왜 멀티바리 분석인가?
스크랩, 재작업, 공차를 벗어나 흐르는 치수처럼 품질 문제가 계속 되풀이되면, 보통은 브레인스토밍으로 대응합니다. 가능한 원인을 모두 나열한 뒤 유력한 것부터 하나씩 시험하는 식입니다. 의심 요인이 수십 개면 몇 달이 걸릴 수 있고, 그중 많은 시험은 아무것도 바꾸지 못합니다.
멀티바리 분석은 두 가지 단순한 사실에서 출발합니다. 변동은 고르게 퍼져 있는 경우가 드물어, 대개 한 가지 원인이 나머지를 지배합니다. 그리고 모든 원인은 데이터에 패턴을 남깁니다. 예를 들어 부품 안에서, 부품에서 다음 부품으로, 또는 시간에 따라 작용합니다.
그래서 원인을 하나씩 시험하는 대신, 공정이 이미 만들고 있는 부품을 측정해 원인 계열 전체를 한꺼번에 배제합니다. 변동이 시간대 사이에 있다면 부품 하나 안에서 작용하는 것은 주된 원인일 수 없으므로, 그런 의심 요인들은 실험 한 번 없이 목록에서 빠집니다.
- 수십 개 목록에 오른 가능한 원인
- 1 변동이 있는 계열멀티바리
- 몇 개 그 계열 안의 의심 요인
- 1 시험으로 입증된 지배적 원인
문제 해결에서의 위치
멀티바리 분석만으로 문제가 해결되지는 않습니다. 어디를 살펴봐야 하는지를 알려 줍니다. 점진적 탐색에서는 각 단계가 범위를 좁혀 마지막에 원인 하나만 남깁니다. 샤이닌(Shainin)은 이 지배적 원인을 Red X®라고 부릅니다. 식스 시그마 프로젝트에서는 같은 분석이 DMAIC의 분석(Analyze) 단계에 속합니다.
문제 정의
불만 사항을 측정 가능한 출력 특성 하나로 바꾸고(샤이닌은 이를 Green Y®라고 부릅니다), 측정기가 그 차이를 구별할 수 있는지 확인합니다.
변동의 근원 찾기 멀티바리
멀티바리 분석을 실시해 변동의 대부분을 차지하는 계열을 찾아냅니다.
범위 좁히기
그 계열 안에서 최상 부품과 최악 부품을 비교해 무엇이 다른지 봅니다.
원인 입증
시험으로 확인합니다. 의심 요인을 켜고 끄면서 문제가 나타났다 사라지는지 지켜봅니다.
개선과 유지
원인에 맞는 공차나 관리 방법을 정하고 개선 효과를 검증합니다.
대표적인 변동 계열
가장 흔한 세 가지 계열은 아래와 같습니다. 공정에 따라 이를 더 세분하거나 설비 간, 캐비티 간, 작업자 간 같은 다른 계열을 추가합니다. 멀티바리 차트는 이들을 나란히 보여 주므로 가장 큰 계열이 눈에 띕니다.
부품 내 변동
부품 하나 안에서 나타나는 변화입니다. 양 끝 사이, 양쪽 측면 사이, 지름 둘레를 따라 달라집니다.
예: 가공한 축의 테이퍼나 진원도 불량.
부품 간 변동
연속 생산된 부품 사이, 또는 캐비티·지그·설비 사이의 차이입니다.
예: 금형의 한 캐비티만 다른 캐비티와 다르게 나오는 경우.
시간에 따른 변동
시간대마다, 교대조마다, 로트마다 달라지는 이동입니다.
예: 설비가 예열되는 동안 치수가 서서히 변하는 현상.
멀티바리 분석 진행 방법
특별한 장비도, 실험도 필요 없습니다. 가동 중인 공정에서 계획에 따라 샘플을 뽑기만 하면 됩니다.
측정할 출력 특성 하나 선택
문제를 보여 주는 특성과 그 차이를 구별할 수 있는 측정기를 정합니다.
부품마다 여러 위치 측정
연속 생산된 부품 몇 개를 측정해 부품 내 변동과 부품 간 변동이 모두 드러나게 합니다.
시간을 두고 반복
시간대, 교대조, 로트에 걸쳐 반복하되, 그 사이에 공정을 조정하지 않습니다.
차트로 그려 비교
모든 측정값을 차트 하나에 올립니다. 산포가 가장 큰 계열에 원인이 있습니다.
멀티바리 차트 읽는 법
선의 길이, 부품 사이의 점프, 시간대 사이의 이동을 비교하세요. 산포가 가장 큰 곳에 원인이 있습니다.
부품 내선이 길고, 매번 같은 위치가 맨 위에 옵니다. 원인이 부품 자체 안에서 작용합니다.
부품 간선은 짧지만 부품에서 다음 부품으로 크게 뜁니다. 원인이 사이클마다 바뀝니다.
시간 변동시간대마다 수준이 다릅니다. 설비가 예열되는 경우처럼 원인이 시간에 따라 바뀝니다.
