Home

해당 기업은 규격 6, 7, 8인치의 알루미늄 6000 계열 합금 빌렛 생산을 주력으로 하고 있다. 부재료로 Si, Mg, Cu, Mn, Cr, Zr, Fe를 사용하며 이를 납품처의 요청에 따라 적절한 비율로 첨가한다. 현장에는 두 개의 용해로를 가동하여 용탕을 만든다.

여기서 표준적인 알루미늄의 최고온도는 약 750도 정도이며, 처리 중이나 유지 중의 용탕 온도는 700~730도 정도가 바람직하다. 다만 유지 시간이 길어질수록 불순물 증가 및 용탕 중으로 수소 흡수가 늘어나는 문제가 야기된다. 또한 악화된 용해 효율은 응고 금속 중에 가스 구멍을 만들 수 있으므로 용해 공정의 시간 단축은 중요한 해결 과제 중 하나다[7].

용탕에 존재하는 가스 구멍을 제거하기 위해 GBF(Gas Bubble Filteration) 처리가 수반되며 GBF 용탕의 적정 온도를 유지가 필요하므로 미래금속에서는 두 개의 GBF 히터를 상시 가동하고 있다. GBF 처리를 거친 용탕은 성분 보정을 거쳐 주조기로 이동되고 주조된 빌렛은 불균일성을 제거하기 위해 균질화 처리를 거친다.

최종적으로 하나의 원통형 빌렛을 일정 크기로 절단하면 제품이 생산이 완료된다. 생산된 빌렛은 성분 검사 및 육안 검사를 통해 양품과 불량품으로 분류되며 불량의 종류와 원인은 주조일지에 기록된다.

통합 플랫폼에서 관리되는 데이터는 크게 작업환경 데이터와 용해/주조 일지로 분류된다. 미래금속의 제조 현장에는 예열로, GBF 설비, 주조기, 균질로 등 총 38개의 위치에 센서가 부착되어 있으며 이들은 기온, 유량, 수위 압력 등 다양한 종류의 데이터를 중앙 서버로 전송한다.

다만 서버에 저장된 데이터는 엑셀 파일 형태로 관리되고 있으므로 용해/주조 일지 데이터와 연관 관계를 맺어 유의미한 분석을 도출하는 데 한계가 있다. 다시 말해, 수집된 환경 데이터는 불량이 발생한 용해/주조일지와 결합해야 유의미한 해석이 가능하다. 따라서 본 연구에서는 해당 데이터를 관리하는 데이터베이스를 구축하고 파일로 기록되는 환경 데이터를 특정 시각마다 데이터베이스로 이관하는 기능을 추가하였다.

용해와 주조일지는 하나의 엑셀 파일로 관리되고 있으며 여기에는 불량의 수량, 중량, 원인도 포함되어 있다. 한편, 2022년 일지에는 작업 현장의 기온과 습도 정보가 누락되어 있으므로 제조 환경이 제품 생산에 미치는 영향을 분석하는 데 어려움이 있었고 본 연구에서는 이를 극복하기 위해 기상청에서 제공하는 공공데이터를 활용하였다[8].

해당 정보를 수집한 관측소는 경북 구미시 남통동(위도: 36.13055, 경도: 128.32055)으로 미래금속과 직선거리로 약 5km 떨어져 있으나 온습도와 불량 발생의 상관관계 및 추이를 분석에 용도로는 충분하다고 판단하였다.

일지는 작업자의 수기로 작성된 특성으로 인해 형태/타입 불일치, 결측값, 등이 다수 포함되어 있었다. 본 연구에서는 데이터 무결성을 위해 다양한 전처리 과정을 수행하였다.

먼저 판다스 패키지로 해당 파일을 읽어 DataFrame 자료형에 저장한다. 생산 일이 서로 다른 데이터 사이에는 상호 구분을 위한 행이 추가돼 있으므로 이를 제거한다. 특정 행에 결측치가 포함될 경우 DataFrame에서 제공하는 함수가 제대로 동작하지 않으므로 산술연산을 수행하지 않는 열은 fillna 함수를 통해 0으로 값을 채운다.

한편, 분석에 직접적으로 사용되는 탈가스 시간 셀에 1) 값이 없거나 2) 시간이 아닌 날짜가 포함되거나(타입 불일치) 3) “미실시”라는 문자열이 있으면 이와 동일한 값인 “용해 완료 시간” 셀의 값으로 대체한다.

원본 데이터는 1월 1일 20시에 시작하여 다음 날 1월 2일 06시에 마치는 공정과 같이 시작일과 종료일이 다르더라도 동일한 제조 일자를 갖고 있었다. 이는 일지 데이터와 기상청 공공데이터 결합 시 정합성(Consistency)을 떨어뜨리는 문제를 야기하므로 공정 시작 시각과 총 작업시간의 합이 24시간을 넘기는 공정에 대해 제조 일자를 보정한다.

