제조업의 품질관리, 스마트 팩토리로 답을 찾다.

지난 한 세기 동안 제조업에서 품질은 중요한 화두가 되어 왔습니다. 품질, 제조업에서 왜 품질이 중요한 화두가 되었을까요? 다음의 사례를 같이 살펴보시죠.

2009년 8월, 일본의 도요타 자동차는 가속 페달 문제를 시작으로 결함 부위와 리콜 대상 차종이 점차 확대되어 창사 이래 최대의 리콜 사태가 벌어지게 되었습니다. 2010년 2월, 당시 전 세계 리콜 및 수리 대상 자동차 수가 전년도 일본 자동차 판매 대수에 필적하게 되어, 이제까지 쌓아왔던 ‘품질의 도요타’라는 기업 이미지는 한순간에 무너지게 되었습니다.

품질이 단순하게 기업의 이익에 영향을 주는 것을 떠나, 기업이 긴 세월 동안 쌓아온 브랜드 이미지를 한순간에 무너뜨리고 심지어 기업의 존망도 결정할 수 있음을 도요타 사례로 우리는 알 수 있었습니다. 그렇다면, 제조업에서 품질은 어떤 방식으로 관리해서 이러한 품질 문제가 발생하는 것일까요? 한번 살펴보도록 하겠습니다.

• Check Point #1: 생산 공정이 시작 전에 문제점을 찾아내 해결합니다. 예를 들어 공정의 Recipe가 잘못 Setting 된 것은 없는지, 설비의 설정값은 변동이 없는지를 확인합니다.

• Check Point #2: 단위 공정 내에서 문제가 있는지 확인하고 문제가 발생하면 설비를 중단하고 현장에서 조치합니다.

• Check Point #n: 단위 공정이 끝나고 후 순위 공정에서 문제점을 찾아냅니다. 어떤 문제점들은 단일 공정 내에서는 문제점을 찾지 못하다가 여러 공정을 거치는 과정에서 문제점이 나타나기도 합니다.

• Check Point #END: 생산 공정을 모두 마친 후 출하 전에 불량품을 찾아냅니다. 이 단계에서는 보통 외관 검사를 통해 제품이 정상적으로 제조되었는지 확인할 수 있으나 제품의 내부 문제를 확인하기 어렵습니다.

이러한 품질관리 방법의 특징은 여러 품질관리 단계를 두어 불량품이 공장 밖으로 유출되는 것을 최소화하는 장점이 있으나 실제 적용에 한계가 발생합니다. 그 이유는 모든 공정 및 공정 간에 각각 많은 품질 Check Point를 갖게 되어 제품이 복잡할 경우, 품질 관리 비용이 기하급수적으로 증가하게 되는 단점이 존재하게 됩니다.

앞에서 예를 든 자동차의 경우, 약 3만여 개의 부품이 조립되는 공정이 있으며 이러한 공정들을 빠짐없이, 그리고 매 순간 철저하게 품질 관리하기에는 현실적인 한계가 분명히 존재하게 되는 것입니다.

자, 스마트 팩토리에서는 이러한 현실적인 한계를 어떻게 극복할까요?

스마트 팩토리는 IT 시스템과 Big Data & AI 기술을 활용해 현실적인 비용 혹은 관리적 이유에서 관리하기 힘들었던 부분까지 실시간으로 관리하게 되어 불량품 생산을 최소화하고 발생한 불량품이 공장 외부로 유출되는 것을 원천적으로 차단하게 됩니다.

스마트 팩토리 품질관리의 모습은 어떤 모습일까요?

 

• Check Point #1: 공정 Recipe 혹은 설비 값에서 이상이 감지되면 자동으로 설비를 강제 정지시켜서 생산이 시작되지 않게 한다.

• Check Point #2: 단위 공정 중에 이상을 감지하면 설비를 자동 조정해 생산 공정을 최적 상태로 회복시킨다.