사례 연구
알던 움직임, 몰랐던 패턴
한 엔진 제조업체가 캠 로브의 위치가 어긋난다는 이유로 캠샤프트를 폐기하고 있었습니다. 공정의 여러 지점에서 로브 위치를 측정하는 단계별 멀티바리 분석을 해 보니, 큰 변화는 경화 공정에서 일어나고 있었습니다. 로브가 그곳에서 움직인다는 것은 현장에서 이미 알고 있던 사실이었습니다. 하지만 아무도 몰랐던 것은, 그 움직임이 예측 가능하고 무작위가 아닌 패턴을 따른다는 점이었습니다. 로브는 매번 같은 양만큼 같은 방향으로 움직이고 있었습니다. 그래서 캠 연삭기의 프로그램을 바꿔 이 움직임을 보정했습니다. 멀티바리 분석은 원인이 어디에 있는지 보여 주었고, 패턴은 그 원인을 상쇄하는 방법을 알려 주었습니다.
56만 달러연간 스크랩 절감
5,000달러적용 비용
멀티바리 차트 FAQ
멀티바리 차트는 무엇에 쓰나요?
부품 내, 부품 간, 시간에 따른 변동 같은 변동 계열 가운데 어느 것이 문제에 가장 크게 기여하는지 보기 위해 씁니다. 그러면 긴 추측 목록 대신 올바른 지점에서 조사를 시작할 수 있습니다.
멀티바리 분석은 언제 해야 하나요?
측정 특성의 변동이 너무 크고 원인을 모를 때, 특히 여러 원인이 의심되었지만 아무것도 확인되지 않은 만성 문제에 적합합니다. 가동 중인 공정에서 이루어지므로 생산을 멈추거나 먼저 실험을 설계할 필요가 없습니다.
멀티바리 차트는 누가 만들었나요?
레너드 세더(Leonard Seder)가 1950년에 발표했습니다. 도리안 샤이닌(Dorian Shainin)은 이를 변동의 지배적 원인, 즉 그가 Red X®라고 이름 붙인 원인을 찾는 자신의 접근법의 초기 단계로 삼았습니다.
실험계획법(DOE)과는 어떻게 다른가요?
실험계획법은 효과를 측정하기 위해 인자를 의도적으로 바꾸므로, 어떤 인자를 시험할지 이미 알고 있어야 합니다. 멀티바리 분석은 가동 중인 공정을 관찰만 하면서 어느 원인 계열을 살펴봐야 하는지 알려 줍니다. 멀티바리 분석을 먼저 하세요. 그래도 필요한 실험이 있다면 작고 집중된 실험이 됩니다.
멀티바리는 식스 시그마의 일부인가요?
예. 식스 시그마 프로젝트에서는 DMAIC의 분석(Analyze) 단계에서, 실험계획법에 앞서 가능한 원인을 좁히는 데 씁니다. 샤이닌의 Red X® 접근법에서는 첫 단계 중 하나로, 어느 변동 계열에서 탐색해야 하는지 보여 줍니다.
다변량 분석과 같은 것인가요?
아닙니다. 이름은 비슷하지만 멀티바리 차트는 다변량 분석이 아닙니다. 측정한 출력 특성 하나를 다루는 간단한 그래프 분석입니다. 다변량 분석은 여러 변수를 한꺼번에 다루는 통계 기법의 집합입니다.
멀티바리 차트가 근본 원인을 보여 주나요?
그 자체로는 보여 주지 않습니다. 원인이 어디에 있는지, 즉 어느 계열이 변동을 지니고 있는지를 보여 줍니다. 원인이 무엇인지는 그다음의 범위 좁히기와 확인 시험으로 밝혀집니다.
데이터가 얼마나 필요한가요?
공정의 가장 좋은 상태와 가장 나쁜 상태를 모두 볼 수 있을 만큼입니다. 흔히 쓰는 경험 법칙은 연속 생산된 부품 3~5개에서 부품당 2~5개의 측정값을 얻고, 분석이 평소 변동 범위의 대부분을 포괄할 때까지 여러 기간에 걸쳐 반복하는 것입니다.
합격/불합격 데이터도 쓸 수 있나요?
멀티바리 차트에는 치수, 힘, 유량, 온도 같은 측정값이 필요합니다. 합격/불합격으로만 판정되는 결함이라면, 먼저 그 결함 뒤에 있는 측정 가능한 특성을 찾거나 다른 전략을 쓰세요.
어떤 소프트웨어를 쓸 수 있나요?
Shainin WRXT(Web Red X® Tracker)는 샤이닌의 Red X® 교육과 함께 제공되는 웹 애플리케이션으로, 멀티바리 차트가 기본 탑재되어 있습니다. 이용 방법은 전문가에게 문의하세요. 일반 통계 패키지로도 그릴 수 있습니다. Minitab(Stat > Quality Tools > Multi-Vari Chart, 한국어판 메뉴명은 다변량 차트)과 JMP(변동성 차트라는 이름으로 제공)가 그 예입니다. 소규모 분석이라면 스프레드시트로도 충분합니다. 소프트웨어는 차트를 그릴 뿐이며, 원인을 찾는 것은 샘플링 계획입니다.
출처: Leonard A. Seder, “Diagnosis with Diagrams”, Industrial Quality Control (1950); Multi-vari chart (영어), 위키백과.
설명할 수 없는 변동이 있나요?
샤이닌의 Red X® 전문가는 제조업체가 지배적 원인을 찾아 영구적으로 해결하도록 돕습니다.