In order to secure an important competitive advantage in manufacturing business, an automation and information system from manufacturing process has been introduced; however, small and medium enterprises have not met the power of information in the manufacturing fields. They have been managing the m...
In order to secure an important competitive advantage in manufacturing business, an automation and information system from manufacturing process has been introduced; however, small and medium enterprises have not met the power of information in the manufacturing fields. They have been managing the manufacturing process that is depending on the operator's experience and data written by hand, which has limits to reveal cause of defective goods clearly, in the case of happening of low-grade goods. In this study, we analyze critical factors which affect the quality of some manufacturing process in terms of 4M. We also studied the automobile parts processing of the small and medium manufacturing enterprises controlled with data written by hand so as to collect the data written by hand and to utilize sensor data in the future. Analysis results show that there is no deference in defective quantity in machines, while raw materials, production quality and task tracking have significant deference.
In order to secure an important competitive advantage in manufacturing business, an automation and information system from manufacturing process has been introduced; however, small and medium enterprises have not met the power of information in the manufacturing fields. They have been managing the manufacturing process that is depending on the operator's experience and data written by hand, which has limits to reveal cause of defective goods clearly, in the case of happening of low-grade goods. In this study, we analyze critical factors which affect the quality of some manufacturing process in terms of 4M. We also studied the automobile parts processing of the small and medium manufacturing enterprises controlled with data written by hand so as to collect the data written by hand and to utilize sensor data in the future. Analysis results show that there is no deference in defective quantity in machines, while raw materials, production quality and task tracking have significant deference.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
중소제조 빅데이터 분석 시스템구성은 중소기업에 적합한 맞춤형 분석 모델을 위하여 적은 비용으로 운영할 수 있도록 분석 소프트웨어는 오픈소스를 활용하여 구축하였다. ER-모델을 기반으로 실제 오픈소스 CentOS release 6.6, Maria DB 5.5 Stable 활용 물리적으로 구축 구현 하였으며, 분석 DB가 구현된 시스템 환경은 Table 3.1과 같다.
데이터 분석을 위해 수집된 데이터를 저장 및 분석한 결과 저장을 위하여, 설비, 작업방법, 원자재, 작업자 정보의 기준 정보를 생성 편집 할 수 있도록 4M관점으로 스키마를 설계하고 데이터베이스 분석시스템을 구축하였다 (Figure 3.2 ).
본 연구 2절에서는 중소 제조 자동차부품 제조공정에서 수기데이터 중심 공정의 문제점을 살펴보고, 3절에서는 수기데이터를 수집 전산화하고 4M관점의 중소 제조 맞춤형 분석시스템을 소개하였다. 4절에서는 탐색적 데이터 분석과 함께 현재 수기데이터 중심의 공정관리 문제점과 4M관점의 분석 요구사항을 도출, 분석방법을 알아보고, 5절에서는 중요도가 큰 일부 공정에 대하여 품질에 영향을 미치는 핵심요인을 분석하고, 4M분석 결과를 도출하였다.
본 연구에서는 수기데이터로 관리되고 있는 중소제조 자동차 부품 가공공정에 대하여, 수기데이터를 수집, 향후 센서데이터를 활용할 수 있도록 중소 제조 맞춤형 분석시스템을 구축하고, 중요도가 큰 일부 공정에 대하여 품질에 영향을 미치는 핵심요인을 저장/분석하였다. 현재 수기데이터 중심의 공정관리 문제점과 4M관점의 분석 요구사항을 도출, 4M관점의 데이터 분석 결과를 도출하였다.
4M 데이터는 제조 산업에서 생산성을 향상 시키고, 불량원인 분석과 품질개선에 아주 중요한 역할을 한다. 분석시스템에 저장된 4M 데이터에서 본 논문에서 제안한 분석기법을 사용 선삭공정의 불량유형을 파악하고 불량의 원인이 되는 4M핵심인자를 도출 한 후, 품질에 영향을 미치는 요인을 4M관점에서 분석하고 결과를 도출하였다.
6은 작업방법관점에서 품질에 영향을 미치는 요인들을 분석결과이다. 생산수량 간 불량수량, 잔봉투입수 간 불량수량에 유의한 차이가 있는지 분석하였다.
제조현장에서 시시각각 변경되는 생산자원 4M 정보의 수집을 위하여 유무선 센서기술을 활용한 자동, 반자동 및 수동 형태로 수집된다. PLC등과 같은 제어기기가 있는 경우 센서로부터 PLC와 연결된 실시간 정보수집장치를 통하여 정보를 수집하거나 추가로 정보수집에 필요한 센서를 부착하여 실시간 정보수집장치를 통하여 정보수집이 가능하다.
