⚡ 전기공학

Integration of Statistical Process Control and Bayesian Network to Improve Diagnosis in Industrial Maintenance: application to a textile plant in Central Africa

본 연구는 통계적 공정 제어(Statistical Process Control)와 베이지안 네트워크(Bayesian Networks)를 통합하는 것이 근본 원인을 식별하고 비가동 및 고장 시간을 59% 감소시킴으로써 카메룬의 한 섬유 공장에서 생산 다운타임의 진단과 감소를 유의미하게 개선한다는 것을 입증한다.

원저자: NJEDOCK DONALD, Voufo Joseph, Biyeme Florent, Meva’a Lucien, YO Désiré

게시일 2026-10-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: NJEDOCK DONALD, Voufo Joseph, Biyeme Florent, Meva’a Lucien, YO Désiré

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

제조업의 분주한 세계에서 시간은 가장 가치 있는 화폐입니다. 기계가 멈추면 생산이 중단되고 돈이 손실됩니다. 공장 관리자들에게 과제는 단순히 불을 밝게 켜두는 것이 아니라, 왜 기계가 멈추는지 그 정확한 이유를 이해하는 것입니다. 이를 관리하기 위해 엔지니어들은 오랫동안 통계적 공정 제어(Statistical Process Control)라고 불리는 방법에 의존해 왔습니다. 이것을 데이터의 흐름을 지켜보며 프로세스가 정상적이고 건강한 리듬에서 벗어나는 징후를 찾는 빈틈없는 파수꾼이라고 생각하십시오. 만약 수치가 너무 급격히 치솟거나 떨어지면, 파수꾼은 경보를 울립니다. 하지만 이 파수꾼에게는 사각지대가 있습니다. 무언가 잘못되었다는 것은 알려줄 수 있지만, 무엇이 고장 났는지는 말해주지 못합니다. 그것은 열을 감지할 수는 있지만, 감염의 원인을 진단할 수는 없습니다. 이 간극을 메우기 위해 연구자들은 이러한 전통적인 모니터링 도구를 베이지안 네트워크(Bayesian networks)라고 알려진 다른 종류의 논리와 결합하기 시작했습니다. 이것은 단순한 차트가 아니라, 컴퓨터가 불확실성을 통해 추론하고 다양한 문제의 가능성을 따져보며 실패의 진정한 근원을 찾아낼 수 있게 해주는 인과관계의 지도입니다.

이 특정 연구는 이 두 가지 강력한 아이디어를 결합하여 카메룬의 한 섬유 공장에서 발생하는 지속적인 문제를 해결합니다. 티슈를 생산하는 이 시설은 RN073이라 불리는 주요 생산 장비와 관련하여 만성적인 문제를 겪고 있었습니다. 기계가 빈번하게 멈추면서 상당한 지연을 초래했습니다. 연구진은 먼저 전통적인 파수꾼을 사용하여 문제를 측정하고, 그다음 추론 지도를 사용하여 범인을 찾는 방식으로 이 문제를 해결하고자 했습니다. 그들은 두 가지 구체적인 다운타임 지표에 집중했습니다. 기계 고장이 아닌 이유로 기계가 유휴 상태(idle)로 머문 시간과, 실제로 고장으로 인해 멈춘 시간입니다. 2026년 2월, 데이터는 암울한 그림을 그려냈습니다. 기계는 시간당 평균 18.4분 동안 유휴 상태였으며, 이는 회사의 목표인 2분 직상 수준을 훨씬 초과한 수치였습니다. 더욱 심각한 것은, 고장으로 인한 시간이 시간당 평균 12.43분이었는데, 이는 목표인 1.20분에 비해 매우 높았습니다. 차트는 프로세스가 완전히 통제 불능 상태임을 보여주었으며, 기계는 안정적인 리듬을 찾지 못한 채 가동과 정지를 격렬하게 반복하고 있었습니다.

왜 이런 일이 발생하는지 이해하기 위해, 팀은 기계의 전체 생애 주기에 대한 디지털 모델을 구축했습니다. 그들은 모터 구동 디스펜서부터 접기 및 절단 스테이션에 이르기까지 기계를 기능적 부품별로 세분화하고, 전력 차단부터 작업자 실수에 이르기까지 기계가 멈출 수 있는 모든 가능한 이유를 나열했습니다. 그들은 그 혼란스러웠던 2월의 데이터를 이 모델에 입력했습니다. 그러면 모델은 관찰된 실패로부터 역으로 추론하며 각 잠재적 원인의 확률을 계산합니다. 이는 마치 형사가 범죄 현장을 보고 증거를 바탕으로 어떤 용의자가 가장 유력한지 결정하는 것과 같습니다. 모델은 두 가지 특정 영역을 결정적으로 지목했습니다. 일반적인 유휴 시간의 경우, 주요 원인은 기계 내부의 기계적 또는 전기적 고장으로 식별되었습니다. 실제 고장 시간의 경우, 모델은 티슈가 접히고 잘리는 특정 스테이션을 가장 민end한 지점이자 가장 가능성 높은 실패 지점으로 꼽았습니다.

