많은 산업 공정에는 제조 과정의 적어도 일부에서 동적으로 변하는 변수들이 포함됩니다. 예를 들어, 화학 배치 반응기의 온도나 압력, 오토클레이브의 진공도 상승 등이 있습니다. 배치 간 일관성을 유지하기 위해서는 정상 상태 생산을 모니터링할 때 관리도를 사용하는 것과 유사한 방식으로 이러한 동적 생산 또는 설정 단계를 비교할 수 있는 방법을 찾는 것이 중요합니다.
JMP를 사용하면 몇 가지 비교적 간단한 단계를 거쳐 여러 대표 배치로부터 동적 관리 한계를 생성할 수 있습니다. 그런 다음 그래프 빌더에서 향후 배치를 겹쳐 표시하여 이러한 과거 한계 내에 부합하는지 확인할 수 있습니다. 이 데모에서는 관리 한계를 생성하는 단계와 배치 간 비교를 위한 한계 사용 방법을 보여줍니다. 이러한 유형의 데이터와 관련된 몇 가지 문제점도 논의합니다.
동적 공정의 관리도 작성에 대한 제 강연에 오신 것을 환영합니다. SPC(통계적 공정 관리)는 고정된 설정값을 중심으로 변동하는 공정을 모니터링하는 데 오랫동안 사용되어 왔습니다. 공정은 시간에 따라 모니터링되며, 변동은 두 가지 구성 요소로 구분할 수 있습니다. 첫째는 공통 원인 변동으로, 공정 전반에 걸쳐 지속적으로 발생하며 공정에 근본적인 변화가 없는 한 항상 존재하는 변동입니다. 둘째는 특수 원인 변동으로, 공정 외부 요인이 변동량을 증가시켜 공정이 관리 이탈 상태가 되는 경우입니다.
하지만 산업 현장의 많은 공정은 고정된 지점을 중심으로 변동하지 않습니다. 배치 공정에서는 미리 정해진 단계에 따라 온도, 압력, 진공도를 점진적으로 높여가며 일정 시간 동안 배치 단위로 원료를 처리합니다. 예를 들어, 배치 반응 용기에서 단량체를 중합체로 전환하거나, 믹서에서 진공도나 압력을 높여 원료의 용매 함량이나 수분 함량을 조절하는 공정이 있습니다. 이러한 경우에도 배치 간 일관된 결과를 얻고, 공정의 특성이 시간에 따라 일정하게 유지되는지 확인하며, 표준 공정을 따르지 않은 원료 배치를 식별할 수 있는 방법이 필요합니다.
본 프레젠테이션은 시간 경과에 따른 프로세스의 한계를 설정하고, 프로세스의 편차를 모니터링하며, 생산 설비의 설정 및 냉각, 상태 모니터링을 통해 시동 및 냉각 단계가 시간이 지남에 따라 일관성을 유지하도록 하는 실용적인 시각적 접근 방식을 보여줍니다.
제가 종사하는 산업 분야의 몇 가지 예를 들자면, 배치 믹서가 있습니다. 이 장비에서는 단량체를 믹서에 넣고 가열한 후 일정한 온도로 유지하고 냉각합니다. 이 방식을 사용하면 시간에 따른 온도 변화뿐만 아니라 모터 토크와 같은 중합도 지표를 포함한 다른 매개변수도 모니터링할 수 있습니다. 또 다른 예로는 오토클레이브가 있습니다. 오토클레이브에서는 탄소 섬유 복합 재료를 진공 및 고온에 노출시키는데, 이 역시 미리 정해진 속도로 진행됩니다. 오토클레이브 내부에서 재료를 특정 온도에서 일정 시간 동안 유지하는 단계가 있을 수 있으며, 그 후 부품을 냉각시킵니다.
