[첨단 헬로티]
모모이 히데유키 (桃井 秀幸) 선플라스틱(주)
동사의 개요
동사는 플라스틱제 디스포저블 식품용기 제조를 주력으로 하고 있다. 그림 1에 나타냈듯이 누구라도 한번은 본 적이 있는 제품의 용기를 제조하고 있다. 인몰드 라벨링(IML) 성형에 의한 제조를 주로 하고 있으며, 독자의 IML 시스템을 개발해 왔다.
히가시오사카(東大阪)에서 창업해 현재는 Keihanna Science City로 본사 기능을 옮기고, 히가시오사카 공장과 2공장 체제로 하고 있다. 종업원은 파트타이머 아르바이트를 포함해 70명 규모의 회사다. 또한 공장은 3교대제로 24시간 가동하고 있다.
동사는 IoT 기술을 활용한 시스템을 개발함으로써 IML의 생산 상황 가시화 공유를 실현할 수 있었다. 이 글에서는 그 개발 배경과 앞으로의 전망에 대해 소개한다.
생산 시스템의 지금까지의 IT화 대응
IoT 활용의 대응 전에 경쟁 타사와의 차별화를 도모하기 위해 다음과 같은 IT화·자동화 등에 대응할 수 있었다. 사회적 요구가 높았던 '트레이서빌리티의 확립'을 지향해, 자재의 입하나 제품의 출하 로트 관리 업무의 데이터베이스(DB)화, 성형기의 실효값 DB화, 검사 기록의 보관에 대응했다.
또한 최근 화제가 된 후드 디펜스를 위해 카메라에 의한 생산현장의 모니터링 기록도 실시하고 있다. 이와 같이 IT 기술을 적극적으로 도입해 정보 수집과 기록을 실현해왔다.
그리고 ‘생산성 향상’을 지향해 제조 공정의 집약에 대응했다. 그 상징적인 사례가 독자의 IML 시스템 개발이다. IML 성형이란 라벨 필름을 미리 금형에 삽입한 상태에서 금형에 수지를 흘려넣어 성형, 라벨의 감기와 제품 성형을 동시에 하는 방법이다.
일반적인 IML 장치에서는 미리 라벨 형상으로 잘린 필름이 다발이 된 매거진을 IML 장치에 공급한다. 한편으로 동사에서는 라벨을 자르기 전의 롤 필름 상태로 IML 장치에 공급, 성형기 옆에서 라벨을 잘라내는 롤 필름 to IML 시스템을 개발했다. 라벨 다발을 준비하는 공정의 단축에 의한 코스트 다운이 가능했다.
자재 투입에서 제품 취출까지를 자동화할 수 있었기 때문에 생산 사이클에 대응하기 위해 자동검사장치를 도입, 하이사이클 생산 체제를 완성했다. 동사의 주요 제품은 1라인마다 하루 생산 15만 개 정도이다.
생산성 향상을 목표로 공장 규모의 자동화(FA)에 대응했다. 당시 히가시오사카를 거점으로 2공장을 갖추고 있었는데, 1공장을 폐쇄하고 현 본사를 새로 건설했다. AGV 도입 등 FA를 염두에 둔 설계로 되어 있다. 또한 중소공장에서 연구개발형 기업으로 전환이라는 목표를 내걸고 신사옥 입지는 Keihanna Science City를 선택, 인재 채용에도 힘을 기울였다.
IoT 활용에 대응한 배경과 기존의 과제
이상과 같이 IT화, 자동화와 제조 공정의 집약, FA화, 인재 확보 등 여러 가지 각도에서 개선에 대응했다. 그 중에서 생산성 향상에 크게 공헌한 공정집약이었지만, 부적합품이 발생하면 고속으로 대량의 부적합품을 생산하는 수율의 악화를 초래했다.
기계가 복잡화돼 부적합 발생 요인이 증대, 발생 부위의 요인 특정과 대책에 매우 시간을 필요로 하는 장치가 되어 버렸다. 그 결과 근본적인 원인 해결에 이르지 못하고 대처요법적인 대응이 되기 쉬우며, 부적합품의 발생률을 억제할 수 없어 이 문제의 해결이 과제였다.
트레이서빌리티의 확립에 관해서도 품질 관리를 위해 전수 조사를 실시하고 있는데, 그 기록은 로트 단위가 되고 출하 제품 하나 하나와 이어져 있지 않다는 과제가 있다.
