카테고리별로 찾아보기
서론: 측정 시스템 분석(MSA)이 대부분의 팀이 인식하는 것보다 중요한 이유
많은 공장에서, 관찰된 공정 변동의 10%~30%는 측정 시스템 자체에서 발생할 수 있습니다., 제어 대상이 공정 자체가 아니라, 일부 불량품이 실제 불량품이 아닐 수도 있고, 규격 미달 결과가 오경보일 수도 있으며, 일부 공정 능력 데이터는 겉보기보다 신뢰도가 떨어질 수 있다는 의미입니다. 측정 시스템 분석(MSA) 품질 및 공정 엔지니어가 문제 해결, 공정 조정 또는 고객 보고에 대한 결정을 내리기 전에 실제 공정 변동과 측정 오류를 구분하는 데 도움이 됩니다.
간단히 말해, MSA는 중요한 질문을 던집니다. 계측기, 지그, 시험 방법, 그리고 검사관이 제공하는 수치를 신뢰할 수 있습니까? 만약 답이 '아니오'라면, 안정적인 공정조차 불안정하게 보일 수 있고, 유능한 공정조차 무능하게 보일 수 있습니다. 바로 이러한 이유로 부실한 측정 시스템은 오판, 결함 미발견, 재작업, 그리고 오해의 소지가 있는 결과 제시 등을 통해 숨겨진 비용을 발생시키는 경우가 많습니다. SPC 또는 Cpk 결과.
이 글에서는 측정 시스템 분석(MSA)이란 무엇이며, 제조 품질 관리에서 어떻게 활용되는지, 그리고 게이지 R&R이 MSA 프레임워크 내에서 어떤 위치를 차지하는지 설명합니다. 또한 MSA의 다섯 가지 핵심 속성, 게이지 R&R 연구를 단계별로 수행하는 방법, 그리고 측정 데이터를 활용하여 현장에서 더 나은 의사 결정을 내리는 데 도움이 되도록 결과를 올바르게 해석하는 방법을 배우게 됩니다.
측정 시스템 분석이란 무엇이며 제조 품질 관리에 어떻게 적용되는가
MSA는 숫자를 얼마나 신뢰할 수 있는지에 대한 기준을 제시합니다.
MSA MSA(측정 시스템 안정성 분석)는 품질 관련 결정을 내리기 전에 측정 프로세스가 정확하고 일관성이 있는지 평가하는 체계적인 방법입니다. 제조 분야에서 이러한 프로세스에는 측정 도구, 고정 장치, 측정 방법, 환경, 부품 상태, 소프트웨어 및 측정 도구를 사용하는 사람이 포함됩니다. 제조 품질 관리에서 MSA가 중요한 이유는 아무리 유능한 프로세스라도 측정 시스템에서 과도한 노이즈가 발생하면 불안정해 보일 수 있기 때문입니다. 추세에 대응하거나, 부품을 불량으로 판정하거나, 제품을 출시하기 전에 MSA를 통해 품질 관리를 수행해야 합니다. 시정 조치, 데이터가 검사 방법이 아닌 제품 자체를 반영한다는 확신이 필요합니다.
MSA는 포괄적인 분야이며, 게이지 반복성 및 재현성(Gage R&R)은 그 안에 포함된 연구 분야입니다. 완전한 MSA 접근 방식은 측정 시스템의 여러 속성을 검토하는데, 여기에는 시스템의 중심이 정확한지, 시간이 지남에 따라 안정성을 유지하는지, 그리고 서로 다른 작업자가 유사한 결과를 얻는지 등이 포함됩니다. 게이지 반복성 및 재현성 검사는 특히 변동성에 초점을 맞추는데, 변동성이 장비 자체에서 발생하는지, 그리고 평가자 간의 차이에서 발생하는지 등을 분석합니다.
측정 오류가 의사결정 위험을 초래하는 이유는 무엇일까요?
