Critical Studies on Cycle Time Reduction Using Lean Tools in Aerospace Components Manufacturing Industries

항공우주 제조라는 고도의 긴장감이 흐르는 세계에서, 제트 엔진이나 인공위성에 들어가는 단 하나의 부품을 만드는 것은 극도의 정밀함을 요구하는 위업입니다. 티타늄이나 특수 합금 같은 강한 재료로 만들어지는 이 부품들은 완벽해야만 합니다. 아주 작은 오류라도 안전한 비행과 치명적인 실패 사이의 차이를 가를 수 있기 때문입니다. 이 때문에 공정은 느리고, 규제가 엄격하며, 믿기 힘들 정도로 복잡합니다. 수백만 개의 동일한 품목을 찍어내는 일반 공장과 달리, 항공우주 공장은 종종 매우 전문화된 다양한 부품을 소량으로 생산합니다. 이러한 "고믹스 저볼륨(high-mix, low-volume)" 방식은 기계가 공구를 교체하기 위해 끊임없이 멈춰야 하고, 작업자들은 끊임없이 치수를 확인해야 하며, 부품들이 대기 줄에서 많은 시간을 보내게 된다는 것을 의미합니다. 원재료 금속 블록을 완성된 인증 부품으로 바꾸는 데 걸리는 시간을 사이클 타임이라고 합니다. 제조업체들에게 이 시간을 단축하는 것은 주요 목표입니다. 이는 그들이 부품을 더 빠르게 인도하고, 값비싼 기계를 더 효율적으로 사용하며, 하늘의 안전을 지키는 안전 표준을 결코 희생하지 않으면서 비용을 절감할 수 있음을 의미합니다.

수십 년 동안 공장들은 속도를 높이기 위해 린 제조(Lean Manufacturing)라고 알려진 일련의 관리 원칙을 사용해 왔습니다. 이 원칙들을 업무에 방해가 되는 요소를 제거하여 작업 공간을 조직하는 방법이라고 생각하십시오. 가치 흐름 지도(Value Stream Mapping)와 같은 도구는 부품이 불필요하게 대기하는 곳을 찾는 지도로 작용하며, 싱글 미닛 교체(Single-Minute Exchange of Die)는 작업자들이 몇 시간이 아닌 몇 분 만에 기계 설정을 변경할 수 있도록 돕습니다. 그러나 항공우주 산업은 이러한 전통적인 방식들이 도움이 되기는 하지만, 때때로 한계에 부딪힌다는 사실을 발견했습니다. 공정은 너무 복잡하고 데이터는 너무 방대하여 인간 관리자가 모든 지연을 실시간으로 추적하기에는 무리가 있습니다. 여기서 새로운 물결인 기술이 등장합니다. 연구자들은 이 오래된 조직 방법론과 현대적인 인공지능을 결합함으로써 더 스마트한 생산 관리 방법을 만들기 위해 노력하고 있습니다. 목표는 컴퓨터를 단순히 일어난 일을 기록하는 용도가 아니라, 다음에 일어날 일을 예측하여 공장이 지연을 일으키기 전에 문제를 해결할 수 있도록 사용하는 것입니다.

사시다란 TP, K 만주나타, 그리고 자야시스 쿠마르 판데가 이끄는 연구팀은 이 조합이 정확히 얼마나 잘 작동하는지 테스트하기 위해 나섰습니다. 그들은 구조용 브래킷과 엔진 부로를 생산하는 인도의 특정 항공우주 부품 제조 공장에 집중했습니다. 연구진은 단순히 해결책을 추측한 것이 아니라, 생산을 늦추는 가장 중요한 이유를 먼저 식별하는 단계별 프레임워크를 구축했습니다. 그들은 생산 관리자와 품질 엔지니어를 포함한 전문가 패널로부터 입력을 받아 무엇이 가장 중요한지 순위를 매겼습니다. 결과는 명확했습니다. 가장 결정적인 요인은 특정 기계나 도구가 아니라, 변화를 지원하기 위한 최고 경영진의 의지였습니다. 그 뒤를 이어 기계의 신뢰성과 직원의 교육이 다음으로 중요한 기둥이었습니다. 강력한 리더십과 숙련된 장비가 없다면, 어떤 소프트웨어도 지연을 해결할 수 없습니다.