중소제조 빅데이터 분석 시스템구성은 중소기업에 적합한 맞춤형 분석 모델을 위하여 적은 비용으로 운영할 수 있도록 분석 소프트웨어는 오픈소스를 활용하여 구축하였다. ER-모델을 기반으로 실제 오픈소스 CentOS release 6.
탐색적 데이터 분석을 통하여 가장 불량이 많은 공정에서 4M 분석 요구사항을 도출하였다. 종합검사 데이터를 활용 불량수량을 살펴보면, 선삭불량이 가장 많이 나타나고 있음을 확인할 수 있다.
탐색적 분석을 통하여 불량이 가장 많이 발생하는 CNC 선삭공정을 분석대상으로 선정하고, 공구파손으로 인한 불량, 배면불량, 외경 불량, 셋팅 불량 등을 주요 불량유형으로 정의하였다.
본 연구에서는 수기데이터로 관리되고 있는 중소제조 자동차 부품 가공공정에 대하여, 수기데이터를 수집, 향후 센서데이터를 활용할 수 있도록 중소 제조 맞춤형 분석시스템을 구축하고, 중요도가 큰 일부 공정에 대하여 품질에 영향을 미치는 핵심요인을 저장/분석하였다. 현재 수기데이터 중심의 공정관리 문제점과 4M관점의 분석 요구사항을 도출, 4M관점의 데이터 분석 결과를 도출하였다.
현재 수집된 수기 데이터를 기초로 데이터베이스를 구축 4M관점에 데이터를 추출하여 입력하였고. 향후, 설비 센서 데이터가 수집되었을 때, 센서 데이터를 포함할 수 있도록 Log 테이블을 추가함으로써 확장성을 고려하였고, 설비의 변경, 추가 시로 변경해주시기 바랍니다.
대상 데이터
데이터 분석에 사용된 데이터는 A사의 자동차 부품 (샤프트) 제조공정 수기데이터 (2014. 09∼12월) 28종에서 수집하고 전산화 작업 및 데이터를 정제하였다 (Figure 3.1).
분석에서 수집한 데이터는 4M (Machine, Method, Man, Material) 정보를 수기데이터를 기초로 수집하였다.
데이터처리
분석결과 유의수준 0.05 기준에서 볼 때, 작업자 간 불량수량에 대하여 P값이 <0.001로 유의한 차이가 있는 것으로 분석되어 Tukey 방법으로 사후검정을 실시하였다.
분석결과, 유의수준 0.05 기준에서 볼 때 P값이 0.011로 원자재간 불량수량에 유의한 차이가 있는 것으로 분석되어 Tukey 방법으로 사후검정을 실시하였다.
품질에 영향을 미치는 핵심요인을 Figure 4.3과 같이 4M관점으로 품질에 영향을 미치는 요인을 세분화하여 검토하고, 일원분산분석 (one-way anova)을 분석을 통하여 결과를 도출하였다.
성능/효과
클레임발생시 고객사의 요구에 따라 생산이력 추적 및 조회가 가능해야 한다. 둘째, 4M 데이터가 총체적으로 관리되고 있지 않아 불량의 원인을 발견하기가 쉽지 않다. 따라서 공정문제 발생 시 즉각적인 조치 및 대응이 불가능하다.
분석결과, 생산수량 간 불량수량 분석결과 유의수준 0.05 기준에서 볼 때, P값이 0.031이므로 유의한 차이가 있는 것으로 분석되었으며, 잔봉투입수에 따른 불량수량에는 유의한 차이가 없는 것으로 분석되었다.
분석결과를 종합해보면, A사의 경우 설비별, 불량에 유의한 차이는 없었으며, 원자재에 따른 불량수량에 차이가 있으므로, 원자재에 대한 보다 엄격하게 관리할 필요가 있다. 생산수량 간 불량의 차이가 있으므로, 공정에 투입되는 생산수량 관리가 필요하고, 작업자 간 불량수량의 차이가 크게 발생하고 있으므로, 작업자 경험치에 의존한 관리가 배제되어야 하고, 합리적인 의사결정을 위한 과학적 접근이 필요하다.
설비 (Machine)관점분석결과를 종합해보면 설비간 계측치와 불량유형에 유의한 차이가 없는 것으로 분석되었다.
수기데이터 정보만으로는 4M분석에 한계가 있으며, 향후 정확한 4M 분석을 위해서 수기데이터에서 나타나지 않는 절삭속도, 이송속도 등의 설비운영데이터, 비정형데이터에 대한 정보 센싱 및 수집이 요구되고 있음을 확인할 수 있었다.