이러한 기술을 사용하여 상태를 모니터링하는 한 예로 트윈 스크류 압출기를 들 수 있습니다. 트윈 스크류 압출기에서는 여러 대의 진공 펌프를 통해 진공을 가하여 수지에서 휘발성 성분을 제거합니다. 우리는 이러한 진공 펌프가 최적의 설정으로 작동하는지 확인해야 합니다. 생산 시작 시 대기압에서 설정된 값까지 진공이 낮아지는 진공 펌프의 시동 단계를 살펴봅니다. 이처럼 공정 매개변수가 시간에 따라 변하는 모든 유형의 공정에 이러한 접근 방식이 적합합니다.
이 경우, 데이터 히스토리안에서 나온 데이터가 있습니다. 다행히 데이터가 전자적으로 캡처되었습니다. 여러 배치가 겹쳐 쌓여 있는데, 이 경우에는 '데이터 제조업체'라고 표시되어 있습니다. 여기에는 배치 번호가 각각 다른 21개의 배치가 있습니다. 공정 매개변수는 진공이고, 시간 간격은 미리 정의되어 있습니다. 5초마다 데이터를 캡처했고, 각 배치는 17분 이내에 설정값인 210밀리바에 도달해야 합니다. 따라서 5초 간격으로 제조된 각 배치에 대해 205행의 데이터가 생성됩니다. 여기 21개 배치에 대한 데이터가 있습니다.
이제 이 데이터를 가져와서 각 시간 간격별 정상 범위 값을 계산할 수 있도록 정리해야 합니다. 데이터 테이블을 분할하여 5초, 10초, 15초 등 17분까지의 시간 간격별로 열을 만들겠습니다. 생산된 각 배치별로 한 행씩 데이터를 넣을 것입니다. 데이터가 총 21개 배치이므로, 그중 15개 배치의 데이터를 사용하여 관리 한계를 설정할 것입니다. 그런 다음 나머지 6개 배치의 데이터를 이 관리 한계와 비교하여 공정의 동작이 정상적이고 안정적이며 예측 가능한지 확인할 것입니다.
누적 데이터 세트를 선택하겠습니다. [테이블] 메뉴에서 [분할]을 선택합니다. 분할 기준으로 사용할 것은 진공(vacuum)입니다. 진공을 기준으로 열을 분할하겠습니다. 배치 번호별로 그룹화하여 각 배치 번호에 대한 데이터가 한 행씩 표시되도록 하겠습니다. 하지만 각 시간 간격에 대한 데이터가 한 열씩 필요하므로 시간을 기준으로 분할하겠습니다. 미리 보기 테이블에서 데이터가 예상한 형식인지 확인할 수 있습니다. 각 배치에 대한 행과 각 시간 간격에 대한 열이 있습니다. 만족스러우면 [확인]을 클릭하여 데이터 테이블을 생성합니다. 앞서 말씀드린 대로 처음 15개 배치를 사용하여 관리 한계를 설정할 것입니다. 즉, 마지막 6개 배치는 숨기고 제외하겠습니다. 이제 데이터 테이블이 슬라이드에 있는 것과 같이 보입니다.
이제 제가 해야 할 일은 각 시간 간격에 대한 관리 한계를 계산하는 것입니다. 즉, 각 시간 간격에서 예상되는 진공도를 확인하고, 그 평균값을 구하고, 그 평균값 주변의 관리 한계를 계산하는 것입니다. 다시 말해, 5번째 시간 간격과 10번째 시간 간격 등에서 예상되는 압력 변동폭을 계산하는 것입니다.
각각의 데이터가 독립적으로 설정되어 있기 때문에 개별 이동 범위 차트를 생성할 것입니다. 각 시간 간격별로 이동 범위 차트를 하나씩 만들고, 데이터 생성 시점을 기준으로 시간 순서대로 정렬할 것입니다. 생성해야 할 관리 차트는 총 205개이므로 몇 초밖에 걸리지 않습니다.
이제 각 시간 구간별로 개별 이동 범위 차트가 하나씩 생성되었고, 차트 설명에 해당 시간 구간이 명시되어 있습니다. 차트를 하나씩 살펴보면서 일반적인 원인으로 인한 변동 외에 다른 이상 징후가 없는지 확인할 수 있습니다. 이상한 데이터 포인트가 없어야 합니다. 각 차트가 모두 만족스러우면 이러한 관리 한계를 저장할 수 있습니다. 예를 들어 5초 구간을 살펴보면, 압출기 후퇴 5초 시점에서 압출기 내 진공도는 914.6밀리바가 될 것으로 예상되며, 범위는 865밀리바에서 963밀리바까지입니다.