집중해야 할 대상을 파악한 후, 팀은 린 도구와 인공지능을 혼합하여 실제 생산 라인에 적용했습니다. 그들은 먼저 작업의 흐름을 매핑하기 시작했는데, 이를 통해 부품이 단계 사이에서, 즉 저장 공간에 머물며 상당한 시간을 보내고 있다는 사실을 밝혀냈습니다. 그런 다음 더 나은 스케줄링과 예측 유지보수(기계가 고장 나기 전에 작업자에게 알림을 주는 방식)와 같은 개선 사항을 도입했습니다. 결정적으로, 그들은 역사적 데이터를 살펴보고 새로운 부품을 만드는 데 정확히 얼마나 걸릴지 예측할 수 있는 AI 계층을 추가했습니다. 이를 통해 공장은 훨씬 더 높은 정확도로 일정을 계획할 수 있었습니다. 팀은 어떤 모델이 이 예측 작업에 가장 적합한지 보기 위해 네 가지 다른 유형의 AI 모델을 테스트했습니다. 그들은 사건의 순서를 이해하도록 설계된 롱 쇼트 터름 메모리(Long Short-Term Memory)라는 모델이 가장 정확하다는 것을 발견했습니다. 이 모델은 복잡한 부품에 필요한 시간을 오차 범위 2시간 미만으로 예측할 수 있었는데, 이는 인간 기획자가 스스로는 달성할 수 없는 정밀도 수준이었습니다.

6개월간의 시험 결과는 놀라웠습니다. 새로운 시스템이 도입되기 전에는 부품을 만드는 전체 시간에 많은 시간의 대기와 비효율적인 움직임이 포함되어 있었습니다. 린과 AI 프레임워크가 구현된 후에는 생산의 모든 단계에서 시간이 크게 단축되었습니다. 금속을 자르고 모양을 만드는 가공 단계의 경우, 시간은 42시간에서 31시간으로 줄었습니다. 부품을 조립하는 조립 단계는 30시간에서 22시간으로 단축되었습니다. 안전을 위해 필수적인 최종 검사조차 24시간에서 17시간으로 빨라졌습니다. 결과적으로 공장은 부품이 불필요하게 대기하거나 이동하는 데 쓰는 시간을 대폭 줄였습니다. 기계가 실제로 작동하는 시간인 가동률 또한 극적으로 향상되었습니다. 예를 들어, 주요 컴퓨터 수치 제어 절삭 기계는 연구 종료 시점에 약 72%에서 90%의 가동률을 보였습니다.

연구는 또한 종합 설비 효율(Overall Equipment Effectiveness)이라는 점수로 측정되는 장비의 전반적인 건강 상태를 살펴보았습니다. 이 점수는 기계가 얼마나 자주 가동되는지, 얼마나 빨리 가동되는지, 그리고 얼마나 많은 양품을 생산하는지를 결합한 것입니다. 변화 전에는 이 점수가 68% 근처에 머물렀습니다. 새 시스템이 도입된 후에는 88%까지 꾸준히 상승했습니다. 이는 공장이 단순히 더 빠르게 작동하는 것이 아니라, 고장이 적고 재작업이 필요한 불량품이 적은 방식으로 더 스마트하게 작동하고 있음을 의미합니다. 연구진은 가장 큰 이득이 공장 내 모든 낭비 시간의 거의 4분의 1을 차지했던 "대기" 시간을 줄이는 데서 왔다는 것을 발견했습니다. AI를 사용하여 병목 현상을 예측하고 린 도구를 사용하여 워크플로우를 원활하게 함으로써, 공장은 이러한 유휴 시간을 많이 제거했습니다. 부품을 필요 이상으로 가공하거나 검사하는 과잉 공정의 낭비 또한 크게 감소했습니다.

이 연구가 특히 가치 있는 이유는 전통적인 공장 조직과 첨단 컴퓨터 과학이라는 두 세계가 어떻게 효과적으로 협력할 수 있는지를 증명했기 때문입니다. 연구는 단순히 새로운 컴퓨터 프로그램을 설치한다고 해서 문제가 사라지는 것이 아니라, 인간적인 요소와 공장의 물리적 조직이 먼저 다뤄져야 한다는 것을 보여주었습니다. AI 모델은 이미 효율적으로 조직된 공장에서의 데이터를 받았을 때 가장 잘 작동했습니다. 연구진은 이러한 개선이 운 좋은 사례나 일시적인 성능 급증이 아니라는 점을 확인했습니다. 속도와 효율성의 이점은 연구 기간 내내 안정적으로 유지되었으며, 이는 새로운 작업 방식이 지속 가능하다는 것을 시사합니다.

팀은 항공우주 제조업체들이 더 빠르고 효율적이 되기를 원한다면, 그 길은 이러한 통합된 접근 방식에 있다고 결론지었습니다. 그들은 경영진의 지원과 기계 신뢰성을 우선시한 다음, 지능형 예측 도구를 얹음으로써 공장이 이전에는 도달할 수 없었던 수준의 성능을 달 수 있음을 입증했습니다. 이 연구는 이것이 제조 분야의 모든 문제를 해결한다는 뜻도, 인간 노동자를 대체할 것이라는 뜻도 아닙니다. 대신, 숙련된 노동자가 생산의 미래를 볼 수 있는 도구의 지원을 받을 때, 전체 시스템이 더욱 탄력적이고 유능해진다는 것을 보여주었습니다. 매 시간이 중요하고 안전이 타협 불가능한 산업에서, 인간의 전문 지식과 기계 지능의 이러한 결합은 비행의 미래를 건설할 수 있는 명확하고 검증된 길을 제시합니다.