Quality 4.0은 무엇인가

메인.jpg

‘Industry 4.0’ 은 지구상에 살고 있다면 한 번쯤 들어 보았을 용어이다. Quality 4.0은 품질 관리를 보다 나은 방향으로 전환하기 위해 필요한 기술, 관행 및 프로세스를 정의하는 용어이지만 훨씬 덜 알려졌다.
이 기사는 보스턴 컨설팅 그룹(Boston Consulting Group)의 Quality 4.0 연구를 바탕으로, 품질 관리를 개선하려는 대부분 제조업체가 활용할 세 가지 기술을 설명한다. 기술은 품질 예측 분석(Predictive Quality Analytics), 머신 비전 품질 관리(Machine Vision Quality Control) 그리고 표준 운영 절차(Standard Operational Procedure SOP: 표준 운영 절차)이다.


출처 : ManufacturingTomorrow
번역 : K-SmartFactory


Quality 4.0이란?

Industry 4.0으로 불리는 디지털 트랜스포메이션은 제조, 가공, 생산 산업을 크게 변화시키고 있다. Industry 4.0이라는 용어는 현재 제조 세계를 변화시키고 있는 모든 기술, 프로세스 및 관행을 요약하고 있다. Quality 4.0은 덜 알려진 개념이지만 Industry 4.0 내에서 빠르게 부상하고 있다. 제조업체들이 공급망 전체에 걸쳐 품질 표준을 개발, 관리 및 유지할 수 있도록 하는 특정 기술, 관행 및 절차를 추가로 분류된다.
Quality 4.0은 새로운 기술을 도입할 때 제조업체가 취할 수 있는 접근방식을 정의한다. 여기에는 지속적인 개선활동 추진과 전반적인 비즈니스성과 개선을 돕는 품질 관리 시스템(QMS:Quality Management System) 소프트웨어를 갖춘 머신 러닝, 예측 분석, IoT, 빅데이터 및 클라우드 컴퓨팅이 포함된다.
스마트한 실행 방식과 절차가 수반되는 디지털 기술은 다양한 방식으로 품질을 개선하는 데 도움이 될 수 있다. 예를 들어, 기업은 프로세스를 모니터링하고 실시간으로 데이터 수집, 분석 적용, 그리고 품질 문제와 유지보수 요구를 예측할 수 있다. 또한 디지털 도구는 사람들이 빠르고, 더 나은 방식, 적은 비용으로 일을 할 수 있게 해준다. Quality 4.0은 공장에서 일어나는 일에만 영향을 미치는 것이 아니라, 연구개발(R&D), 조달, 제조, 물류 및 판매, 서비스 및 애프터 서비스, 기타 기업 기능까지 포괄한다.


Quality 4.0 연구 결과

ASQ 그리고 독일 Deutsche Gesellschaft fur Qualitett(DGQ)과 함께 Boston Consulting Group(BCG)은 품질관리를 혁신하는데 기술의 역할을 더 잘 이해하기 위해 Quality 4.0 연구를 수행하였다. 이 연구는 기회, 그리고 품질과 관련된 공통의 도전과 기술, 그리고 전통적인 품질 관리 모범 사례를 어떻게 향상할 것인가에 초점을 맞췄다.
보고서에 따르면 제조업체의 3분의 2가 향후 5년 이내에 Quality 4.0이 생산활동에 큰 영향을 미칠 것으로 인식하고 있다. 그러나 그 회사들 중 16%만이 Quality 4.0 를 실제 도입하고 있으며 63%는 계획 단계에 이르지도 않았다고 응답했다.
기업들은 Quality 4.0이 실질적인 가치를 창출할 수 있다는 것을 인식하고 있지만, 소수의 기업만이 구체적인 전략을 수립하고 실행 프로그램을 시작했다. Quality 4.0의 성공은 기술적 문제 외에도 다양한 전략 및 문화적 관행을 포함하는 다면적인 접근법을 통해서만 달성될 수 있다.


제조분야 3가지 Quality 4.0 기술

Quality 4.0 핵심 지원 기술은 무엇인가? 이어지는 내용은 세 가지 품질 향상 기술에 대해 이해하기 쉽게 기술하고 있다. BCG 연구에 의해 정의된 바와 같이 이는 전체 공급망내 부문 중 한 사례이다.


