서론
제조 장비 설계에서 종종 간과되는 측면은 유지보수성이다. 유지보수성 기능의 유무는 장비 가동 유지 비용에 상당한 영향을 미칠 수 있다. 이러한 비용은 유지보수 계약의 수익성에 직접적인 영향을 준다. 따라서 유지보수 계약 수익성 향상을 위해서는 이러한 비용을 효과적으로 절감하는 방법을 찾는 것이 필수적이다.
통계적 공정 관리
통계적 공정 관리(SPC)는 확립된 통계적 방법을 활용하여 생산 공정의 안정성을 모니터링함으로써 불량 및 재작업 감소를 돕습니다. SPC는 측정 가능하고 정규 분포에 근사하는 변동을 보이는 모든 공정에 적용될 수 있습니다. 예를 들어, 목표 길이 1 단위의 위젯을 생산하는 공정의 변동이 정규 분포를 따른다면, 100개의 위젯을 측정하여 데이터를 히스토그램으로 표시하면 다음과 같은 차트가 생성됩니다:
SPC는 관리도를 사용하여 실제 샘플 측정값을 기대값과 비교하는 방식으로 작동합니다. 기대값은 기준선 또는 훈련 기간 동안 수집된 측정값으로부터 계산된 평균과 표준편차를 기반으로 합니다. 관리도에는 일반적으로 세 가지 주요 기준선이 포함됩니다:
- 중심선(CL): 훈련 측정치의 평균(평균값).
- 상한 통제 한계(UCL): "통제 범위 내"로 간주되는 최고 값으로, 일반적으로 정규 분포된 공정의 평균보다 세 표준편차 위의 값으로 설정된다.
- 하한 통제 한계(LCL): "통제 범위 내"로 간주되는 최저값으로, 일반적으로 평균값 아래 3표준편차로 설정된다.
새로운 샘플 측정값이 수집되면 공정 관리도에 표시되고 관리 한계와 비교하여 평가됩니다. 샘플 측정값이 상한 관리 한계(UCL)와 하한 관리 한계(LCL) 사이에 위치할 경우, 해당 공정은 "관리 상태"로 간주되며 예상대로 운영되고 있는 것으로 판단됩니다. 추세, 주기, 또는 관리 한계 근처에 위치한 연속적인 다중 데이터점 등의 추가 규칙을 적용하여 불안정성의 초기 징후나 발생 중인 문제를 식별할 수 있습니다.
통제도는 표본 평균과 변동성의 변화를 모두 감지할 수 있습니다. 아래 예시에서 표본 평균은 시간이 지남에 따라 감소하며, 이는 공정이 "통제 불능" 상태로 이동하고 있음을 나타냅니다.
아래 차트에서 표본 변동성이 시간이 지남에 따라 증가하는 것은 공정이 불안정해지거나 "통제 불능" 상태로 접어들고 있음을 나타냅니다.
고장 감지 또는 예측 유지보수?
통계적으로 "통제 불능" 상태인 공정이 반드시 공정 실패를 의미하는 것은 아닙니다. 이상적으로는 통계적 통제 한계가 공정 허용 오차 또는 사양 한계 내에 위치해야 하므로, 통제도에 따르면 "통제 불능"인 공정도 품질 사양을 충족하는 산출물을 생산할 수 있습니다. 예를 들어, 평균 길이 1.000, 상한 관리 한계(UCL) 1.003, 하한 관리 한계(LCL) 0.997인 위의 위젯 시나리오를 고려해 보십시오. 설계의 명목 길이 1.000에 공차 ±0.005를 적용하면 상한 사양 한계(USL)는 1.005, 하한 사양 한계(LSL)는 0.995가 됩니다. 이는 공정 능력 지수(Cpk) 1.67에 해당하며, 공정이 "능력"을 갖추어 일반적으로 사양 범위 내의 산출물을 생산함을 나타냅니다.
공정 평균값이 사양 한계 사이에서 중심을 이룰 때, Cpk는 품질 사양 한계를 통계적 관리 한계로 나눈 비율로, 공정이 사양 한계 내에서 산출물을 생산하는 능력을 정량화합니다. Cpk 값이 높을수록 공정 능력이 우수하고 일관성이 높음을 나타냅니다.
아래는 상한선(USL)과 하한선(LSL)이 추가된 관리도입니다.
통제 한계가 사양 한계 내에 있을 때, 통제도는 예방적 유지보수가 필요한 시점을 효과적으로 알려주는 지표 역할을 할 수 있습니다. 공정이 "통제 불능" 상태이지만 여전히 사양 범위 내에서 작동 중이라면, 예방적 유지보수가 필요할 수 있으나 즉시 중단할 필요는 없습니다.