이에 오늘날의 IoT 기술 활용에 의해 ‘제품 하나 하나의 트레이서빌리티’를 실현, 그 데이터 축적으로부터 ‘빅데이터 해석에 의한 해결법 발견’을 함으로써 ‘시스템 복잡화에 의한 수율 악화’를 해소할 수 있다고 계획했다. 그리고 이 과제에 대응하는 부서로서 2016년 6월에 기술부를 설립했다.
생산 상황의 가시화 공유 시스템의 특징
IoT 활용의 첫 발로서 생산 라인 1라인을 대상으로, 화상 검사장치로 얻은 부적합 데이터를 그 부적합 요인별로 자동으로 집계한 것을 Web 상에서 볼 수 있는 시스템을 개발했다. 동사에서는 ‘샘플러(S) 모두(M) 볼 수 있다(MI)’라고 제목을 붙여 SMMI라고 부르고 있다.
생산 라인에서 제품이 검사되면, 검사 결과가 즉시 DB에 전송된다. 그리고 DB에 축적된 데이터는 부적합 발생 요인별로 집계되어 Web 상에 표시된다. SMMI의 Web 페이지에 액세스할 수 있으면, 사내의 어디에 있어도 현재의 상세한 상황을 알 수 있는 시스템으로 되어 있다(그림 2).
SMMI의 특징을 정리하면, ①부적합을 구별할 수 있는 검사장치, ②검사장치의 검사 결과를 DB에 축적하는 기능, ③원격으로 리얼타임 분석을 제공할 수 있는 Web 시스템이 된다.
개발의 흐름과 과제
이 시스템은 생산 라인에 설치되어 있는 검사장치의 설계에서부터 시작됐다. 수율의 개선을 위해서는 우선 어떤 부적합이 발생하고 있는지를 파악해야 한다. 즉, 부적합 요인을 개별적으로 식별할 수 있는 검사장치가 필요해졌다.
동사에서는 자동검사장치 도입이 이미 진행되고 있었는데, 이들 검사장치는 부적합 내용을 세밀하게 구별할 수 없었다. 또한 상류의 검사 스테이션에서 부적합 판정됐다면 그 자리에서 배척되기 때문에 그 제품은 하류의 검사 스테이션 검사가 실시되지 않아 부적합 요인의 통계를 취하는 데는 불충분한 상황이었다. 이에 부적합 내용을 세밀하게 나눌 수 있는 검사장치를 자사 개발했다.
다음으로 검사장치로 수집한 데이터를 어떠한 수단으로 DB에 축적할지가 과제였다. 검사장치의 컨트롤에는 PLC를 이용하고 있으며, 시퀀스 제어로 로봇이나 컨베이어 등의 각종 반송기기나 화상 검사 컨트롤러를 제어하고 있다. 독자 IML 장치의 개발으로 볼 수 있듯이 시퀀스 제어에 대해 동사는 밝았다. 그러나 이 PLC에서 퍼스널컴퓨터 상에서 움직이고 있는 DB에 대한 데이터 전송은 동사에 있어 매우 곤란한 것이었다.
그렇지만 최근의 IoT 기술 발전에 의해 DB에 직접 액세스할 수 있는 PLC 등장에 의해 PLC의 언어를 사용해 보통의 기계 제어를 프로그램하는 감각으로 DB에 데이터를 전송할 수 있게 됐다. PLC와 DB의 통신을 접속하는 방법에 고민할 필요가 없어진 이 제품은 동사에 있어 획기적이었다. 동사가 DB 접속 PLC를 알았던 것은 2015년의 6월 19일이었는데, 2015년 7월 24일에는 품의가 통과돼 구입하기에 이르렀다.
그리고 분석 화면의 디자인에 가장 고민했다. PLC에서 DB로 데이터를 간단히 전송할 수 있는 방법을 얻었으므로 지금까지 기존의 상상이었던 것이 아이디어나 요망으로서 현장에서 나왔다. 그리고 검사 데이터의 분석 방법을 현장의 매일 업무 중에 시행착오하면서 부적합 발생 부위, 발생 종별, 발생 시간을 리얼타임으로 표현하는 화면 디자인으로 정리했다. 이 분석 방법의 정리와 검토에 1년이 소요됐다.
또한 동사가 소재하는 Keihanna Science City에도 IoT 도입의 기운이 높아져, 제1회 케이한나 IoT 포럼이 2016년 7월에 개최됐다. 이 포럼에서 아이디어를 얻어 브라우저가 있으면 어디에서나 누구라도 볼 수 있는 시스템이라는 구성이 결정됐다.
가시화 공유 시스템에 의한 효과
SMMI는 2016년 11월에 완성됐다. 제조 방식도 거의 동일한 형으로 동일한 제품을 제조하고 있는 SMMI 미탑재의 라인과 SMMI 탑재 라인의 불량률을 조사한 결과, SMMI 미탑재기가 4.5%에 대해 SMMI 탑재기는 1.9%로 크게 내려와 있었다.