탐색적 데이터 분석을 통하여 가장 불량이 많은 공정에서 4M 분석 요구사항을 도출하였다. 종합검사 데이터를 활용 불량수량을 살펴보면, 선삭불량이 가장 많이 나타나고 있음을 확인할 수 있다. 수기 데이터 분석결과 Figure 4.
후속연구
이를 위해서는 첫째, 품질관련 설비 데이터 수집 자동화를 위하여 설비 개선해야 하고, 둘째, 예지보전에 의한 최적설비관리(부품수명 최대화, 설비정지 최소화)를 위한 분석, 셋째, 설비상태 (가동/비가동, 고장알람)를 자동 모니터링 할 수 있는 시스템 개발이 필요하다.
칩말림 현상은 절삭속도, 이송속도 등의 원인에 의해 나타나는데 이에 대하여 수기데이터로 관리되고 있지 않아 현재 수집된 수기데이터만 가지고 불량원인을 분석하는데 한계가 있다. 정확한 분석을 위해서는 향후 센서를 통한 추가데이터 수집이 필요하다.
향후 설비 동작의 특성 변화를 감지하는 데이터를 실시간 수집한다면 현재 수기데이터로 관리되고 있는 설비/공정데이터로 파악이 어려운 불량의 핵심원인을 규명할 수 있을 것으로 기대된다.
현재 수집된 수기 데이터를 기초로 데이터베이스를 구축 4M관점에 데이터를 추출하여 입력하였고. 향후, 설비 센서 데이터가 수집되었을 때, 센서 데이터를 포함할 수 있도록 Log 테이블을 추가함으로써 확장성을 고려하였고, 설비의 변경, 추가 시로 변경해주시기 바랍니다.추가 시 유연하게 재구성할 수 있도록 스키마를 구성하였다 (Figure 3.
질의응답
핵심어
질문
논문에서 추출한 답변
설비 동작의 특성 변화를 감지하는 데이터를 실시간 수집하기 위해서 어떤 것이 필요한가?
이를 위해서는 첫째, 품질관련 설비 데이터 수집 자동화를 위하여 설비 개선해야 하고, 둘째, 예지보전에 의한 최적설비관리(부품수명 최대화, 설비정지 최소화)를 위한 분석, 셋째, 설비상태 (가동/비가동, 고장알람)를 자동 모니터링 할 수 있는 시스템 개발이 필요하다.
4M이란 무엇을 의미하는가?
4M이란 공정을 구성하는 장비류 (Machine: 장비, 금형, 치공구, 검사구 (장비), 시험장비)와 공정에서의 표준작업 방법 (Method: 작업방법, 검사방법 등), 공정운영자/작업자 (Man), 작업의 Input으로 투입되는 자재/부품 (Material)등을 의미한다. 제조업에서 생산현장은 다양한 형태의 생산방식 및 경영환경의 급변 등으로 인하여 시시각각 변화하는 생산활동자원 (4M)을 실시간으로 수집 디지털화 할 수 없다면 이를 효율적으로 관리하는 것은 한계가 있다.
로직트리는 어떤 분석기법인가?
2와 같이 수기데이터를 기초로 불량의 원인이 되는 것을 4M 요소로 분해하고 로직트리 (Logic Tree)를 작성하였다. 로직트리는 맥킨지 컨설팅에서 문제해결 및 컨설팅에 사용하는 주요사고 기법으로 이슈를 트리형태로 상위에 개념을 하위의 개념으로 논리적으로 분해하는 분석기법이다.
참고문헌 (6)
Cho, J. J. and Yu, H. K. (2013). On the asymptotic correlationship for some process capability indices Cp, Cpk and Cpm. Journal of the Korean Data & Information Science Society, 24, 465-475.
Cho, G. Y. and Park, J. S. (2013). Parameter estimation in a readjustment procedure in the multivariate integrated process control. Journal of the Korean Data & Information Science Society, 24, 1275-1283.
Hong, Y, H. and Kim, C. R. (2014). Recent developments of constructing adjacency matrix in network analysis. Journal of the Korean Data & Information Science Society, 25, 1107-1116.
Jung. K. C. and Jung. N. G. (2010). Adaptation and implementation of predictive maintenance technique with nondestructive testing for power plants. Journal of the Korean Society for Nondestructive Testing, 30, 497-502.
Noh, K. S. and Park, S. H. (2014). An exploratory study on application plan of big data to manufacturing execution system. Journal of Digital Convergence, 12, 305-311.
Park, C. S. and Moon, D. H. (2014). Predictive maintenance in injection molding process. The Society of Korea Industrial and Systems Engineering, 168-171.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.