MSA가 주목받아야 하는 이유는 의사결정 위험 때문입니다. 품질 엔지니어는 단순히 호기심으로 측정하는 것이 아니라, 합격, 불합격, 분류, 조정, 출하 또는 문제 보고를 위해 측정합니다. 측정 시스템이 부실하면 불량품을 합격시키거나 양호한 제품을 불합격시키는 두 가지 값비싼 실수를 저지를 수 있습니다. 대량 생산 환경에서는 작은 오류율조차도 상당한 불량품 발생, 재작업, 분류 작업량 증가 또는 고객 불만으로 이어질 수 있습니다.
자동차 부품의 치수 검사 스테이션에서 디지털 보어 게이지로 내경을 측정하는 경우를 생각해 보겠습니다. 부품 공차가 엄격한데 측정값의 변동이 그 공차에 비해 크다면, 측정 담당자나 검사 시점에 따라 합격과 불합격 여부가 뒤바뀔 수 있습니다. 이는 SPC 차트의 불안정성을 초래하고 생산 현장에 혼란을 야기합니다. 팀은 정상적으로 진행되던 공정을 조정하게 되고, 이는 측정 변동에 더해 불필요한 공정 변동을 추가하게 됩니다.
전체 공정 변동과 측정 시스템 변동을 구분하는 것이 유용한 규칙입니다. 전체 변동은 데이터에서 관찰되는 변동이고, 측정 시스템 변동은 측정 방식 자체로 인해 발생하는 변동입니다. 관찰된 변동의 상당 부분이 측정 시스템에서 비롯된다면, 공정은 실제보다 더 나빠 보이는 착시 현상이 발생하고, 공정 능력 지표의 신뢰도가 떨어집니다.
위치 오류와 분산 오류
MSA 또한 엔지니어들이 크게 두 가지 유형의 오류를 구분하는 데 도움이 됩니다. 위치 관련 오류 그리고 스프레드 관련 오류. 위치 오차는 측정값을 실제 값에서 벗어나게 하는 반면, 분산 오차는 반복 측정값의 일관성을 떨어뜨립니다. 이러한 차이는 교정 조치가 다르기 때문에 중요합니다. 위치 오차가 있는 시스템은 교정이나 기준값 수정이 필요할 수 있는 반면, 분산이 과도한 시스템은 고정 장치 개선, 작업 지침 개선 또는 작업자 재교육이 필요할 수 있습니다.
전자제품 입고 검사를 예로 들어 설명하겠습니다. 공급업체에서 정밀 저항기를 보내고 입고팀에서 비전 시스템으로 리드 간격을 측정한다고 가정해 보겠습니다. 시스템이 항상 0.03mm 높게 측정한다면 위치 문제입니다. 하지만 동일한 부품에서 매번 다르게 측정된다면 간격 편차 문제이며, 바로 이 지점에서 게이지 R&R이 특히 중요해집니다.
MSA의 5가지 속성: 편향, 선형성, 안정성, 반복성 및 재현성
실제 적용 사례에 대해 알고 싶으시다면 MSA, 이 다섯 가지 속성은 측정 시스템이 신뢰할 수 있는지 여부를 알려주는 핵심적인 점검 사항입니다.
이 프레임워크는 공정능력 분석을 수행하거나, 관리 한계를 강화하거나, 게이지 R&R 연구를 어떻게 진행할지 결정하기 전에 반드시 필요합니다. 게이지가 불안정하면 공정이 불안정해 보일 수 있고, 측정 방법이 과도한 변동을 유발하면 정상적인 공정이 불량해 보일 수 있습니다. 제조 품질 관리에서 MSA를 사용하면 이러한 구분을 통해 잘못된 데이터에 기반한 잘못된 결정을 방지할 수 있습니다.
편견
편향은 측정값의 평균과 알려진 기준값의 차이입니다. 이는 시스템이 지속적으로 실제 값보다 높거나 낮게 측정하는지 여부를 알려줍니다. 이는 측정값의 분포 문제가 아니라 위치 오차입니다.
토크 테스터를 예로 들어 설명하겠습니다. 인증된 표준값인 10.00 N·m를 반복적으로 측정했을 때 평균값이 10.18 N·m로 나온다면, 해당 시스템에 양의 편향이 있는 것입니다. 이러한 편차를 무시하면, 실제 조임 상태가 아닌데도 과도하게 조이거나 덜 조인 것처럼 측정 결과가 왜곡될 수 있습니다.