이러한 정밀한 진단을 바탕으로, 유지보수 팀은 추측을 멈추고 타겟을 정해 움직이기 시작했습니다. 그들은 자원을 기계적 고장을 수리하고 접기 및 절단 스테이션을 점검하는 데 집중적으로 투입했습니다. 가능성이 낮은 원인에 시간을 낭비하지 않았습니다. 이러한 집중적인 노력의 결과는 다음 달인 4월과 5월에 측정되었습니다. 그 영향은 즉각적이고 측정 가능했습니다. 5월까지 기계의 평균 유휴 시간은 시간당 18.4분에서 7.57분으로 거의 59% 감소했습니다. 고장 시간은 더욱 급격히 감소하여 시간당 12.43분에서 5.10분으로 급락했습니다. 데이터의 혼란스러운 변동은 진정되었고, 기계는 훨씬 더 일관된 리듬으로 작동하기 시작했습니다.

이 연구는 단순한 감시의 눈과 정교한 추론 도구를 결합하는 것이 공장이 장비를 관리하는 방식을 어떻게 변화시킬 수 있는지 확인시켜 줍니다. 기계가 아직 회사가 설정한 완벽하고 이론적인 목표치에 도달하지는 못했지만, 개선 정도는 상당하며 입증되었습니다. 연구진은 가장 크고 쉬운 문제들은 해결되었지만, 남은 지연들은 스케줄링이나 예방 정비와 같은 더 미묘한 문제들에 의해 발생하고 있으며, 이를 해결하기 위해서는 새로운 분석 단계가 필요할 것이라고 언급했습니다. 이 작업은 아프록의 산업 현장과 같은 복잡하고 소음이 많은 환경에서 고급 통계 도구가 단순한 이론적 연습이 아님을 보여줍니다. 진단이 수리를 안내할 수 있을 만큼 정확하다면, 이 도구들은 고군분투하는 기계를 신뢰할 수 있는 기계로 바꿀 수 있는 실질적인 도구입니다.

기술 요약: 산업 유지보수 진단을 위한 통계적 공정 제어와 베이지안 네트워크의 통합

문제 정의
생산 중단(Downtime)은 제조 기업, 특히 운영상의 제약과 노후화된 기계로 인해 시스템 취약성이 악화되는 아프리카 섬유 부문에서 여전히 중요한 전략적 과제로 남아 있다. 통계적 공정 제어(SPC)는 통제 불능 상태를 감지하는 강력한 도구로 널리 인정받고 있지만, 고장의 구체적인 근본 원인을 진단하는 능력에는 본질적인 한계가 있다. 반대로, 전통적인 진단 방법은 종종 숙련된 전문가의 경험에 과도하게 의존하며 엄격한 확률적 프레임워크가 결여되어 있다. 본 연구는 공정 편차를 감지하는 것과 그 인과적 기원을 식별하는 것 사이의 간극을 해결하고자 하며, 특히 포켓 티슈 생산을 전문으로 하는 카메룬의 SITRACEL S.A. 텍스타일 공장을 대상으로 한다. 본 연구는 두 가지 핵심 성과 지표(KPI)인 비생산 시간(NPT)과 고장 시간(BDT)에 초점을 맞추었으며, 두 지표 모두 구조적으로 통계적 관리 상태를 벗어나 있는 것으로 나타났다.

방법론
본 연구는 SPC와 베이지안 네트워크(BN)를 연속적 개선 루프(Lean Six Sigma의 DMAIC 사이클과 정렬됨) 내에서 결합한 4단계 통합 방법론을 제안한다:

1차 SPC (측정/현 상태 평가): 2026년 2월 하반기 동안 NPT 및 BDT에 대한 데이터를 시간 단위로 수집하였다. 공정 상태를 평가하기 위해 $\bar{X}$ -R 관리도를 작성하였다. 분석에는 목표값(NPT $\le$ 2.07 min/h; BDT $\le$ 1.20 min/h)과 계산된 관리 한계선을 활용하여 현재의 성능과 운영 목표 사이의 격차를 정량화하였다.
베이지안 네트워크 모델링 (분석): RN073 생산 기계의 기능적 분석을 바탕으로 두 개의 별도 BN을 구축하였다.
- NPT 네트워크: NPT 출력 노드로 이어지는 12가지 잠재적 원인(작업자, 기계, 에너지, 환경, 자재로 분류) 간의 인과 관계를 모델링하였다.
- BDT 네트워크: BDT 출력 노드로 이어지는 10개의 특정 기계 스테이션(C1–C10)과 4개의 생산 블록(B1–B4) 간의 의존성을 모델링하였다.
- 조건부 확률 테이블(CPT)은 2월 데이터를 사용하여 초기화되었다. 민감도 분석은 출력 노드(RUN/STOP 상태)의 확률을 변화시켜 어떤 부모 노드가 가장 유의미한 확률 변화를 보이는지 확인함으로써 지배적인 근본 원인을 식별하는 데 수행되었다.
시정 조치 (개선): BN 민감도 분석을 통해 확립된 확률적 계층 구조에 따라 자원을 집중하여 개입 우선순위를 정하고 실행하였다.
2차 SPC (제어): 2026년 4월과 5월 동안 수집된 데이터를 사용하여 NPT 및 BDT 평균의 변화를 모니터링함으로써, 표적화된 개입의 효과를 검증하고 잔류 원인을 식별하였다.

주요 결과

초기 상태 (2월): 1차 SPC 결과, NPT와 BDT 모두 구조적으로 관리 상태를 벗어나 있었다. 평균 NPT는 18.4 min/h(목표: 2.07 min/h)였으며, 데이터 포인트의 83.3%가 상한 관리 한계(UCL)를 초과했다. 평균 BDT는 12.43 min/h(목표: 1.20 min/h)였다. 두 지표 모두 사인파 형태의 변동 패턴을 보였으며, 이는 공통된 근본 원인이 존재함을 시사한다.
진단 결과: 베이지안 네트워크의 민감도 분석을 통해 지배적인 원인을 식별하였다:
- NPT의 경우, 노드 **A4 (기계 고장)**가 가장 변별력이 높은 요인으로 나타났으며, 출력 변화에 따라 가용성 확률이 급격히 변화하였다 (34.4%에서 98.6%로).
- BDT의 경우, 노드 **C3 (워딩 폴딩 및 커팅 스테이션)**가 가장 민감한 노드로 식별되었으며, 가용성이 99.4%에서 74.9%로 변동하였다.
개입 후 성과 (4월–5월): A4 및 C3에 대한 표적화된 시정 조치는 측정 가능한 개선을 가져왔다.
- NPT: 5월까지 18.4 min/h에서 7.55 min/h로 감소하여 58.9%의 감소율을 기록했다.
- BDT: 5월까지 12.43 min/h에서 5.10 min/h로 감소하여 59%의 감소율을 기록했다.
- 상당한 진전이 있었으나, 아직 운영 목표(NPT 2.07 min/h, BDT 1.20 min/h)에는 도달하지 못했다. 이는 계획, 예방 정비, 포장 스테이션 등 2차 원인들이 이제 잔류 변동의 주요 원인이 되었음을 나타낸다.

의의 및 주장
본 논문은 SPC와 베이지안 네트워크를 상호 보완적인 진단 시퀀스로서 운영적으로 결합한 것이 주요 기여라고 주장한다. 즉, SPC는 편차를 감지하고 정량화하며, BN은 확률적 추론을 통해 근본 원인을 진단하고 우선순위를 정한다. 이 접근 방식은 데이터 하위 그룹이 제한적인 환경에서도 해석 가능한 진단을 제공할 수 있는 BN의 특성을 활용하여, 파레토 차트나 5-Why와 같은 전통적인 방법론에 대한 구조적인 대안을 제시한다.

본 연구는 아시아적 맥락이 주를 이루는 린 식스 시그마(LSS) 문헌의 지리적 공백을 메우는 데 가치가 있음을 강조한다. 중앙아프리카의 실제 현장에 이 엄격한 접근 방식을 적용함으로써, 저자는 자원이 제한된 산업 환경에서도 고급 확률 모델링의 실행 가능성을 입증하였다. 저자들은 통합된 접근 방식이 가동 중단 시간을 약 60% 감소시키는 데 성공했지만, 완전한 통계적 관리를 달ras 위해서는 잔류 원인의 지배적 변화를 다루기 위한 BN 재보정 과정을 포함한 지속적인 개선 루프가 필요하다고 겸허히 결론지었다. 향로 작업으로는 연속적인 고장 간의 시간적 의존성을 모델링하기 위해 동적 베이지안 네트워크(DBN)를 통합하는 것을 제안하였다.

유사한 논문