[실습] 사례 분석: 현장 적용 운영 전략
실습 목표
- 가상의 공장 설비 가동 데이터 및 OEE 리포트를 분석하여
- 설비 비가동의 근본 원인을 찾고,
- 자사(또는 가상 공정)에 적용 가능한 현실적인 예지보전(PdM) 3단계 도입 로드맵 수립
[실습 1] 6대 설비 로스(Loss) 분석 및 OEE 개선점 발굴
- 교육생 배포용 데이터 예시:
Equipment_Log.csv(24시간 요약표)
[A-Line 3번 가공 CNC 설비 24시간 가동 현황 요약]
• 총 가동 가능 시간: 1,440분 (24시간)
• 계획 정지 (식사/조례/정기점검): 120분 ➔ [계획 가동 시간: 1,320분]
• 고장 정지 (스핀들 이상 1회): 90분
• 작업 교체/세팅 (Tool 교체 3회): 150분
• 순간 정지/공회전 (자재 걸림/Sensor 오류 18회): 108분 (회당 평균 6분)
• 속도 저하 (진동 발생으로 작업자가 임의로 Feed Rate 20% 다운): 실제 800개 생산 (기준 수량 1,000개)
• 불량 수량: 총 800개 중 40개 (초기 세팅 불량 25개, 가공 중 불량 15개)
- 제공된 데이터로 OEE 3대 요소를 직접 계산
‘어느 손실(Loss)을 먼저 잡아야 하는가?’ 도출
- OEE 3대 요소 계산
- 시간 가동률: \(\frac{1,320\text{분} - (90\text{분} + 150\text{분})}{1,320\text{분}} = \frac{1,080}{1,320} = \mathbf{81.8\%}\)
- 성능 가동률: 순간 정지(108분) 및 속도 저하로 인해 목표 1,000개 대비 800개 생산 = \(\frac{800}{1,000} = \mathbf{80.0\%}\)
- 양품률: 총 800개 중 양품 760개 = \(\frac{760}{800} = \mathbf{95.0\%}\)
- 최종 OEE: \(81.8\% \times 80.0\% \times 95.0\% = \mathbf{62.2\%}\)
- 근본 원인(Root Cause) 및 개선 우선순위 도출
- 가장 큰 손실 요인: 성능 가동률 저하 (80.0%)
- 근본 원인 파악:
- 순간 정지가 18회(108분)나 발생하여 흐름이 계속 단절됨 (자재 투입 가이드 유격 문제)
- 스핀들 이상 진동 때문에 작업자가 임의로 속도를 20% 낮춤 (PdM 미비로 인한 속도 손실)
- 개선 액션: 스핀들 진동 센서 도입을 통한 속도 복원 + 자재 투입부 센서 세척/유격 조정
[실습 2] 자사/가상 공정용 PdM 도입 로드맵 수립
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ [실습 2] PdM 3단계 도입 로드맵 캔버스 │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ 대상 설비: 자동차 부품 가공 CNC 스핀들 모터 / 목표: Unplanned Downtime 0시간 달성 │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [1단계] Data Setup (대상 선정 및 데이터 정의) │
│ • 병목/핵심 설비: 가공 라인 메인 스핀들 모터 │
│ • 도입 센서: 고주파 진동 센서(kHz), CT 전류 센서 │
│ • 데이터 수집 주기: 10초 단위 Aggregation (Edge PC 1차 수집) │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [2단계] Monitoring (CBM 대시보드 구축) │
│ • 주요 관제 지표: RMS 진동값, FFT 스펙트럼 피크, 모터 전류 고조파 │
│ • 상태 분기 (Baseline): 가속 / 정속 가공 / 대기 상태 분리 │
│ • Color Coding: Normal(초록) / Warning(노랑 - 3.5mm/s) / Alarm(빨강 - 5.0mm/s) │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [3단계] Prediction & Action (RUL 예측 및 워크플로우) │
│ • AI 모델: Autoencoder (이상 감지) + LSTM / XGBoost (RUL 잔여 수명 예측) │
│ • 연동 워크플로우: RUL < 48시간 감지 ➔ ERP MRO 모듈 연동 ➔ 예비 베어링 재고 확인 │
│ ➔ 정비 작업지시서(Work Order) 자동 생성 및 담당자 스마트폰 전송 │
└────────────────────────────────────────────────────────────────────────────────────────┘
- 체크포인트:
- [실습 1]에서 단순 ‘고장 시간(90분)’만 문제 삼는 경우
🡪 순간 정지(108분)와 작업자의 임의 속도 저하가 합쳐진 성능 손실이 더 큼
🡪 숨어있는 성능 손실을 볼 것- [실습 2]에서 센서만 달면 PdM이 끝난다고 생각하는 경우
🡪 RUL 예측 결과가 나왔을 때, ERP 작업지시서(WO) 발행까지 어떻게 연동할 것인지 3단계를 완성해 볼 것
- 설비 관리의 성패는 ‘고장이 난 후 얼마나 빨리 고치는가’가 아니라,
- ‘성능 손실과 미세 정지를 데이터로 발굴하여 정비 일정 안에 집어넣는가’에 달려 있음
- PdM 3단계 로드맵(Data Setup 🡪 Monitoring 🡪 Prediction & Action)을
- 현장에서 가장 자주 멈추는 병목 설비 하나부터 차근차근 적용해 볼 것 🡪 진정한 스마트 설비 운영의 시작