선형성
선형성은 측정 범위 전체에 걸쳐 편향이 일관되게 유지되는지 여부를 보여줍니다. 측정기는 특정 목표값 근처에서는 우수한 성능을 보이지만, 낮은 값이나 높은 값에서는 정확도가 떨어질 수 있습니다. 이는 제품 크기나 사양 범위에 따라 의사 결정 위험을 불균등하게 만듭니다.
예를 들어, 디지털 높이 측정기는 20mm에서는 정확하게 측정하지만 150mm에서는 측정값이 높게 나타날 수 있습니다. 이 경우, 짧은 부품에 대한 검사 데이터는 신뢰할 수 있지만 긴 부품에 대한 데이터는 신뢰할 수 없을 수 있습니다. 이는 하나의 측정 장비를 여러 제품군이나 다양한 특징에 사용할 때 중요한 문제입니다.
안정
안정성은 동일한 기준을 측정할 때 측정 시스템이 시간에 따라 변하는지 여부를 평가하는 것입니다. 이는 마모, 환경, 고정 장치 상태, 배터리 문제 또는 교정 손실로 인한 오차를 감지합니다. 안정적인 시스템은 오늘, 다음 주, 그리고 다음 달에도 비교 가능한 결과를 제공합니다.
입고 검사에 사용되는 휴대용 캘리퍼는 아침 근무조에서는 기준치를 통과할 수 있지만, 몇 주간 집중적으로 사용하면 점차 오차가 발생할 수 있습니다. 이러한 추세를 파악하지 못하면 엔지니어는 실제로는 측정 도구의 오차가 발생하고 있음에도 불구하고 공급업체의 품질이 변했다고 잘못 판단할 수 있습니다. 특히 지속적인 측정 관리의 추적 가능한 증거가 요구되는 감사에서는 측정 안정성이 매우 중요합니다.
반복성
반복성은 다음과 같은 경우의 변동입니다. 동일한 운영자 동일한 측정 장비와 방법을 사용하여 동일한 부품을 여러 번 측정하는 것입니다. 이는 통제된 조건 하에서 장비와 방법의 일관성을 반영합니다. 대부분의 측정 장비 R&R 연구에서는 이를 장비 변동이라고 합니다.
부품을 제대로 장착하기 어렵거나 접촉력이 일정하지 않을 때 흔히 문제가 발생합니다. 예를 들어, 게이지 헤드가 각도나 삽입 깊이에 민감하면 보어 측정값이 달라질 수 있습니다. 반복 오차가 높다는 것은 작업자 교육만으로는 해결하기 어려우므로 공구 자체, 고정 장치 또는 측정 방법에 문제가 있음을 의미합니다.
재현성
재현성은 측정값 간의 변동성을 의미합니다. 다른 운영자 동일한 측정 도구를 사용하여 동일한 부품을 측정하는 것입니다. 이는 측정 방법이 평가자 간에 얼마나 잘 전달되는지를 보여줍니다. 불명확한 작업 지침이 종종 드러나는 부분이 바로 이 지점입니다.
전자제품 조립 라인에서 세 명의 검사원이 현미경 아래에서 부품을 정렬하는 방식이 조금씩 다르기 때문에 납땜 접합부 높이를 다르게 측정할 수 있습니다. 한 작업자가 지속적으로 높게 측정하고 다른 작업자는 낮게 측정한다면, 문제는 측정 장비뿐만 아니라 측정 기술에도 있는 것입니다. 검사팀이 검사 데이터를 신뢰하려면 반복 오차와 재현 오차가 모두 낮아야 합니다.
게이지 R&R 연구를 단계별로 수행하는 방법
측정 장비를 만지기 전에 연구 범위를 정의하십시오.
게이지 R&R 연구를 제대로 수행하는 방법을 알고 싶다면, 측정 결과가 뒷받침하는 생산 결정부터 시작해야 합니다. 정밀 밸브 슬리브를 생산하는 가공 셀에서 품질 관리팀은 디지털 보어 게이지를 사용하여 내경 공차 25,000 ± 0.020 mm를 검증합니다. 이 연구의 목적은 단순히 "게이지를 점검하는 것"이 아니라, 해당 측정 시스템이 출하, 조정 및 공정 능력 분석에 필요한 만큼 충분히 신뢰할 수 있는지 확인하는 것입니다.