불량은 기온과 습도와 같은 환경적 요인과 더불어 정비 불량, 설비의 노후화, 작업자의 숙련도와 같은 복합적인 요소가 결합하여 발생한다. 따라서 정확한 분석을 위해서는 다년간 축적된 양질의 데이터가 필요하다. 현재는 일지를 통해 불량이 발생한 공정의 통계 정보를 추출하여 제품 생산에 미치는 요인을 분석하고 있으며 분석은 총 네 가지 관점에서 진행하였다.

[분석 1 합금 규격] 해당 기간에는 합금 번호가 6063이고 직경이 7인치인 빌렛이 920회, 6인치인 빌렛이 432회 생산된 것을 확인할 수 있다. 반면 불량이 발생한 횟수를 살펴보면 6인치 빌렛 생산에서 발생한 불량 횟수가 7인치에 비해 약 2.6배 더 높다.(참고로 여기서 말하는 불량은 하나의 공정에서 대략 36개에서 64개 사이의 빌렛 조각이 생산되는데 그중 하나라도 불량이 발생하면 이를 불량 발생 공정으로 간주한다)

이를 통해 빌렛의 직경이 작을수록 불량률이 높음을 알 수 있으며 직경 6인치 빌렛 제조공정에 대한 점검이 필요함을 확인하였다.

[분석 2 재료] 원료 용해 시 투입되는 부재료와 불량률의 관계를 파악하기 위해 각 공정에 투입된 부재료의 평균 총합을 산출하였다.

불량이 발생한 공정과 그렇지 않은 공정에서 부재료의 평균 투입량은 각각 170kg, 144kg이었으며 이는 부재료가 많이 투입될수록 불량 발생률이 높아짐을 시사한다. 부재료 투입량에 따라 유동성, 수축성, 균열 강도 등 그 화학적 성질이 변형될 수 있으므로 부재료 사용량에 따른 차별적인 공정 제어가 필요하다.

[분석 3 작업시간] 빌렛 생산라인은 월요일부터 토요일까지 24시간 가동된다. 본 연구에서는 요일별, 용해 장입 시작 시각별, 월별 불량 발생 비율을 파악하여 작업시간이나 계절이 불량에 미치는 영향을 분석하고자 하였다.

먼저 그림 3과 같이 요일별 불량 발생 비율은 금요일이 다른 날보다 다소 높게 나타났다. 이는 해당일의 작업 담당자, 작업자의 수, 교대시간 등이 빌렛 생산에 영향을 줄 수도 있음을 의미하여 향후 축적된 데이터에서 그 양상이 더욱 뚜렷할 경우 추가적인 분석이 필요할 것으로 추측된다.

Fig. 3. 
Defect occurrence rate by day of the week

반면 빌렛 생산의 첫 시작점인 용해 장입 시작 시각에 따른 불량 발생 비율을 파악한 결과 그림 4와 같이 다소 차이는 있으나 불량이 집중되는 특정 구간이나 추이는 발견하지 못했다. 시간별 발생 건수가 희소하여 그 특징이 드러나지 않을 수 있으므로 향후 데이터 축적을 수반한 지속적인 분석이 필요하다.

Fig. 4. 
Defect occurrence rate by charging start time

그림 5는 상당수의 불량이 8월과 9월에 집중되는 것을 보여준다. 이를 통해 여름이 다른 계절에 비해 불량률이 높다는 것으로 확인되며 더 나아가 높은 기온과 습도가 공정에 영향을 미칠 수 있음을 추론할 수 있다.

Fig. 5. 
Defect occurrence rate by charging start time

구체적인 분석을 위해선 불량이 발생한 공정에서의 기온과 습도가 필요하지만 일지에는 해당 데이터가 없으므로 본 연구에서는 기상청에서 제공하는 공공데이터를 차선책으로 활용하였다. 공공데이터는 2022년 구미시 남통동에서 관측한 날씨 정보를 1시간 단위로 기록하고 있다.

[분석 4 기온과 습도의 영향] 표 3은 양품과 불량을 구분하고 각각의 경우에서 공공데이터로부터 확인된 기온, 강수량, 습도를 정리하고 있다. 특히 공정을 장입 시작 시각, 탈가스 시작 시각, 주조 시작 시각으로 세분화하여 각 공정에서 중요한 환경 요인을 파악하고자 했다.

표 3에 나타난 바와 같이 양품과 불량 제조 공정에서 관측된 기온은 큰 차이가 없으나 습도는 상대적으로 다소 높은 차이가 있는 것을 확인할 수 있다. 강수량 또한 불량 발생에서 높게 관측되는 데 이는 습도가 높을수록 불량 발생확률이 올라간다는 앞선 분석과 그 맥락을 같이한다. 특히 습도는 탈가스와 주조 등 용탕이 공기 중에 노출되는 공정에서 그 차이가 더 크므로 향후 습도가 공정에 미치는 영향에 대한 분석이 필요할 것으로 보인다.

앞서 언급한 분석 결과 및 생산 관리 데이터는 사용자 웹 페이지에 모두 반영하였으며 그림 6은 다양한 분석 결과 중 온습도가 공정에 미치는 영향을 시각화한 예시다. 이를 확장하여 추후 대시보드 구현에 활용할 예정이다.

Fig. 6. 
Visualization of the impact of weather on defect occurrence