스마트팩토리 수준별 품질 전략 [스마트팩토리 구축 위한 품질 전략 > 자유게시판 AMP SYSTEM 에이엠피시스템 FMEA 교육 컨설팅 자동차품질인증

어느덧 성큼 다가온 4차 산업혁명 시대. 제조산업 화두로 떠오른 스마트팩토리 구축을 위해 기업은 어떠한 품질 전략을 수립해야 할까?

본 코너에서는 한국품질경영학회 2020년 춘계 학술지에 게재된 논문 ‘스마트팩토리 구축 위한 품질전략’을 총 3회에 걸쳐 게재한다. 이번 호에서는 스마트팩토리 수준에 따른 품질전략에 대해 알아본다. 

원문 Hye Ran Chong, Kyoung Han Bae, Min Koo Lee, Hyuck Moo Kwon, Sung Hoon Hong. 2020. Quality Strategy for Smart Factory Construction in the 4th Industrial Revolution. journal of the Korean Society for Quality Management. 2020;48(1):87-105.

 [사진=셔터스톡]

기업에서 스마트팩토리를 도입하는 목표는 디바이스, 설비가 상호 유기적으로 연결되는 것에 초점을 두고 있다.

공정상에서 조업, 품질, 설비 데이터를 수집하고 분석하여 불량 발생 여부와 원인을 실시간으로 추적할 수 있는 시스템 구축을 통하여 품질불량, 설비고장, 잉여재고, 안전재해가 없는 공장을 구축하기 위함이다.

이번 호에서는 스마트팩토리 구축을 위한 단계별 품질전략을 수립하기 위해 ISO/DIS 22549-1의 정보화 및 산업화의 융합 평가✽ 참조 모델 구성 요소에 대한 텍스트 마이닝을 실시하여 단계별 품질전략의 키워드를 도출하였다.
✽Assessment on Convergence of Informatization and Industrialization, ACII

평가항목은 도메인 응용 프로그램 관점(Domain application view), 포괄적인 관점(Comprehensive integration view), 협업 혁신 관점(Collaborative innovation view), 인프라 관점(Infrastructure view) 등 4개 부문, 27개 Component, 69개 Item의 질문에 대해 워드 클라우드 분석을 실시하였다. 

구축 단계별 품질전략 키워드 

스마트팩토리 구축의 1단계 품질전략은 식별 가능한 데이터 확보라 할 수 있다. 고도화된 스마트팩토리는 알고리즘, 인공지능과 같은 우수한 솔루션으로만 해결되는 것이 아니라 현장의 정확한 데이터를 확보하는 것이 우선이다.

ACII 참조 모델 구성 요소 평가 항목에 대하여 1수준의 워드 클라우드 분석을 실시하였다.✽
✽CalebABC 사의 B-BOXTM을 활용하였으며, 분석 방법은 ‘Word Cloud’ 메뉴를 선택하여 원하는 문서의 텍스트 파일을 생성하고 한글, 영어, 숫자 또는 특정 단어 포함 옵션을 선택한 후 워드 빈도수를 측정한다. 그리고 마이닝을 위한 워드를 선택한 후 시각화 절차를 따른다. 

수준별 총 354개 질문에 대해 워드 클라우드 분석 결과 ‘information’, ‘system’, ‘data’, ‘manage(management)’, ‘process(es)’, ‘product(production)’, ‘material’ 항목이 공통적으로 빈도수가 높게 나타났다.

모든 단계에서 공통적으로 빈도수가 높은 7개 워드를 제외하고 1수준의 주요 키워드는 <그림 1>과 같이 ‘register’, ‘worker’, ‘IT’, ‘history’, ‘identification’ 등의 빈도수가 높음을 알 수 있다. 

이같은 결과는 누락이나 오기에 의한 데이터 품질의 불명확성을 제거하기 위해 데이터 등록과 이력 관리가 중요함을 시사하고 있다.

이 단계의 핵심은 정보 수집 장치와 시스템을 통한 정확하고 신뢰성 있는 데이터 집계를 통해 제품과 정보에 대한 식별과 추적이 가능해야 한다는 점이다.

이렇게 확보된 데이터를 기반으로 히스토그램, 막대 그래프, 파레토, 프로세스 맵 등의 품질 개선 기법을 활용하여 가시화 품질전략을 구현할 수 있다. 

2단계 품질전략은 데이터의 추적성을 확보하고 데이터를 집계하여 이를 기반으로 측정, 분류, 관리하는 것이다. 

워드 클라우드 분석은 1수준과 동일하게 진행하였고, 분석 결과 공통 워드를 제외하면 ‘automatically’, ‘collect(ed)’, ‘measure(d)’, ‘equipment’, ‘monitor’ 등의 텍스트를 발견할 수 있다.

이는 시스템을 통해 등록된 재료(제품), 기계, 사람, 그리고 공정에서 집계된 데이터를 기반으로 공정능력 분석, 기초통계 분석, 측정 시스템 분석 등 품질 개선 기법을 활용하여 정확한 현상 파악을 목적으로 한다. 