예측 품질 분석-Predictive Quality Analytics

예측품질분석(Predictive Quality Analytics)은 제조사가 이미 생산 공정 중에 있는 제품, 부품, 소재의 품질을 예측하기 위해 사용하는 툴이다. Predictive Analytics(예측 분석)은 생산 프로세스에 수집된 방대한 양의 데이터를 선별, 포맷 및 분석하는 일로 시작된다. 그 다음, 통계 알고리즘과 머신러닝을 데이터에 적용하여 유용한 통찰력을 추출한다. 이러한 통찰력을 통해 제조업체는 중요한 변수들 사이의 유용한 상관관계를 분석, 데이터 패턴 인식, 이상 징후를 감지하고, 미래의 결과와 추세를 예측할 수 있다. 품질 문제가 발생하기 전에 문제의 근본 원인을 미리 해결할 수 있다. 예측 품질 분석을 통해 제조업체는 비정상적인 문제와 근본 원인을 밝혀낼 수 있으며, 이는 제품, 부품 및 소재에 영향을 미치는 품질의 문제를 저감하게 된다.

배터리 셀 생산에서의 품질개선 예측 분석사례

그림1.png

<eLab 배터리 셀(Battery Cell) 생산 플랜트(이미지 출처 Elisa Smart Factory)>

독일 Aachen 대학의 전기이동성 연구 센터(electromobility research center)는 최근 예측 품질 분석을 사용하여 배터리 셀 제조 수율을 높일 수 있는지 여부를 연구했다. 전기 자동차 부문에서 배터리 셀 생산 품질은 주요 이슈로, 평균 스크랩 비율(scrap rate)은 15%에 이를 수 있다. 이렇게 되면 전기자동차 비용이 증가하고, 배터리 생산성이 감소되어, 귀중한 원자재 낭비하게 된다. 비용이 증가하는 것이다.
eLab 연구팀은 엘리사 스마트 팩토리(Elisa Smart Factory)의 데이터 사이언티스트들과 함께 생산 품질 향상을 위한 솔루션 개발에 착수했다. 그들은 문제에 대한 해결책을 찾았다. 예측 분석(predictive analytics) 을 사용하여 - 데이터 탐사와 프로세스 마이닝 기법을 통한 데이터 관점에서 제조 프로세스를 이해하는 작업을 시작했다.
그리고 공정에서 라인을 따라 진행되는 품질 문제를 예측하는 데이터 패턴 결정을 위해 통계적 알고리즘과 기계 학습이 적용되었다. 프로젝트의 결과로, 프로젝트팀은 생산 공정에서 배터리 셀의 품질을 조기에 예측함으로써 배터리 셀의 스크랩 비율을 16%까지 낮출 수 있었다.

머신비전 품질 관리

그림2.jpg

<PCB 제조공정에서의 머신비전 품질관리>

대량생산 자동화 공정에서 수동으로 품질을 검사하는 일은 비용이 많이 들고 속도가 느리다. 소위 샘플링 검사, 즉 생산량 중 어느 적은 부분을 분석하여 전체 생산한 배치의 품질을 결정하는 것은 더 이상 적합한 솔루션이 아니다. 품질 요구사항들이 증가하면 더 이상 솔루션을 확장할 수 없고 시간만 소비할 뿐이다.
머신 비전(Machine Vision)과 딥러닝(Deep Learning)이 공장에 들어와 품질 관리에 새로운 역할을 하고 있다. 이러한 기술은 검사 자동화로 전수검사하며 일관되고 정확한 검사 결과를 산출한다. 머신 비전은 방정식에서 인적 변화요인을 제거하여 항상 일정한 결과를 가져온다.


2D vs. 3D 검사

 제조관련 머신 비전 애플리케이션의 대부분은 2D이미지에 기반을 두고 있다. 2D 자동 검사는 빠르고 신뢰성있는 방법이며 바코드 판독, 라벨 방향, 인쇄 확인과 같은 응용 프로그램에 대한 분석을 할 수 있다.
3D 머신 비전(Machine Vision)은 복잡한 3차원 일정하지 않은 표면의 검사 및 측정에 널리 사용된다. 몇 가지 3D 영상 기법이 존재하며, 여기에는 '비행 시간'(time of flight) 기법, 레이저 삼각측량(laser triangulation), 스테레오 비전(stereo vision), 라이트 스트라이프 투영법(light stripe projection), 음영 형상(shape from shading), 그리고 화이트 라이트 중간계(white light interferometry) 등이 있다.
그러나 가장 일반적인 방법은 이미징 프로세스에서 제품의 모션을 이용하여 레이저 스캐닝(laser-scanning)을 기반으로 하는 삼각 분할법(triangulation)이다.


