품질 4.0의 개념과 핵심 요소

1. 품질 4.0의 개념

 

 1) 기업 활동의 효율성과 성과를 높이고, 혁신적인 비즈니스 모델을 도입하기 위해 품질경영에 4차산업혁명 기술을 맞추어 적용하는 것 (Jacob, 2017)

 2) 4차 산업혁명의 결과로서 기존의 품질특성이나 공정변수를 관리하기 위한 관리도가 실시간 품질 모니터링으로 변화한 것으로서, 생산 오류를 방지하고 제품, 프로세스와 시스템을 검증하기 위하여 품질 규격과 품질과 관련된 데이터를 정의, 수집, 분석 및 활용하는 것 (Ngo and Schmitt, 2016)

 3) 디지털화, 인공지능 등 4차산업혁명 기술을 품질에 적용하는 것 (Bowers and Pickerel, 2019)

 4) 4차 산업혁명에 나타난 디지털 기술을 품질경영에 적용한 것 (Kupper, 2019)

 5) 4차 산업혁명 맥락에서 품질과 조직의 우수성을 나타내는 용어 (ASQ 2020)

 

2. 품질 4.0의 핵심 요소

 

1) Data acquisition and analytics (데이터 획득 및 분석)

  - 품질4.0을 도입하려는 기업은 데이터가 기업의 전체 업무 프로세스 개선에 도움이 되도록 하려면 우선 어떤 목적으로 데이터를 수집하여야 하는지에 대한 고민을 한 후에 투자 계획을 수립해야 한다.

 

  가) Collection
     - 데이터를 활용하는 주목적은 외부의 물리적 환경에 대한 중요한 정보를 감지하고 내부 시스템의 신호를 샘플링하며
       의사결정에 유용한 정보를 획득하는 것이다. 

     a) 정형데이터: 구조화되어 있으며, 수치로 표현되는 데이터

         (c.f. 계측기와 센서에서 나오는 수치화된 데이터 및 고객 구매, 주문, 제품 생산 데이터 등)

     b) 비정형데이터: 특정한 저장 형식이 정해지지 않은 데이터
         (c.f. 커뮤니티 피드백 및 장비에서 생성되는 이벤트 로그 데이터와 카메라에서 얻는 이미지 데이터 등)

 

  나) Preprocessing

     - 데이터 정제(Data Cleansing)를 위한 데이터 전처리 방법은 다음과 같다.

     a) 잡음 처리: 잡음이 포함된 센서 데이터에는 환경적인 요인이나 장비 오작동으로 발생한 의도하지 않은 신호가
         반영되어 있어서 장비의 신뢰성과 정확성을 감소시킨다. 이를 처리하는 대표적인 것으로는 신호를 표현하고
         추정함으로써 잡음을 해결할 수 있는 웨이블릿 변환 방법이 있다. 

     b) 결측 데이터 처리: 결측 또는 불완전한 데이터가 있으면, 데이터 분석은 부정확하거나 신뢰할 수 없는 결과를 생성할
         수 있다. 이를 해결하기 위해서는 센서 데이터의 결측치를 추정해야 함

         i) 결측 데이터 원인을 찾기: 네트워크의 연결성 미흡, 센서 네트워크의 결함, 환경적 요인 및 동기화 문제

         ii) 결측 데이터의 패턴 파악: 규칙이 있는 결측 패턴(monotonous missing patterns), 무작위 결측 패턴(randon m. p.)

         iii) 결측 데이터에 대한 값 근사화: 단일 대체 알고리즘, 다변량 대체 알고리즘

     c) 데이터 정규화 또는 표준화: 공정데이터는 스케일이 큰 변수에 의해 많은 영향을 받기 때문에, 데이터 알고리듬에
         활용하기 전에 정규화나 표준화를 통해 동일한 척도로 변환하면 학습 속도 및 정확도를 높일 수 있음

     d) 고차원 데이터를 위한 전처리: 고차원 데이터에는 주어진 분석목적과는 관련 없는 변수들이 많이 포함될 가능성이
         크다. 따라서 최대한 목적에 맞는 적절한 변수들로 데이터를 구성해야 한다. 이렇게 모델링에 유용한 변수를 찾는
         과정을 특징공학이라고 한다. 특징 공학은 특징 선택과 특징 추출의 두 가지로 나누어짐

         i) 특징 선택: 주어진 특징(변수) 중에서 모델링을 위해 유용한 특징들만 선택하는 과정

         ii) 특징 추출: 기존의 특징들을 결합하여 더 유용한 변수를 생성하는 것

     e) 대표성이 없는 데이터를 처리하는 방법: 대표성이 없는 데이터로 모델링을 수행하게 되면 생성된 모델이 일반화되지
         못해서 신규 데이터를 예측할 때 매우 부정확한 예측을 수행하게 됨

