복잡한 공정 중 측정값(예: 곡선 및 분포)에 대한 다양한 관리도 작성 접근법과 통계 도구를 자동화 및 데이터 관리와 함께 사용하는 방법은 효율적이고 지속 가능한 제조 공정에 매우 중요합니다.
연구 개발 단계에서는 제품 특성을 파악하기 위해 다양한 복잡한 측정값을 추출하는 데 중점을 두는 반면, 제조 단계에서는 합격/불합격 기준이 종종 단일 값 데이터와 같은 제한된 수의 지표에 기반하는 경향이 있습니다. 우리는 공정 모니터링 및 제어를 위해 가치 있는 공정 내 복잡한 측정값을 활용할 수 있는 분석 도구를 개발함으로써 연구 개발과 제조 간의 격차를 해소하고자 합니다.
안녕하세요, 저는 패트리샤 블랑코 가르시아입니다. 영국 남부 레딩 인근에 위치한 존슨매티 기술센터의 제형팀에서 수석 과학자로 근무하고 있습니다. 화학을 전공했고, 존슨매티 제품을 4~5년 정도 사용해 왔습니다. 이번 글에서는 새로운 공정 분석 기술에서 데이터 분석이 어떤 역할을 하는지 이야기해 보겠습니다. 존슨매티에 대해 잘 모르시는 분들을 위해 설명드리자면, 존슨매티는 에너지, 화학, 자동차 업계를 선도하는 기업들이 탈탄소화, 유해 배출물 감축, 그리고 지속가능성 향상을 실현할 수 있도록 지원하는 지속가능한 기술 솔루션 분야의 글로벌 리더입니다.
예를 들어, 자동차 3대 중 1대에는 존슨매티(Johnson Matthey)의 촉매 변환기가 장착되어 있습니다. 2023년 11월, 존슨매티는 지속 가능한 항공 연료만으로 구동되는 세계 최초의 상업용 대서양 횡단 비행을 가능하게 했습니다. 존슨매티 제품의 대부분은 배합 방식으로 만들어지며, 이 그림은 그 방식을 보여줍니다. 왼쪽부터 자동차 배기구에 장착되는 촉매 변환기가 있는데, 이 변환기는 활성 촉매가 포함된 슬러리로 코팅되어 있습니다.
두 번째 사진은 연료 전지 잉크인데, 이 물질들을 증착시켜 전지 전체 및 전해조에 사용되는 코팅층을 만듭니다. 그리고 잉크에 사용되는 분말도 있는데, 이 분말은 화학 물질 생산에 사용되는 과립형 또는 펠릿형 촉매를 만드는 데에도 사용됩니다.
이러한 조성물은 용매에 분산된 입자와 고분자 및 첨가제의 혼합물을 포함합니다. 앞서 언급했듯이, 한 예로 자동차 배기가스 제어 시스템에 사용되는 자동차 촉매를 들 수 있습니다. 이 경우, 자동차 촉매의 활성 물질은 혼합 금속 산화물 분말에 분산되어 슬러리를 형성하고, 이 슬러리는 자동차 배기 시스템에 사용되는 지지체에 코팅됩니다.
JM에서는 이러한 슬러리를 수백 킬로그램씩 생산하고 특정 규격에 맞춰 분쇄합니다. 저희에게 있어 이러한 원료의 가공 공정을 단계별로 관리하는 것은 재료 사용과 에너지 사용 측면 모두에서 지속가능성을 확보하는 데 매우 중요합니다. 따라서 이를 위해서는 온라인 측정 시스템 도입이 필수적입니다.
제가 속한 팀은 Horizon 2020 프로젝트의 일환으로 무기 촉매 분산액 공정 중 입자 크기 분석을 위한 실시간 레이저 회절 기술을 개발했습니다. 입자 크기 분석은 JM의 여러 제품에 있어 매우 중요한 측정 항목이며, 다양한 사업 부문의 제품에 대한 과거 기준을 정의하는 데 사용되는 특성 분석 도구의 일부입니다.
하지만 입자 크기 측정은 실시간으로 이루어지지 않습니다. 이상적으로는 실시간으로 측정하는 것이 좋지만, 저희의 경우 시료는 대부분 정해진 시간 간격으로 수동으로 채취한 후 실험실에서 측정합니다. 시료는 시간이 지남에 따라 변질될 수 있고, 측정 담당자도 다를 수 있습니다. 이는 비효율적이며, 반복성과 재현성 오류를 초래할 수 있습니다. 따라서 실시간 측정은 고비용의 분쇄 공정의 최종 결과를 정확하게 평가하고 과잉 처리 위험을 최소화하는 데 중요합니다.