빨간색 삼각형을 클릭하면 해당 기간별 한계값을 저장할 수 있습니다. 각 기간별 한계값이 저장되는데, 저는 이 값들을 세로로 긴 표 형태로 저장하고 싶습니다. 이렇게 하면 각 기간별 평균값과 정상 모집단이 가질 것으로 예상되는 값들이 포함된 표가 생성됩니다. 나중에 불필요한 열을 삭제하고 평균값과 관리 한계값만 남겨서 표를 정리할 것입니다. 이 데이터만 있으면 향후 분석에 충분합니다.
이 열에 관리도에서 가져온 레이블이 지정되어 있어서 데이터 형식이 연속적인 숫자형이 아님을 알 수 있습니다. 이제 데이터 형식을 올바른 시간 데이터 형식으로 되돌려야 하고, 레이블도 '시간'으로 다시 지정해서 나중에 이 데이터 열이 정확히 무엇을 나타내는지 명확하게 알 수 있도록 해야 합니다.
이제 각 시간 간격별 관리 한계값이 포함된 데이터 테이블이 하나 생겼습니다. 이제 차트를 생성할 수 있도록 시간 경과에 따른 각 배치별 변화를 반영하여 원래 데이터를 다시 정리해야 합니다. 누적 차트 데이터로 돌아가서 다시 분할하는데, 이번에는 약간 다른 방식으로 분할하겠습니다. 여전히 공정 매개변수인 진공도를 기준으로 분할하겠지만, 이번에는 시간을 기준으로 그룹화하려고 합니다. 각 시간 간격별로 한 행씩 만들고, 배치 번호별로 분할하여 각 배치마다 한 열씩 생성하겠습니다. 다시 한번 미리보기를 통해 데이터가 예상대로 그룹화되었는지 확인합니다. 만족스러우면 확인을 누릅니다. 이제 각 배치에 대한 시간 순서 데이터가 별도의 열로 표시되며, 향후 새로운 배치가 생성될 때마다 이 열에 추가할 수 있습니다.
제가 계산한 관리 한계값을 데이터 테이블에 직접 추가할 수도 있고, 가상 링크를 만들 수도 있습니다. 가상 링크를 만들면 데이터가 데이터 테이블에 영구적으로 고정되지 않기 때문에 다른 데이터 세트에서도 사용할 수 있고, 데이터 세트를 변경하지 않고도 시간이 지남에 따라 데이터를 재계산하거나 변경할 수 있습니다. 그러면서도 해당 데이터는 공정 데이터에 계속 남아 있어 공정의 한계값 설정에 활용할 수 있습니다. 데이터를 데이터 테이블에 실제로 통합하지 않고도 사용할 수 있는 것이죠. 저는 두 데이터 테이블 사이에 가상 링크를 만들겠습니다.
이렇게 하려면 두 데이터 세트에 공통으로 존재하는 열이 필요합니다. 이 경우에는 시간이 될 것입니다. 시간 열을 마우스 오른쪽 버튼으로 클릭하고 '링크 ID'를 생성하겠습니다. 이 열에는 데이터 테이블에 연결하기 위한 식별 정보가 포함됩니다. 데이터 테이블에서 '시간' 열을 다시 클릭하고 마우스 오른쪽 버튼으로 클릭합니다. 이제 이 참조를 관리 한계값과 평균값이 포함된 테이블에 연결하겠습니다.
왼쪽 열 선택 메뉴를 보면 각 자재 배치, 시간 열, 그리고 맨 아래에 가상으로 연결된 열들이 보입니다. 작은 아이콘으로 가상 링크가 표시되어 있죠. 현재 이 열들은 숨겨져 있고 잠겨 있어서 이 데이터 테이블에서는 수정할 수 없습니다. 데이터가 실제로 저장된 테이블로 돌아가야 합니다. 필요하다면 숨김을 해제해서 데이터를 볼 수도 있지만, 사용하기 위해 반드시 숨김을 해제할 필요는 없습니다. 깔끔하게 정리하기 위해 다시 숨기겠습니다.
