스톱워치가 제조업의 부활을 위협하는 이유

저는 거의 25년 전 제너럴 모터스(GM) 공장 현장에서 이빨을 잘라 두 몸 모두에서 일했습니다 로봇이 지배하는 가게, 사람이 지배하는 총회장. 로봇의 데이터는 이더넷을 통해 쉽게 액세스할 수 있지만 인간과 관련된 데이터는 스톱워치를 휘두르는 산업 엔지니어가 수동으로 생성해야 했으며 Frederick Taylor가 Model T 시대에 소개한 것과 같은 시간 연구를 수행해야 한다는 것을 매우 빨리 배웠습니다. 대조 그 당시에도 이미 75년 정도 된 데이터 수집 방식과 현대 산업화 시대가 맞붙었습니다.

25년이 지난 지금도 나는 조립 구역을 걷다가 시간 연구를 하는 젊은 엔지니어들을 봅니다. 도구가 변경되었습니다. 그들은 Casio 대신 iPhone을 사용할 가능성이 더 큽니다. 그러나 활동은 동일하게 유지되어 저를 화나게 합니다. 시간 연구(및 모션 연구)는 선구적인 기술이었습니다. 그들은 미국의 제조업을 세계 최고로 만들었습니다. 그러나 그들은 또한 깊은 결함이 있습니다. 산업용 사물 인터넷(IIoT) 시대에 시간 연구는 따라갈 수 없습니다.

출시 시간 및 생산성에 중점

미국의 제조업이 2004년 이후 가장 빠른 속도로 확대되면서 상승세에 있다는 것은 의심의 여지가 없습니다. 2017년에는 리쇼어링과 외국인 직접 투자의 결과로 171,000개의 제조업 일자리가 미국으로 돌아왔습니다. 많은 이유 중 아마도 가장 큰 이유는 시장 접근 때문일 것입니다.

컨설팅 회사 AT Kearney의 수석 고문인 Ben Smith는 “리쇼어링은 시장 출시 시간에 관한 것입니다. “피츠버그에서 오래된 공장을 찾아 다시 불을 켜는 문제가 아닙니다. 현대 제조업체들은 더 나은 시장 접근을 위해 전국에 분산된 15개의 소규모 공장을 매우 선호할 수 있습니다. 이는 공장 관리자가 비용에서 생산성으로 초점을 전환한다는 것을 의미합니다.”

IIoT를 통해 생산성이 향상될 것이라는 것이 일반적인 통념입니다. Accenture에 따르면 IIoT는 틀림없이 향후 10년 동안 생산성과 성장의 가장 큰 원동력이 될 것입니다. GE Digital은 IIoT가 연간 약 8조 6000억 달러에 달하는 성능 향상의 원인이 될 것이라고 믿습니다.

한 가지 문제는 공장이 창출하는 가치의 대부분이 기계가 아니라 사람에게서 나온다는 것입니다. Boston Consulting Group의 연구에 따르면 사람들은 여전히 ​​공장에서 작업의 최대 90%를 수행합니다. 따라서 젖소가 집으로 돌아올 때까지 기계를 최적화할 수 있지만 공장에서 일어나는 일의 10%만 최적화하고 있습니다.

데이터 출시 시간 대비 출시 시간 증가

SRI International의 상업 연구 및 개발 담당 부사장인 Peter Marcotullio는 "특정 생산 라인에서 기계가 수행하는 작업의 일부만 수행됩니다."라고 말합니다. "기계를 계측하는 경우 프로세스의 일부만 캡처하고 있는 것입니다."

IIoT의 매력을 이해합니다. 데이터 세트의 크기를 보십시오. 시간 연구를 수행하거나 표준화된 작업 차트를 작성하는 데 걸리는 시간에는 예측 분석 엔진을 위한 50GB의 머신 데이터가 있을 수 있습니다. 전체 장비 효율성(OEE)을 소수점 이하 세 자리까지 계산하는 것은 간단합니다. 시장 출시 시간이 핵심이라면 데이터 출시 시간도 매우 중요합니다.

