제조 복잡성 직면 - 1부

공장을 운영하는 제조업체는 생산성 향상을 모색해왔습니다. 이 목표가 이제 전반적인 전문 분야를 정의합니다. 그리고 일반적으로 보자면, 확실히 이를 통해 일정하고 인상적인 생산성 향상을 달성하였습니다. 또한 직접 또는 간접적으로 더 나은 제조 결과, 더 낮은 비용, 더 높은 수익 또는 둘 다를 추구하는 수많은 기술, 방법론, 프로토콜 및 철학을 개발했습니다. 또한 제조 분야에서 생산성 향상은 지속적인 목표이지만 서로 다른 데이터 소스와 일관성 없는 측정 기준은 복잡성을 악화시켜 오해의 소지가 있고 양립할 수 없는 결과를 초래할 수 있습니다.

예술, 과학, 그리고 직관

다른 모든 현대의 제조업체와 마찬가지로 귀사의 당면 과제는 단지 개선이 아닌 꾸준한 개선이며 개선하고 있다는 것을 증명하는 것입니다. "개선" 자체는 추적 가능한 다양한 메트릭을 통해 명확하게 설명할 수 있지만, 서로 다른 메트릭에 대해서는 효과적인 비교가 어렵습니다. 생산성에 대한 "온전한 진실"을 확립하는 것은 상이한 방법과 측정 기준의 복잡한 요소 없이는 어렵습니다. 그 결과 수십 년 동안 공장에서 생산성을 평가하고 관리하는 것은 "예술"의 측면을 취했습니다. 위에서 논의한 모든 형태의 기업이 점점 더 "과학"적으로 변화했음에도 불구하고 제조 전문가의 직관이 필터로써 작용했습니다. 그리고 이에 따라 실제 상황이 개인의 주관적인 관점에 따라 달라지기도 합니다.

OEE의 고유한 복잡성

오랫동안 유용하게 사용되어 왔고 가장 보편적으로 사용되고 있는 제조 운영의 측정 방식인 Overall Equipment Readiness(OEE)가 생산 개선 에코시스템에 복잡성을 더할 수 있습니다. OEE를 계산하기 위한 여러 방정식이 존재하며, 각 방정식은 배포된 환경에서 유효한 것으로 간주됩니다. 가장 간단하면서 유효한 OEE 계산(Good Count x Ideal Cycle Time)/Planned Production Time)은 특정 손실 관련 변수를 고려하지 않으며 다른 계산식(Availability x Performance x Quality)은 이러한 요소를 중심으로 합니다.

다양한 방법론

SixSigma에서 Lean, SCADA에서 MES에 이르기까지 기업들은 공장 운영 방식을 더 잘 이해하고 제어하고 최적화하기 위해 계속해서 다양한 기술을 도입하고 있습니다. 이러한 광범위한 접근 방식은 필연적으로 엄청난 복잡성을 야기합니다. (MESA, Manufacturing Enterprise Solutions Association은 그 복잡성을 다루기 위해 30년 전에 설립되었습니다.) 이러한 복잡성은 데이터 소스와 측정 표준이 서로 다르다는 것을 의미하며, 일반 관찰자가 합리적인 수준의 조화를 기대하는 단일 공장에서도 마찬가지입니다.

서로 다른 메트릭

또한 OEE를 위해 측정하는 것 자체의 종류가 다르므로 기존의 즉시 비교할 수 없는 단위에 따라 설명해야 합니다. 예를 들어, 계획 및 계획되지 않은 다운타임 및 전환의 측정은 일반적으로 시간 단위로 측정됩니다. 생산 속도, 시간당 단위 짧은 중단과 스크랩 - 항상 절대 단위. 이러한 메트릭은 일반적으로 하나의 비교 가능한 현실적인 관점을 지향하지 않습니다. 

일관되지 않은 데이터 소스

한편, 미션 크리티컬 데이터는 수집된 후 제조 에코시스템의 다양한 위치에 저장됩니다. 그리고 이 데이터의 집계 자체도 해결하기 쉽지 않습니다. 이러한 데이터 소스는 서로 별개일 뿐만 아니라 ERP 시스템, MES, PLC, IoT 데이터, SCADA 시스템과는 종류가 다를 수도 있습니다. 물론 자체 개발한 포인트 솔루션도 있지만, 그 복잡성과 속성은 일부 팀만이 온전히 이해할 수 있습니다. 

백분율의 문제

생산 병목 상태와 기회 그리고 원인과 결과를 파악하고, 가장 효과적인 조치를 취하기 위해 조직은 기본적으로 백분율 기반 보고 형식을 기본으로 사용하는 경우가 많으며, 이는 본질적으로 잘못되게 이해할 수 있는 소지가 있습니다. 보고 자료는 매우 다양한 출처를 기반으로 작성하기 때문에 보여지는 그림은 잘못 정렬될 수 있으며, 일관성이 떨어지고, 정확성이 부족하며, 최선의 조치를 덜 효과적으로 예측할 수 있습니다. 덜 중요한 문제에 대한 큰 비율의 개선보다 더 중요한 단계에 대한 작은 개선이 더 중요할 수 있습니다. 또한, 이러한 보고는 회고적인 경향이 있습니다. 측정 당시 일어난 일에 대한 견해는 앞서 논의한 여러 필터와 계산을 통해 처리하는 동안 지연을 야기합니다.

사례 만들기

어디에나 존재하는 데이터. 하지만 진실은 무엇입니까? 상충되는 시스템, 여러 변수 및 이질적인 데이터 소스가 발생하는 엄청난 복잡성으로 인해 이를 식별하기가 어려울 수 있습니다. 여러 소스에 있는 이기종 데이터 유형에서 파생된 백분율 기반 보고를 비교하는 데 내재된 어려움을 고려할 때 운영 관리자가 가장 효과적인 다음 단계를 명확하게 식별하고 우선 순위를 지정할 수 있는 방법은 무엇입니까? 또 모든 이해 관계자가 이해할 수 있는 언어로 어떻게 사례를 납득시키겠습니까? 

하나의 언어, 하나의 관점.  

Digital Production Management(DPM) 출시와 함께, PTC가 패러다임을 바꿨습니다. DPM은 제조 생산성에 가장 큰 영향을 미칠 문제를 평가, 우선 순위 지정 및 해결하기 위한 하나의 공통 어휘를 사용하도록 고안 및 설계되었습니다. 현대적인 생산 라인에서 흘러나오는 데이터를 정의하는 모든 복잡성은 명확하고 일반적으로 이해되는 의미를 지닌 통합 메트릭(생산 시간)으로 이해하고 해결할 수 있습니다. 진실과 측정 가능하고 입증 가능한 생산 개선 방법을 그 어느 때보다도 분명하게 발견할 수 있습니다.

제조 개선을 위한 공통 언어 DPM에 대해 더 자세히 알아보려면 이 블로그를 확인하시기 바랍니다.