이제 Graph Builder라는 매우 유연한 데이터 시각화 플랫폼을 사용하여 관리 한계선을 그래프로 나타내겠습니다. 그런 다음 각 배치 데이터를 시간 경과에 따른 관리 한계선 위에 차례로 겹쳐 표시하여 각 배치의 동작이 제가 관리 한계선을 생성하는 데 사용한 15개 배치의 과거 데이터와 일치하는지 확인할 수 있습니다.
데이터 테이블로 이동한 다음, 그래프를 선택하고 그래프 작성기를 클릭합니다. X축은 당연히 시간입니다. 그런 다음 관리 한계선을 가져옵니다. 개별 데이터 포인트는 필요 없고 선만 필요합니다. 생산 배치를 더 잘 보기 위해 배치 데이터를 회색으로 표시하고 점선으로 변경하여 배치 데이터와 관리 한계선을 명확하게 구분하겠습니다. 배치 데이터를 회색으로 표시하고 평균값은 점선으로, 관리 한계선은 점선으로 표시합니다. 이제 정상적인 공정이 시간에 따라 어떻게 변하는지 확인할 수 있습니다. 공정의 각 값이 시간이 지남에 따라 안정적이고 일관되게 점선 안에 있고 평균값은 파선에 가까울 것으로 예상됩니다.
이제 관리 한계를 설정하는 데 사용되지 않은 새로운 배치 중 하나를 겹쳐서 표시할 수 있습니다. 예를 들어, 2023년 6월 9일 배치를 관리 한계 위에 겹쳐 놓고 시간 경과에 따른 변화를 예상 범위와 비교하여 확인할 수 있습니다. 또한 열 전환기를 사용하여 배치를 스크롤하면서 각 배치를 관리 한계와 비교하여 확인할 수 있습니다. 맨 위에 있는 생산 배치를 선택한 다음 다른 모든 배치를 대체 열로 선택하면 열 전환기에 제조된 모든 배치 목록이 표시되고, 하나씩 스크롤하면서 새 배치 6개를 과거 관리 한계와 비교하여 확인할 수 있습니다. 데이터 테이블에 새 배치를 추가하면 이러한 관리 한계와 비교하여 쉽게 확인할 수 있습니다. JMP가 없는 다른 사람에게 이 데이터를 보내야 하는 경우, 이 과정을 애니메이션으로 만들고 GIF 파일로 저장하여 이메일에 첨부할 수도 있습니다.
또 다른 예시로, 저희 데이터를 기반으로 설명드리겠습니다. 여기서는 레진을 가열하는 공정을 예로 들어보겠습니다. 레진을 설정된 온도에서 일정 시간 동안 유지한 후, 배출을 위해 다시 냉각해야 합니다. 마찬가지로, 유사한 데이터와 관리도를 생성했습니다. 배치별 데이터를 살펴보면 간혹 이상치가 나타나는 것을 확인할 수 있습니다. 이러한 이상치는 해당 배치가 표준 집단과 비교했을 때 어떤 차이점이 있는 경우이므로, 조사가 필요합니다.
저희는 제조 및 테스트 공정의 여러 영역에서 이 기술을 광범위하게 사용해 왔습니다. 이 기술 덕분에 공정이 통제 불능 상태에 빠지기 시작하는 시점이나 장비에 유지보수가 필요한 시점을 조기에 파악할 수 있으며, 자재 불량이나 생산 설비 고장의 위험을 감수하기 전에 데이터에서 이러한 패턴을 확인할 수 있습니다. 저희는 계획되지 않은 유지보수로 인한 고장을 절대 원하지 않습니다. 이러한 방식으로 공정을 모니터링하면 장비 노후화가 시작되기 전에 미리 계획을 세울 수 있습니다. 감사합니다.