그러나 장비 최적화와 전체 공장 생산성 향상 사이에는 직선이 없습니다. 가치 창출에 대한 기계의 기여도를 보면 IIoT가 큰 그림을 놓치고 있음을 알 수 있습니다. 공장 관리자가 내리는 가장 중요한 결정 중 일부는 일일 인력 배치 및 산출량 예측에서 작업 비용 및 견적에 이르기까지 모든 것이 사람의 데이터를 필요로 합니다. 사람들의 데이터가 수익을 좌우합니다. 그래서 오늘날에도 사람들이 시간과 움직임을 연구하는 것을 볼 때면 걱정이 됩니다.

불완전하고 신뢰할 수 없는 데이터 세트

시간 연구에는 두 가지 문제가 있습니다. 데이터 세트의 크기와 그에 따른 신뢰입니다. 첫째, 시간 연구는 불완전합니다. 엔지니어가 스테이션당 10개의 샘플을 가지고 라인에서 돌아오면 등을 두드려줍니다. 그러나 10개의 표본은 측정 시스템의 변동성을 설명하기에 충분하지 않습니다. 샘플을 월요일 아침에 채취하든 금요일 오후에 채취하든 상관없습니까? 월급날이나 그 다음날? 상관관계와 인과관계를 확립할 데이터가 충분하지 않습니다.

이것은 두 번째 문제인 데이터 신뢰성으로 이어집니다. Werner Heisenberg는 관찰하는 행위 자체가 관찰된 시스템을 교란시킬 수 있음을 보여주었습니다. 양자 물리학에 대한 사실은 워크스테이션에 대해서도 마찬가지입니다. 일부 작업자는 관찰자에게 깊은 인상을 주기 위해 더 빨리 움직입니다. 다른 사람들은 자신이 만들고 있다고 알고 있는 표준을 채우기 위해 작업을 천천히 진행합니다. 이러한 어려움을 가중시키는 것은 측정 문제입니다. 예를 들어 관찰자는 활동이 시작되고 끝나는 시점을 일관되게 결정해야 합니다.

시간 연구는 기껏해야 모호한 측정 결과를 가져옵니다. 이것은 그들로부터 도출되는 결론에 영향을 미칩니다. 또한 시장 출시 기간에 데이터가 필요하고 데이터를 사람에게서 쉽게 얻을 수 없는 경우 제조업체가 기계에 과도하게 색인을 생성하기 때문에 비즈니스에 피해를 주는 만큼 운영자에게도 피해를 줍니다. 사람들이 일자리를 잃습니다.

현대 공장에서 누락된 것은 무엇입니까?

사람에 대한 데이터 세트를 보강하는 방법에는 여러 가지가 있습니다. 일반 Gemba 워크, 계측된 라이트 커튼 및 데이터를 수집하는 기타 포카 요크 시스템, 사이클 시간을 계산하고 생산성을 추론하기 위한 제조 실행 시스템(MES)에 대한 수많은 물리적 연결이 있습니다. 그러나 이 데이터는 확장되지 않습니다. 사람의 조립 활동에 대한 데이터는 분석에 사실상 보이지 않습니다.

Benhamou Global Ventures의 총괄 파트너인 Anik Bose는 "제조업체에서 생산 문제를 해결하기를 원할 때 직원과 관리자를 모아 아이디어를 브레인스토밍합니다."라고 말합니다. “자산 활용도를 높이려면 시간과 움직임에 대한 연구를 위해 린 전문가를 고용하거나 엔지니어가 1년에 두 번 방문합니다. 신제품 출시를 위해 라인을 폐쇄하고 실험을 진행합니다. 대안이 없기 때문에 모두 수동이며 임시입니다. 다른 유형의 접근 방식을 가능하게 하는 실시간 데이터가 없습니다.”

식물이 인간의 생산성을 간신히 측정할 수 있다면 어떻게 개선할 것인가? 그리고 인간의 생산성을 향상시킬 수 없다면 인간 오퍼레이터는 어떻게 될까요? 나는 마샬 골드스미스의 유명한 인용구를 생각합니다. 시간 연구 덕분에 여기까지 오게 되었고 이에 대해 Taylor 씨에게 감사드립니다. 그러나 (인간의) 노동 생산성이 향상되어 출시 시간이 단축되는 "거기"를 볼 때 시간 연구의 시간이 왔다고 확신합니다.

저자 소개

박사 Prasad Akella는 GM에서 세계 최초의 협동 로봇을 만든 팀을 이끌었습니다. 그는 의 CEO입니다. 드리스티 , 인공 지능을 배치하여 공장 현장에서 인간과 협력하고 인간을 향상시키는 새로운 회사입니다.