설정 전에 측정 방법을 실제 작업 현장에서 작업자가 사용하는 방식과 정확히 동일하게 고정하십시오. 여기에는 부품 세척, 온도 조건, 고정 장치, 측정 위치, 게이지 영점 조정 및 판독 규칙이 포함됩니다. 연구 중에 이러한 조건 중 하나라도 변경되면 실제 장비 또는 평가자 변동이 아닌 측정 방법의 변동을 측정하게 될 수 있습니다.
실제 공정 범위를 나타내는 부품을 선택하십시오.
부품 선택 많은 연구가 조용히 실패하는 지점이 바로 여기입니다. 이 가공 셀의 경우, 엔지니어는 실제 공정 범위를 포괄하는 10개의 부품을 추출해야 합니다. 여기에는 사양 및 공정 범위의 하단, 중간, 상단에 가까운 부품들이 포함되어야 합니다. 만약 10개의 부품이 거의 동일하다면, 해당 연구는 시스템이 부품 간의 차이를 구별하는 능력을 과소평가하게 될 것입니다.
응용 분야에서 참조용 아티팩트가 특별히 요구되는 경우가 아니라면, 마스터 샘플이 아닌 양산 부품을 사용하십시오. MSA 제조 품질 관리의 핵심은 실제 조건에서 측정 시스템을 테스트하는 것입니다. 각 부품에는 평가자가 예상 크기를 알 수 없도록 고유한 라벨을 부착해야 합니다.
감정인을 선정하고 시험 설계를 구축하세요
선택하다 2~3명의 감정사 측정 작업을 실제로 수행하거나 감독하는 사람들을 선정해야 합니다. 이 가공 셀 예시에서는 품질 기술자, 기계 조작원, 교대조 책임자를 각각 한 명씩 선정하는데, 이들이 실제로 측정 결과를 합격 여부 판단 및 공정 개선에 활용하기 때문입니다. 가장 숙련된 검사원만 선정하는 것은 피해야 합니다. 그렇게 하면 연구 결과가 실제 작업 현장보다 더 좋아 보이는 착각을 불러일으킬 수 있습니다.
표준 교차 연구 설계는 다음을 사용합니다. 10개 부품, 3명의 평가자, 2~3회 반복 시험 부품당 생산 60~90회 측정. 각 평가자는 동일한 측정 도구와 방법을 사용하여 각 부품을 여러 번 측정합니다. 이러한 구조를 통해 부품의 변동성과 반복성 및 재현성을 분리하여 분석할 수 있습니다.
측정 순서를 무작위로 지정하세요
무작위화 이는 작업자가 학습하고 기억하며 보정하기 때문에 필수적입니다. 평가자 A가 1번부터 10번까지의 부품을 순서대로 측정한 후 동일한 순서를 반복하면 기억으로 인해 겉으로 드러나는 변동이 줄어들어 결과가 왜곡될 수 있습니다. 밸브 슬리브 연구에서는 엔지니어가 각 시험마다 무작위 순서표를 작성하여 평가자가 다음에 어떤 부품이 나올지, 또는 이전에 측정되었는지 여부를 알 수 없도록 합니다.
블라인딩(블라인딩) 또한 중요합니다. 감정사가 이전 측정값을 보거나, 결과를 논의하거나, 감정 과정 중에 부품을 비교하지 못하도록 해야 합니다. 크기별로 부품을 쌓아 놓는 것과 같은 작은 단서조차도 데이터에 편향을 초래할 수 있습니다.
데이터 수집 규율 관리
측정 실행 시에는 일상적인 검사가 아닌 통제된 시험처럼 접근해야 합니다. 측정 과정 전반에 걸쳐 동일한 측정기, 고정 장치, 작업 지침 및 환경을 사용해야 합니다. 측정기 세트에 문제가 발생하거나, 실내 온도가 급격하게 변하거나, 측정 도중에 다른 고정 장치를 사용하는 경우, 조건을 혼합하지 말고 즉시 중단하고 다시 시작해야 합니다.