3단계 품질 전략은 데이터의 상관관계와 인과관계를 분석하여 품질을 관리하는 것이다.

워드 클라우드 분석 결과 공통 워드를 제외하고 ‘analyse(analysis)’, ‘real-time’, ‘use(using)’ 등의 텍스트를 발견할 수 있다. 이는 자동 집계된 데이터를 기반으로 상관분석, 특성요인도, 실험계획법, 회귀분석, 다변량 분석, 기술적 분석법 등의 품질 개선 기법을 활용하여 정보를 분석하는데 목적이 있다.

3단계 이상의 경우 스마트팩토리를 구축하지 않은 기업에서도 활용 가능한 전략이지만 스마트팩토리가 구축된 기업에서는 자동화된 데이터 수집 장치를 이용하여 전략을 구현하기가 훨씬 용이하기 때문이다. 

4단계 품질 전략은 설비 통합 제어가 가능한 단계로 인과관계 전략을 한층 업그레이드 할 수 있는 최적의사결정 단계이다.

분석 결과 공통 워드를 제외하고 ‘control’, ‘location’, ‘optimize(optimal, optimization)’, ‘decision-making’, ‘virtual’ 등의 텍스트를 발견할 수 있다.

실시간 데이터 집계를 통한 빅데이터 분석과 최적화 솔루션을 활용한 의사결정 구현을 목적으로 하는 품질 전략이다.

기존의 실험계획법을 활용한 반응표면분석법, FMEA 등과 빅데이터를 활용한 군집분석과 컨조인트 분석법, Mining 등의 품질 개선 기법을 활용할 수 있다. 

마지막으로 5단계 품질전략은 개별 맞춤 전략으로 고유 식별자를 부여하여 개별 생산이 가능한 단계로 완전히 자동화된 설비를 기반으로 지능화된 시스템이 스스로 판단하여 통제가 가능한 전략이다.

IoT, CPS를 기반으로 하여 기존의 제품 개발, 공정 개발, 공급사슬관리, 기업 자원관리, 공장 운영 방식을 디지털 트윈과 같은 방법을 통해 디지털화하고 인공지능을 활용한 예측 분석을 통해 자율제어가 가능한 수준이다.

분석 결과 공통 워드를 제외하고 ‘conjunction’, ‘collaborate(tion)’, ‘personnel’, ‘flexible(ly)’, ‘Integrate’, ‘Big data’ 등의 텍스트를 발견할 수 있다. 개별 맞춤형 전략에 있어 융합과 협력을 통한 생산의 유연성과 실시간 자동 제어 품질이 확보되어야 함을 시사하고 있다. 

개별 맞춤형 전략에서 핵심은 고객을 각각 개인으로서 만족시키는 것이며, 실제 사용자가 경험할 수 있는 모든 상황 및 환경 분석을 통해 고객의 숨은 요구를 만족하는 제품을 개발하는 것이라 할 수 있다.✽
✽Zhou, F, Ji, Y, and Jiao, RJ 2013. "Affective and cognitive design for mass personalization: status and prospect." Journal of Intelligent Manufacturing 24(5):1047-106 

이를 구현하기 위한 기법으로 기계 학습, 딥러닝, 처방적 분석법, 예견적 분석법, 인지, 휴리스틱 등의 기법을 활용할 수 있다. 

효율적인 스마트팩토리 구축을 위해서는 기업의 전문성과 특성에 따라 목표하는 수준이 다르듯이 회사의 도입 목적과 자사의 규모에 적합하게 품질 전략을 수립해야 한다.

<그림 2>는 한국 및 독일, 중국, 일본, 미국 등 멤버로 구성된 워킹그룹 12에서 주도하는 국제 표준 ISO 22549-2 의 수준 정의(안)과 스마트팩토리를 구축하고자 하는 기업의 요구 사항을 조사하여 스마트팩토리 구축에 대한 식별, 측정, 분석, 최적화, 개별 맞춤형 품질전략을 단계별로 요약한 것이다. 

수준별 품질개선 기법 

기업에서 활용할 수 있는 식별, 측정, 분석, 최적 의사결정, 개별 맞춤 등 품질전략의 단계에 따른 품질 기법을 선행 연구와 기업의 활용 사례를 통해 살펴보고자 한다.

Chen et al.(2012)✽ 의 연구에서는 데이터, 프로세스, 웹, 네트워크 분야의 다양한 마이닝 기법과 다변량 통계분석, 최적화, 기계학습, 웹 비주얼화, 개인화 모델링 등을 소개하고 있다.
✽Chen, H, Chiang, R, and Storey, V 2012. "Business Intelligence and Analytics: From Big Data to Big Impact." MIS Quarterly 36(4):1165-1188. 

특히 데이터마이닝은 데이터로부터 유의한 지식을 채굴한다는 의미로, 분석 대상인 데이터에 초점을 두고 있으며 기계학습은 데이터를 통하여 모형이 지속적으로 학습하여 개선된다는 의미로 모형 생성 방식에 초점을 두고 있다. 

의사결정나무, 지지벡터머신, 클러스터링, 인공신경망 등 상당수의 데이터마이닝 기법은 기계학습 방식을 따르고 있다.