 

  다) Analytics

     - 데이터는 그 자체로는 가치가 없고, 축적된 데이터를 결합한 후 분석하여 중요한 정보를 파악할 때 가치가 발생한다.

     a) 데이터 분석 기술: 고차원 관측 데이터를 분석하기 위해서는 전통적 방법, 데이터마이닝, 비모수적 방법을 결합한
         새로운 방법을 모색해야 한다. 더군다나 획득하는 데이터가 다변량, 자기상관, 프로파일, 시공간, 전산실험 등
         다양한 형태로 나타나기 때문에 다변량분석, 시계열분석, 기능데이터분석, 공간통계학, 비모수통계, 크리깅 등의

         고급 분석 기법이 필요함

     b) 데이터 분석 기술의 용도

        i) 데이터 분석 기반 새로운 통찰력 확보: 머신러닝, 인공지능 등 분석기법으로 발견한 패턴을 기반으로 상관관계를

          파악하여 기존 분석 방법으로는 발견하기 힘든 성능을 저하할 수 있는 잠재요소를 확인 가능

        ii) 실시간 품질 관리 수행: 데이터 분석을 통한 이미지 처리 알고리즘을 활용한 불량 여부 실시간 검증, 예를 들어
          센서와 카메라를 통해 물체를 식별하고 검사하는 비전시스템으로 불량 여부를 판정하고, 딥러닝 기법으로
          불량현상을 분류한 후 학습을 통해 새로운 불량 패턴을 도출하며, 이를 이용하여 불량 알고리즘 개선 가능 

        iii) 품질보증화 활용 가능: 생산 현장의 주요 지점에 카메라를 설치하여 실시간으로 고정의 문제점을 파악하여
           신속하게 수정함으로써 최종 제품의 불량 발생을 예방할 수 있음

        iv) 데이터 시각화를 향상: 여러 소스의 컨텐츠를 인터페이스로 결합하여 보여줌, 인터페이스를 활용하여 데이터를

          정렬, 필터링, 재바열하거나, 고급통계, 시계열 분석, 상관성 분석 등 다양한 분석 기법을 통하여 원하는 정보를 쉽게

          시각화함

        v) 데이터 기반 의사결정 수행: 공정의 전산화 및 디지털화를 통하여 기업 활동 전반에 걸쳐 실시간으로 데이터를

          집계하고 관리할 수 있어서 데이터 기반 의사결정이 가능함

     c) 데이터 분석 통한 의미있는 정보 추출 위한 주의 사항

        i) 상관관계와 인과관계를 구분: 데이터마이닝 혹은 머신러닝을 통해 얻어지는 결과는 변수들의 상관관계를 보여줄
          뿐이지 인과관계를 설명하지 못한다. 인과관계는 관련 전문가들에 의해 철저한 실험이나 검증을 통해 이루어져야 함

        ii) 분석모형을 적절히 설계하고 그에 맞는 데이터를 수집: 연구 설계를 적합하게 수립하는 것이 최우선이 되고,
          꼭 빅데이터가 아니더라도 분석모형 설계에 맞는 데이터가 확보되어야 함

        iii) 모집단의 편향 주의: 수집된 데이터가 대표하는 모집단을 벗어나는 경우까지 일반화하여 결론을 내리지 않도록
           주의해야 한다.

        iv) 특정 분석 알고리즘이 가장 적절하다고 예단하면 안됨: 모든 데이터에 가장 좋은 성능을 보여주는 분석 알고리즘은
            존재하지 않음, 주어진 데이터에 대해서 직접 분석을 수행하여 해당 데이터에 가장 적합한 알고리즘을 찾아야 함

        v) 데이터 이상치를 제거해야 함: 공정 내에서 측정기의 고장이나 부적합으로 인한 오류, 데이터 입력 및 처리 과정
            에서의 오류 등으로 이상치가 발생할 수 있음, 데이터 이상치는 신뢰할 수 없는 분석 결과로 이어질 수 있으므로
            데이터를 분석하여 의사결정을 수행하기 전 상관분석에 기반을 둔 분류, 주성분 분석 등으로 이상치를 식별하여
            품질 데이터의 정확성을 향상해야 함

 

2) Connectivity and intergration (연결과 통합)