이 포스터에서는 곡선 및 분포와 같은 복잡한 공정 내 측정값을 위한 다양한 관리도 접근 방식의 활용과, 효율적이고 지속 가능한 제조 공정을 위해 통계 도구와 자동화 및 데이터 관리를 함께 사용하는 것이 얼마나 중요한지에 대해 논의하고자 합니다.
연구 개발 단계에서는 제조 과정에서 제품의 특성을 파악하기 위해 다양한 복잡한 측정값을 추출하는 데 더 큰 비중을 둡니다. 과거의 실패 기준은 측정 지표의 수가 적고, 종종 단일 값 데이터에 기반하는 경향이 있습니다. 예를 들어, 오른쪽 그림처럼 입자 크기 분포의 백분위수를 사용하는 식입니다. 하지만 복잡한 입자 크기 분포는 왼쪽 그림처럼 전체 곡선을 사용하여 더 잘 설명할 수 있습니다.
왼쪽에는 서로 다른 색상이 시간의 각기 다른 구간을 나타냅니다. 두 경우 모두 온라인 데이터와 오프라인 데이터를 비교하고 있습니다. 추세는 비슷하지만, 이는 매우 주관적인 판단입니다. 통계 도구를 사용하면 주관성을 줄일 수 있습니다. 제가 먼저 보여드릴 도구는 관리도입니다. 관리도는 하나 또는 여러 개의 공정 변수를 모니터링하는 데 사용됩니다. 이러한 공정 변수에는 온도, 압력 등이 포함될 수 있습니다. X축은 시간입니다.
이 예시에서는 분말 시료의 입자 크기 측정값을 살펴보고 있으며, 각 백분위수를 독립적으로 모니터링하고 있습니다. D10, D50, D90 값을 사용할 수 있습니다. 백분위수는 항상 사용되지만, 다봉 분포를 판별하는 데에는 그다지 효과적이지 않습니다. 따라서 궁극적인 목표는 백분위수뿐만 아니라 전체 분포 곡선을 모니터링하거나 시각화하는 것입니다.
곡선 관리도를 활용하면 특정 값뿐만 아니라 전체 분포를 시각화하는 데 도움이 됩니다. 이 방법론은 작년 서밋에서 발표했던 솔베이의 니콜라 브램머의 발표를 참고하여 개발했으며, 그녀는 이 도구를 배치 공정 모니터링에 사용했지만, 우리는 이를 입자 크기 측정 모니터링에 적용했습니다.
개별 관리도는 각 크기 등급별로 작성되어 종합 관리도를 구성하는 데 사용됩니다. 관리 한계는 공정의 고유한 변동성을 나타냅니다. 과거 측정값을 기반으로 관리 한계를 계산합니다. 관리 곡선이 관리 한계를 벗어나면 공정이 관리 이탈 상태인지 시각적으로 확인할 수 있습니다. 녹색 선은 현재 측정값을 평균 측정값(검은색 실선) 및 상한/하한 관리 한계(점선)와 비교하여 나타낸 그래프입니다. 필요에 따라 규격 한계도 추가할 수 있습니다.
이는 이전의 관리도보다 확실히 나은 점이라고 할 수 있습니다. 왜냐하면 여기서는 값들의 집합이 아닌 전체 분포를 볼 수 있기 때문입니다. 하지만 여전히 시각적인 표현에 그칩니다. 여기서 한 단계 더 나아가 주성분 분석을 사용하면 각 곡선의 주성분, 즉 크기 분포를 모니터링할 수 있습니다. 이 경우, 주성분 분석 모델 기반 관리도는 각 곡선의 함수와 주성분을 사용하여 분포를 모니터링할 수 있도록 해줍니다. 함수 주성분을 기반으로 전체 분포를 나타내는 관리도를 생성할 수 있습니다.
실시간 공정 변수 측정이 공정 제어에 얼마나 중요한지, 그리고 통계 도구를 활용하면 생성된 데이터에서 최대한의 가치를 추출할 수 있다는 점을 보여드렸기를 바랍니다. 저희는 연구 개발 및 제조 현장의 실제 사례 연구에 이 접근 방식을 적용하기 위해 노력하고 있습니다. 마지막으로, 이 발표에 사용된 일부 제분 데이터를 제공해 주신 조지 플랫과 챈드 말데에게 감사의 말씀을 전하고 싶습니다. 또한, 제 아이디어를 데이터에 적용할 수 있는 도구로 만들어 주신 필라 고메즈에게도 감사드립니다. 경청해 주셔서 감사합니다.