인공신경망은 생물학적 신경망을 모방한 예측 시스템으로 경험(학습)이 반복되면서 뉴런(신경)이 활성화되는 것을 활용한 기법이다. 딥러닝은 은닉층 개수를 여러 층으로 깊게 추가한 학습 방식의 모형으로 인공지능 개념을 기계학습 방식으로 실현한 빅데이터 분석 기법이다.✽ 
✽Bae, KH, Bae, SJ, Cheong, TS, Heo, JY, Moon, SK, Song, SH, Lee, SS, Lee, JH, Bae, YS, Jung, JY, Na, HJ, Park, YU, Shin, KS, Wang, JN, and Kim, BH 2019. Smart Factory Management and Technology. Dreamdesign. 

연관분석은 여러 가지 항목들로 구성된 데이터들이 주어졌을 때 패턴 이해를 위해 항목들 간에 자주 발생하는 규칙을 생성하는 기법이다.

군집분석은 데이터 셋이 주어졌을 때 유사한 데이터들을 가급적 동일한 클러스터로 모으고 성격이 다른 데이터들끼리의 서로 다른 클러스터에 속하도록 데이터들을 그룹화하는 기법이다.

분류는 주어진 데이터들을 사전에 학습한 후 새로운 데이터 개체의 특징을 바탕으로 그 개체가 속할 클래스 예측에 활용된다.

휴리스틱은 시간이나 정보가 불충분하여 합리적인 판단을 할 수 없는 상황에서 신속하게 사용하는 어림짐작의 기술로 가용성(Availability) 휴리스틱, 대표성(Representativeness) 휴리스틱, 기준점 및 조정(Anchoring and adjustment) 휴리스틱, 감정(Affect) 휴리스틱 등이 있다. 

Krubasik, S. et al.(2017)✽은 기존 품질경영을 ICT를 기반으로 스마트화 할 혁신방안을 실시간 커뮤니케이션 피드백, 원격진단 및 유지 보수, 품질 빅데이터, 품질 예측, 고도화된 공급망 품질관리 측면에서 살펴보았다.
✽Krubasik, S, Dirlea, V, Kidambi, R, and Sachseneder, C 2017. Quality 4.0 : Preventive, Holistic. Future-Proof. AT Kearney. Industrial Good & Services. 

실시간 커뮤니케이션 피드백을 활용하여 품질 문제 및 관련 이슈를 파악하고 텍스트 기반의 비정형 데이터를 분석하기 위하여 다양한 머신러닝 기반 애널리틱스들을 활용하고 있다.

특정 유형의 품질 문제가 외부 조건 및 사용 패턴들과 연관성이 존재하는지에 대해 근본적인 원인 분석을 좀 더 빠르게 대응할 수 있기 때문이다.

또한 원격 진단 기술은 센서와 IoT를 기반으로 설비 데이터를 확보하고 예측 진단 솔루션을 도입하여 설비 상태를 모니터링하고 향후 패턴을 예측하며 이를 바탕으로 오작동 혹은 고장 등을 사전에 예측할 수 있다.

고도화된 공급망 품질관리에서는 공급 업체와 실시간 데이터 교환, 지능형 알고리즘을 통해 향후 품질 문제의 발생 가능성을 지표화하고, 낮은 점수의 공급업체를 대상으로 공급사의 품질 문제를 근본적으로 해결하기 위한 협업 체계를 구성할 수 있다고 하였다. 

위에 제시된 품질전략에 대한 검증을 위해 30여 개 업체를 대상으로 품질 개선 기법 활용도를 조사하였다(2019년 11월).

식별(12%), 측정(36%), 분석(32%), 최적의사결정(20%)에 해당하는 총 25개 업체의 설문조사를 바탕으로 사용 빈도를 분석하였다. 기업의 스마트팩토리 수준에 따른 품질 개선 기법 활용도 상·중·하를 1, 3, 9점으로 환산하여 평균값으로 사용 빈도를 분석하였다.

국내 사례가 없는 개별 맞춤 전략은 기업의 부서장, 컨설턴트, 그리고 품질 전문가와 브레인스토밍을 통해 조사하였으며 50개의 품질기법 중 대표적인 항목을 <표>와 같이 요약하였다.

식별, 측정, 분석 단계의 경우 기존 품질 개선 기법의 활용도가 대부분이며, 최적의사결정 단계의 기업에서 군집분석과 딥러닝 등의 최근 이슈가 되는 기법이 활용되고 있음을 알 수 있다.

설문에 응한 회사 중 웨이퍼 이미지에 따라서 불량 유무를 판별하기 위해 CNN과 같은 기법을 활용하며, 설비 상태에 따른 설비 고장을 예측할 때 다양한 기법을 활용한다고 하였다.

또한 반도체 생산 공정의 불량 요인분석과 수율 저하에 영향을 미치는 인자를 찾기 위해 빅데이터 아키텍처를 구성하고 빅데이터 분석 기법을 활발히 사용한다고 응답하였다.

출처 : 품질그리고 창