• Check Point #n: 공정 간에 이상을 감지하면 빅데이터 분석을 통해 원인을 찾아 작업자에게 문제 해결을 지시하거나 시스템적으로 조치해 문제를 해결한다.

• Check Point #END: 작업자의 눈으로 확인하던 외관 검사를 AI와 비전 검사를 결합해 검사 시간 단축 및 높은 불량 검출률을 확보한다.

이러한 전체 과정을 Big Data와 AI 기술을 이용, 운영 시스템이 스스로 학습 및 진화하는 모습을 만들 수 있으며 나중에는 작업자의 개입 없이 운영 시스템 스스로 문제점 및 원인을 찾고, 이에 대한 해결 조치도 직접 내려서 생산 공정을 자동으로 운영하게 됩니다.

많은 분은 스마트 팩토리가 아주 먼 미래의 모습이라고 막연하게 생각할 수 있습니다. 하지만, 스마트 팩토리는 이미 우리 주변에 가깝게 와 있으면서 이미 많은 제조 기업이 스마트 팩토리를 생산에 적용해 세상을 바꾸고 있습니다. 이제 제조 기업에서 스마트 팩토리는 선택이 아닌 필수입니다.

LG CNS도 제조업 혁신에 앞장서 스마트 팩토리 플랫폼 팩토바(Factova)를 제공하고 있습니다. 공장의 효율성과 불량률을 최소화하기 위해 기존의 공장 자동화 수준을 넘어 데이터 기반의 실시간 자율 운영 공장을 구현합니다. 팩토바를 활용할 경우 기획 기간을 2~3개월 단축하고, LG CNS AI 빅데이터 플랫폼 DAP의 딥러닝을 통해 품질 검사 정확도를 99.7%까지 개선하는 등 생산 효율을 극대화할 수 있습니다.

그리고, 팩토바는 데이터 수집 및 제어, 정보화, 지능화 등 총 3개 계층으로 구성되어 있는데요. 데이터 수집 및 제어 계층에서는 각종 설비와 센서를 통해 빠르게 데이터를 수집하고, 정보화 계층에서는 계획부터 관리까지 제조의 전 라이프 사이클을 정보화해 관리합니다. 지능화 계층에서는 AI, 빅데이터 기술과 접목해 정보 전달뿐만 아니라 판단까지 제공합니다.

또한, 완성품(LG전자), 부품(LG디스플레이, LG이노텍), 소재(LG화학) 등 LG그룹 계열사 공장에서의 다양한 성공 레퍼런스를 보유하고 있는 것도 큰 장점입니다. 제조 역량을 집대성하여 실질적인 고객의 니즈를 반영한 맞춤형 스마트 팩토리를 구축할 수 있기 때문입니다.

LG CNS는 지난 30여 년간 다양한 제조 현장에서 정보기술을 기반으로 한 제조 기업 경쟁력 향상에 기여해 왔습니다. 축적된 현장 경험과 디지털 신기술 응용으로 보다 혁신적인 생산성 증대 기회를 제공할 것입니다.

글 l LG CNS 스마트팩토리그룹

 

['스마트 팩토리' 연재 현황]

[1편] 지멘스와 아디다스를 통해 알아보는 스마트 팩토리

[2편] 사람의 안전을 책임지는 스마트 팩토리

[3편] 스마트 팩토리, 생산성의 극대화를 위한 '공장 자동화'

[4편] 인간과의 공존이 가능한 스마트 팩토리 협동 로봇

[5편] 정유, 석유화학 공장의 스마트 플랜트로 변신

[6편] 제조업의 품질관리, 스마트 팩토리로 답을 찾다.

[7편] 부품 결함 검사, 3주에서 3일로 단축하는 디지털 트윈

[8편] 빅데이터로 미리 이상징후를 파악하는 스마트 팩토리

[9편] 이젠 알아서 작업대로 온다, 스마트 물류

[10편] 인공지능을 통한 품질 및 사고 예방

* 해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 LG CNS 블로그에 저작권이 있습니다.

* 해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.