시각적 품질관리(Visual Quality Control)에 딥러닝이 필요한 이유

머신 비전 카메라(Machine Vision cameras)는 제조업의 품질 관리를 위해 충분하지 않다. 모든 품질의 결함을 같은 방법으로 확인할 수 없다. 사실, 이미지 기반으로 결함을 식별하는 방법은 믿을 수 없을 정도로 복잡한 작업이 될 수 있다.
심지어 훈련된 전문가들도 사소한 세부 사항들을 놓쳐 품질 결함을 야기할 수 있다. 한편, 위험 회피 성향을 가진 사람은 허용 가능하지만 한계점 가까이 있는 품질의 제품을 폐기할 수도 있다. 딥러닝 기법은 머신 비전 품질 제어 시스템(Machine Vision Quality Control System)을 통해 이미지를 기반으로 다양한 유형의 결함을 찾아내도록 할 수 있다.
딥러닝(Deep Learning)은 머신 비전 품질 제어 시스템에 수천 개의 이미지를 제공하고 허용 가능한 품질 수준에 대해 가르치고 그 결과의 정도를 지속적으로 고도화한다.

그림3.jpg

<모바일 어플리케이션 Standard Operating Procedure (SOP)>

표준 운영 절차(SOP: Standard Operating Procedure)

표준 운영 절차(이하 SOP: Standard Operating Procedure)는 반복적으로 하는 작업 수행 방법을 설명하는 일련의 지침서인데 단계별로 작성되었다. SOP는 수동 작업 및 자동 작업에 대한 지침서이며 작업시 안전에 대한 지침서의 기능도 한다. 직원들은 매번 동일한 방식으로 SOP를 운영해야하며 일정하게 유지되도록 해야 한다.


제조에서 SOP의 이점

SOP는 제조업체가 조직 전반에서 일관된 작업 방식 수립, 높은 품질 유지, 작업 효율과 안전 보장, 의사소통 오류 방지, 그리고 업계 규정을 준수할 수 있도록 돕는다. 생산 공정을 정류화하는 동시에 오류 위험을 최소화할 수 있다.


모범적인 SOP는 어떤 모습일까?

SOP 컴플라이언스 템플릿 체크리스트(SOP Compliance Template checklist)는 간단하고 이해하기 쉽고 모호하지 않은 단어를 사용해야 한다. 실행 단계는 따르기 쉬워야 한다. 좋은 표준 운영 절차는 단계를 명확히 설명하고 직원에게 안전사항를 알려야 한다. SOP는 신입사원교육시에 통합 교육을 할 수 있다. 또한 조직의 현재 요구에 부합하도록 주기적인 업데이트가 필요하다.


제조업체는 어떻게 SOP를 간소화할 수 있는가?

현대의 엔터프라이즈 콘텐츠 관리(ECM: Enterprise Content Management) 플랫폼을 통해 제조업체는 신뢰성 있는 액세스 제어, 중앙 집중식 버전 제어, 손쉬운 생성과 수정, 절차 관리와 같은 고급 기능을 갖춘 SOP를 구현할 수 있다.
역할 기반 교육 프로그램, 워크플로우 및 작업 할당을 통해 모든 직원이 올바른 절차, 작업 목록 및 교육을 준수하는지 확인해야한다. 전자서명은 완성된 과제에 대한 증거와 검증하는 데 사용될 수 있다. 스마트폰 SOP 애플리케이션은 이제 종이 출력물, 엑셀 테이블, 잉크 서명을 더 이상 사용할 수 없게 만들며, 전체 SOP 관리를 더 효율적으로 해준다.
SOP는 선진 프로세스 모니터링과 자동화로 단순한 단계별 작업 목록에서 사전 예방적 작업 지시 애플리케이션으로 전환될 수 있다. 이는 SOP목록된 업무리스트를 토대로 작업 지시를 적시에 할 수 있다. 예를 들어 예비 부품을 주문하거나 필요한 유지보수 활동에 적합한 SOP를 바로 지원한다.


결론

이 3대 기술 외에도, Quality 4.0 연구는 자동적 근본 원인 분석(root cause analysis), 매개변수의 자가 조정(self-adjustment of parameters)을 위한 기계 대 기계 통신(machine-to-machine communication), 실시간 프로세스 시뮬레이션 등과 같은 다른 제조 응용 프로그램도 추가로 소개했다.
하지만 Quality 4.0은 오직 기술에만 국한된 것이 아니다. 이는 품질을 관리하는 새로운 방법이다. 디지털 도구는 더 발전된 실행과 스마트한 프로세스와 결합되어 우수한 품질 팀들이 고객에게 지속적으로 고성능 제품을 제공할 수 있게 한다. 이것은 고도의 안전과 내부 효율을 유지할 수 있는데, 생태학적, 지속 가능한 운영이 동반되어야 가능해진다.

저작권자 © INDUSTRY TODAY 무단전재 및 재배포 금지