SMMI 미탑재의 경우 30분 샘플링하고 있는 사이에 발생한 부적합품 분석을 1명이 하는 데는 3시간이 걸리고 있었다. 예를 들면 오전 8시에 발생한 문제에 대해, 수정 대응이 빨라도 정오 전후가 됐다. 그 결과 대응을 시작했을 쯤에는 문제가 해결되어 있거나, 혹은 새로운 문제가 발생하고 있거나 해 분석 결과에 기초한 대응 방법의 유효성을 평가할 수 없었다. 그리고 그 자리의 임시방편적인 대처나 숙련자의 경험, 감에 의존하게 되어 생산성이 안정되지 못했다.
한편으로 SMMI을 도입함으로써 부적합이 발생했다면, 그 요인까지 즉시 특정할 수 있고 대처법의 범위를 줄여갈 수 있다. 또한 대처법의 유효성도 리얼타임으로 파악할 수 있으므로 리트라이도 빨리 할 수 있다(그림 3). 앞에서 말한 불량률 차이는 이 분석 대응의 사이클이 빨라진 것이 큰 요인이라고 생각한다.
SMMI에 의해 리얼타임 분석을 실현할 수 있었기 때문에 다음의 큰 과제로는 자동 수정을 들 수 있다. 그리고 2017년에는 초보적인 MtoM(M2M)의 실증 실험을 성공시켰다. SMMI에 축적된 데이터를 감시해 소정의 부적합이 발생했다면 성형기의 설정값을 변경하는 것이다.
이 때의 설정값 변경의 판단은 단순한 것으로, 본격적으로 운용하기 위해서는 그 판단 로직을 확립시킬 필요가 물론 있다. 여기에서 실증 실험의 의의는 검사장치의 결과에 기초해 생산 설비의 조건을 변경하는 일련의 자동 실행이 생산현장의 실제 기기에서 실제로 가능했던 것에 있다. 장래 모습의 한편을 현실로 볼 수 있고, 앞으로의 구상 현실감을 높일 수 있었기 때문이다.
앞으로의 전개를 위한 구상
앞으로의 목표로서 부적합 발생의 수정 대응의 90%가 M2M에 의한 자동 수정, 나머지 10%가 사람에 의한 대응이 되는 스마트팩토리를 목표로 하고 있다(그림 4). IoT 기술의 활용에 의해 원격감시와 분석이 가능해지고, 기계 조작도 원격으로 할 수 있게 되면 제조현장의 관리자는 재택으로 근무하는 것이 가능해진다.
동사와 같이 3교대제로 24시간 가동하고 있는 공장에서는 어떻게 해도 야간에 근무하는 요원이 필요한데, IoT 기술은 그 부담을 크게 줄일 가능성이 있다.
IoT에 의해 확립된 인터넷 환경이 있으면 어디에서도 좋다는 이점을 살려, 관리 거점은 시차를 이용해 세계에 3거점, 예를 들면 교토 이외에 이스탄불, 멕시코시티 등에 거점을 설정하면 24시간 가동하는 공장을 각 거점의 주간 8시간 근무 체제로 관리할 수 있게 된다. IoT 기술을 활용하면 근무 방법을 변경할 수 있는 찬스가 있다.
SMMI의 개발은 보통의 PC에 DB를 구축한 소규모의 스타트였다. 이것을 횡전개해 발전시키기 위해 현재 클라우드화를 추진하고 있다. 이 단계에 이르러 외부업자에게 개발을 위탁하고 있는데, 그 사양 결정이나 개발 회의에 현장인 제조부가 적극적으로 참가해 현장에 입각한 사용하기 쉬운 시스템 개발을 지향하고 있다. 현장 주체의 개발 체제를 구축하는 것이 현장이 갖고 있는 지식을 끌어내는 토대가 되기를 기대하고 있다.
AI의 발전에 의해 어떤 문제도 해결할 수 있으면 좋지만, 그것을 기다리고 있는 동안은 사람이 대응할 수밖에 없다. 제조현장은 개발 연구하며 매일 분투하고 있다. 이러한 노력을 매일의 업무에 묻어버리는 것이 아니라, 노하우로서 정리해 시스템으로서 구현함으로써 AI를 기다리지 않고 M2M을 부분적으로 실현할 수 있다. 이것을 거듭함으로써 앞에서 말한 스마트팩토리의 실현을 목표로 한다.
모모이 히데유키 : 대표이사