그러나 관리 한계가 사양 한계를 벗어날 경우, 해당 공정은 능력 부족(Cpk가 1.0 미만)으로 간주됩니다. 이러한 상황에서는 통계적 관리 한계가 생산 결함이 발생하기 전에 예방적 유지보수가 필요한 시점을 신뢰성 있게 나타내지 못합니다.
결과가 아닌 과정을 모니터링하라
많은 경우 제조 장비 단위는 자신이 생산하는 특정 제품이나 그 생산 품질에 대한 인식이 부족합니다. 예를 들어, 위젯을 생산하는 장비는 목표 길이가 1.000이라는 사실을 '알지 못할' 수 있으며, 실제 생산되는 길이에 대한 직접적인 지식도 없습니다. 이는 다음과 같은 의문을 제기합니다: 장비는 어떻게 SPC를 활용하여 품질을 모니터링할 수 있을까요?
해당 장비는 출력물의 품질을 직접 측정하지는 않더라도, 생산 과정에 관여하는 프로세스를 모니터링할 수 있습니다. 즉, 최종 제품의 품질에 영향을 미치는 공정 매개변수와 조건을 추적할 수 있습니다.
반도체 제조 장비에서 모니터링할 수 있는 공정 속성의 예로는 다음과 같은 것들이 있습니다:
- 광원 강도
- 화질(예: 초점, 대비, 밝기)
- 가스 유량
- 배관 또는 챔버 내 가스 압력
- 전압
- 흐름
- 속도(예: 회전 속도 또는 평행 이동 속도)
- 환경 압력 (대기압, 진공)
- 온도
- 소요 시간 (예: 명령어 완료 시간)
실제 vs. 예상
공정 제어에 사용되는 모든 공정 속성의 핵심 요건은 센서를 통해 측정 가능해야 한다는 점이다. 즉 실제 센서 데이터를 기반으로 해야 한다. 공정 제어는 측정값과 예상값을 비교하여 작동하지만, 원시 측정값에 대한 사전 처리가 종종 필요하다.
폐쇄형 가스 냉각 시스템을 예로 들어보자. 가스 유량은 질량 유량 제어기(MFC)로 제어되며, 설정값은 공정 매개변수에 의해 결정된다. 이 경우 적절한 제어 측정값은 실제 가스 유량이 될 것이다.
첫 번째 전처리 단계는 일반적으로 가스 흐름이 정상 상태에 있을 때를 식별하는 것이다. 가스 공급이 중단된 상태나 설정값 변경 직후의 과도 기간 동안 수행된 측정은 유용하지 않을 가능성이 높다. 유량이 안정화되는 데 필요한 시간은 실험적으로 결정할 수 있다.
시스템이 단일 유량 설정값으로만 작동하는 경우, 프로세스는 간단합니다: 유량 설정값을 기대값으로 사용하고 측정된 유량을 실제값으로 사용하십시오.
그러나 여러 유량 설정값이 있는 경우, SPC는 단일 평균과 변동성을 가정하므로 추가 전처리가 필요합니다. 이를 처리하는 두 가지 방법은 다음과 같습니다:
- 분리된 설정값이 소수인 경우, 각 설정값마다 고유한 평균과 변동성을 가진 별도의 관리도(control chart)를 생성할 수 있습니다.
- 또는 유량 설정값과 실제 측정 유량 간의 차이를 계산하여 유량 오차를 사용하십시오. 이 유량 오차의 기대값은 0입니다. 서로 다른 설정값 간에 기대 변동성이 달라질 경우, 이러한 차이를 보정하기 위한 매핑 함수를 실험적으로 개발할 수 있습니다.
Cimetrix® CIMControlFramework 상태 지표
Cimetrix® CIMControlFramework(CCF) 는 Microsoft .NET Framework 기술을 기반으로 구축된 장비 자동화 프레임워크입니다. CCF 솔루션을 통해 장비 제조업체는 감독 제어, 자재 취급, 플랫폼 및 공정 제어, 공장 자동화 요구 사항을 충족할 수 있습니다. 장비 하드웨어와 연동하고 데이터를 공개함으로써, CCF는 장비 성능을 효과적으로 모니터링할 수 있는 독보적인 입지를 갖추고 있습니다. CCF HealthIndicators 기능은 통계적 공정 관리(SPC)를 강력하고 직관적인 GUI 기반 관리 도구와 통합하여 장비에 대한 포괄적인 모니터링을 제공합니다. CCF HealthIndicators를 활용하면 선제적 유지보수와 잠재적 문제의 조기 탐지가 가능해져 유지보수 비용을 절감하는 데 도움이 됩니다.
건강 지표를 가르치고 구성하는 데 사용되는 CCF 화면.
모든 건강 지표의 요약 보기가 표시된 CCF 화면.
