공정 제조의 편차 분석

편차 분석은 전 세계 공정 제조 시설에서 일상적으로 수행되는 일상적인 문제 해결 방식입니다. 속도가 중요한 경우, 문제를 신속하게 해결하려면 안정적인 편차 감지 시스템과 함께 결과 데이터를 분석하는 적절한 절차가 필수적입니다.

적절하게 구성된 편차 감지 시스템을 사용하면 제조 공정과 관련된 거의 모든 사람이 협업을 통해 예기치 않은 생산 문제의 근본 원인을 신속하게 파악할 수 있습니다.

이번 게시물에서는 실제로 데이터를 분석하여 편차가 발생한 공정의 원인을 정확히 찾아내는 방법에 대해 집중적으로 살펴보겠습니다.

편차 분석: 데이터 검토하기

이상 징후 감지 방법에 대해 다룬 다른 문서에서는 다음의 단계를 포함하여 편차 감지를 설정하는 방법에 대해 설명했습니다.

1. 태그 선택하기
2. 다운타임 필터링하기
3. ‘정상’ 작업 데이터 식별하기
4. ‘비정상’ 작업 데이터 식별하기

다섯 번째 단계는 방금 생성한 데이터를 실제로 분석하여 문제가 발생하는 위치를 파악하는 것입니다.

하지만 분석에 들어가기 전에 먼저 생성한 데이터를 살펴보겠습니다.

아래 예는 dataPARC의 공정 데이터 분석 소프트웨어로 생성한 데이터를 보여주지만, 맞춤형 Excel 통합 문서에서 이 작업을 수행하는 경우에도 분석 절차는 비슷할 것입니다.

태그 선택하기

다음은 우리가 식별한 태그입니다. 이 경우에는 디스플레이 그래픽에서 전체 공정 영역을 드래그하기만 하면 모든 태그가 여기에 있는 애플리케이션으로 이동했습니다. 태그를 수동으로 추가하거나 히스토리안에서 데이터를 내보내 스프레드시트에 추가할 수도 있었습니다.

문제가 있는 공정과 관련된 363개의 태그에서 데이터를 가져왔습니다.

정상 데이터

다음으로 ‘정상’ 데이터가 있습니다. 공정이 효율적으로 실행되고 있을 때의 데이터를 말합니다. 여기에 표시된 값은 한 달 동안의 평균값입니다.

제조 공정이 원활하게 실행된 한 달의 평균 데이터입니다.

비정상 데이터

문제가 있는 데이터를 말합니다. 처음으로 문제가 있음을 인지한 특정 2일간의 기간으로 범위를 좁혔습니다.

비정상 데이터

편차 감지 방법

자세한 내용은 이상 징후 감지 방법에 대한 글을 참조하세요. 다음 부분에서는 네 가지 분석 방법을 사용하여 문제를 정확히 파악해 보겠습니다.

우리가 사용할 네 가지 편차 감지 방법은 다음과 같습니다.

1. 절대 변화(%Chg) – 가장 간단한 형태의 편차 감지 방법입니다. 값을 평균값과 비교합니다.
2. 변동성(COVChg) – 데이터의 변동 정도 또는 데이터가 평균에 비해 얼마나 분산되어 있는지를 나타냅니다.
3. 표준 편차(SDCgh) – 제어 차트의 표준입니다. 시간이 지남에 따라 데이터가 얼마나 변하는지를 측정합니다.
4. 다중 매개변수(DModX) – 전반적인 공정 상태를 평가하기 위해 예상값과 실제 데이터의 차이를 보여주는 고급 편차 감지 메트릭입니다. 범위는 종종 비율에 따라 달라집니다.

아래 이미지에서 각 계산 방법에 대한 편차값을 볼 수 있습니다. 여기에서 빨간색은 플러스 변화를 의미하고, 파란색은 마이너스 변화를 의미합니다.

네 가지 편차 감지 방법 빨간색은 값의 플러스 변화입니다. 파란색은 값의 마이너스 변화입니다.

따라서 제조 공정에서 문제가 발생한 지점을 찾고 있다면 가장 먼저 편차값을 살펴보는 것이 좋습니다.

다양한 감지 방법별로 분류하여 몇 가지 패턴을 식별할 수 있습니다. 그리고 잠재적인 오류 원인을 찾아낼 수 있습니다. 편차값을 기준으로 정렬하는 것만으로도 약 12개의 태그를 제외한 모든 태그를 용의 후보에서 제외할 수 있습니다.

이제 대부분의 모델에서 높은 편차값을 보이는 태그를 살펴보겠습니다. 이를 통해 문제 해결을 시작할 수 있습니다.

응용 편차 분석

예를 들어 여기에는 냉각수 태그가 있는데 4개 모델 중 3개 모델에서 편차값이 상당히 높은 것을 볼 수 있습니다. 이것이 유력한 용의자입니다.

이제 이를 분석하고 자세히 살펴보겠습니다.

편차 감지 애플리케이션에서 태그를 선택하고 ‘트렌드’ 버튼을 클릭하면 냉각수 태그에 대한 데이터 트렌드가 표시됩니다.

트렌드를 보면 확실히 상승하고 있으며, ‘정상’ 작동 조건에서 벗어나고 있습니다. 하지만 우리는 공정을 알고 있습니다. 그리고 냉각수를 강에서 공급받는다는 사실과 계절에 따라 강 온도가 변동한다는 사실도 알고 있습니다. 따라서 강 온도 태그를 트렌드에 추가하면 계절에 따른 변화라는 것을 알 수 있습니다.

냉각수 온도 태그와 강 온도 태그를 페어링합니다. 아니, 그게 아닙니다!

냉각수는 범인이 아닙니다. 다음으로 무엇을 살펴볼 수 있을까요? 이 6X dT 태그는 변동이 심한 표시가 여러 개 있어 문제처럼 보입니다. 이것은 추출 행렬의 6개 섹션에 걸친 온도 변화를 나타냅니다.

문제의 원인을 찾은 것 같습니다.

이것이 문제의 원인 태그일 가능성이 높습니다. 다른 팀원들과 함께 의견을 모아보면, 예를 들어 최근에 공정의 이 부분에서 유지보수가 수행되었다는 사실을 확인하거나 부인할 수 있는 구체적인 증거를 상당히 빠르게 파악할 수 있습니다. 여전히 불분명하다면 냉각수 태그에서 했던 것처럼 트렌드를 추적하여 이 태그의 값에서 실제로 비정상적인 동작이 나타나는지 확인할 수 있습니다.

예상되는 변화

실제로 이런 작업은 전 세계 공정 시설에서 매일 수행되는 일상적인 문제 해결 과정입니다. 그러나 속도가 중요하고 경영진이 기계가 다운되거나 제품 품질이 사양을 벗어난 이유를 물어볼 때 신속하게 답변해야 하는 경우, 강력한 편차 감지 시스템과 결과 데이터를 분석하는 좋은 절차를 갖추면 문제를 신속하게 파악하는 데 도움이 될 수 있습니다.