   - 품질4.0을 효과적으로 추진하기 위해서는 정보기술(IT)과 운영기술(OT)을 연결하여 신속한 의사결정과 미래 예측을
     할 수 있어야함

    a) IT(정보기술): 하드 드라이브 등 저장할 수 있는 모든 전자 장치, 데이터를 전송할 수 있는 통신망, 데이터를 분석하여
       유용한 정보를 낼 수 있는 응용 소프트웨어를 말함

    b) OT(운영기술): 물리적 장치의 성능을 모니터링하고 제어할 수 있는 하드웨어와 소프트웨어를 결합한 것으로서,
       산업통제시스템(Industrial Control System:ICS)이 대표적이다. ICS는 프로세스를 운영하고 자동화하는 데 사용되는
       장치, 시스템, 네트워크 및 제어를 포함하는 다양한 유형의 제어 및 계측 시스템이다.

      i) SCADA(Supervisory Control and Data Acquisition): 기업 현장 전체를 전반적으로 감시하고 제어하는 집중화된
        시스템으로서 중앙처리센터, 지역 제어시스템, 통신시스템 등 3개의 구성요소로 이루어짐

      ii) DCS(Distributed Control System): 각 현장의 생산시스템을 관리하는 데 쓰이는 것으로서, 센서, 컨트롤러, 구동기
        를 연결하는 프로세스 제어시스템으로서 중앙의 감시나 제어는 이루어지지 않음 

   - 제조 환경의 미래는 사업 고유의 가치사슬 프로세스에서 다양한 사물과 개체가 인터넷을 통해 연결되고 자동화된 정보
     전달과 적시 판단을 할 수 있는 모습으로 나타남

   - 4차산업혁명 시대에는 기업 활동을 구성하는 계획 - 설계 - 생산 -마케팅의 모든 단계가 빅데이터,인공지능,사물인터넷
     플랫폼을 통해 연결되어 있음

   - 독일의 지멘스는 제조 혁신을 위해 제품개발 가치사슬의 수평통합, 공장 생산설비의 수직통합을 진행하였다.

      i) 수직적 통합은 제조 현장의 생산설비인 센서, 구동기 등을 포함한 모든 기기에서 얻어진 데이터를 기업 업무 시스템
         의 기능적 계측인 MES, ERP 등과 실시간 연계하는 것인데, 공정 최적화와 생산성 향상을 지원함

      ii) 수평적 통합은 사내 기능적 부서뿐만 아니라 공급망에 있는 여러 업체를 네트워크로 연결하여 제품개발, 제조, 물류,
         사후 관리 등의 프로세스를 지원하기 위한 정보를 실시간 연결하는 것으로서, 데이터 분석 결과에 기반한 실시간
         소통 및 의사결정을 지원함

 

3) Leadership and culture (리더십과 조직문화)

   - 4차 산업혁명 시대에도 품질부서는 다른 기능부서들과 유기적으로 연결되어 품질4.0이 기업 전반에 스며들 수 있도록       조직문화 구축에 주도적인 임무를 수행해야 함

   - 품질4.0의 성공적 도입을 위한 요건

     i) 변화를 수용할 수 있는 문화: 품질4.0은 많은 데이터를 분석하여 기업 전반의 품질 수준을 향상하려고 하므로 투명성, 
       연결성, 협업이 중요한 이슈임, 따라서 기업 전반에 이러한 변화를 수용할 수 있는 개방적이고 수용적인 문화가 필요           함. 이를 위하여 전략적으로 인적자원관리를 개선하여 변화를 수용하는 조직문화를 조성해야 함

     ii) 품질4.0을 위한 고급 기술 교육 및 훈련 통한 인력 고급화: 교육은 최고경영자, 경영진, IT 인력, 일반 기능부서에 맞게
        진행되어야 함. 체계적으로 데이터 분석기술을 가르치기 위해서는 전문인력을 영입하거나, 외부 교육 기관, 컨설팅
        기관의 도움을 받아 일정 기간 사내 인력을 교육하거나, 사내 실무 인력이 외부에서 교육을 받아서 실력을 키워야함

     iii) 최고경영자의 전략적 리더십: 조직원이 변화된 문화를 수용하고 품질4.0에 필요한 IT를 습득하도록 하여 조직 전반
         에 품질4.0에 맞는 문화가 정착하기 위해서 다양한 스타일 조합의 리더십이 필요함

   

 

출처: (논문) 품질4.0: 개념, 요소, 수준 평가와 전개 방향, 저자(서호진, 변재현, 김도현)