측정값은 소수점까지 포함하여 표시된 그대로 정확하게 기록하고, 반올림하거나 특이한 값을 수정하지 마십시오. 또한 측정자, 측정 횟수, 분석에 영향을 줄 수 있는 모든 비정상적인 사건을 기록하십시오. 데이터 관리가 철저하면 나중에 팀에서 문제가 측정 장비, 측정 방법 또는 실행 과정 중 어디에서 비롯되었는지 검토할 때 발생하는 논쟁을 예방할 수 있습니다.
게이지 R&R 결과 해석 방법 및 일반적인 MSA 오류 방지 방법
GRR을 의사결정 위험 지표로 해석하십시오.
게이지 R&R 연구 수행 방법을 익혔다면, 다음 질문은 게이지가 뒷받침하는 결정을 내리기에 데이터가 충분히 타당한지 여부입니다. 가공 셀 사례에서, 팀은 10개의 부품, 3명의 평가자, 그리고 3번의 시험을 통해 중요한 내경을 측정했습니다. 그들의 연구 결과는 다음과 같습니다. GRR = 22%, 이는 측정 시스템이 엄격한 공차를 요구하는 기능에 비해 과도한 노이즈를 발생시키고 있음을 즉시 나타냅니다. 그렇다고 해서 측정기가 자동으로 쓸모없어지는 것은 아니지만, 공정 신호, 능력 결과 및 합격/불합격 판정이 많은 팀이 예상하는 것보다 더 큰 위험을 수반한다는 것을 의미합니다.
일반적인 규칙은 간단합니다. 10% 미만은 일반적으로 허용되고, 10%에서 30% 사이는 적용 분야에 따라 조건부로 허용되며, 30% 초과는 일반적으로 허용되지 않습니다. 제품 출시를 위해서는 고객과 협의해야 합니다. PPAP 증거가 부족하거나 허용 오차가 좁은 특징이 있는 경우, 대부분의 품질 엔지니어는 중간 범위에 대해 신중해야 합니다. 동일한 22% 결과가 최종 조립에 사용되는 안전 관련 보어와 연관되어 있다면, 팀은 측정 능력이나 검사 추세를 신뢰하기 전에 측정 시스템을 개선해야 합니다. 만약 이것이 공정 중 대략적인 선별 작업에만 사용되는 경우라면 사업적 위험은 낮을 수 있지만, 이러한 한계는 여전히 문서화되어야 합니다.
반복성과 재현성을 구분하십시오
총 GRR 수치는 문제의 규모를 알려주지만, 반복성과 재현성의 비율은 개선이 필요한 부분을 알려줍니다. 가공 셀 연구에서는 반복성이 변동의 대부분을 차지했고, 평가자 간 차이는 미미했습니다. 이는 작업자 교육보다는 측정 장비, 고정 장치, 접촉 방식 또는 부품 위치 선정에 문제가 있을 가능성이 높다는 것을 시사합니다. 만약 재현성이 주요 원인이었다면, 연구팀은 표준화된 작업, 측정 순서 및 평가자 기법에 우선적으로 집중했을 것입니다.
GRR과 NDC를 함께 해석하기
엔지니어는 GRR을 읽을 때 반드시 다음 사항도 함께 확인해야 합니다. NDC, NDC는 서로 다른 범주의 수를 나타냅니다. NDC는 측정 시스템이 부품 간의 차이를 유용한 그룹으로 안정적으로 구분할 수 있는지 여부를 보여줍니다. 실제로 NDC는 최소 5 이상이어야 하며, 많은 팀에서는 더 강력한 판별력을 위해 10 이상을 선호합니다. 가공 셀 예시에서 이 연구는 NDC=3이라는 결과를 보여주었는데, 이는 시스템이 선택된 부품들 간의 의미 있는 차이를 충분히 명확하게 구분하지 못했음을 의미합니다. 중간 정도의 GRR과 낮은 NDC는 시스템이 단순히 노이즈가 많은 것뿐만 아니라 공정 분석을 위한 부품 순위 지정 능력도 부족하다는 것을 나타냅니다.
가장 흔한 학습 실수를 피하세요
흔히 저지르는 실수 중 하나는 다음과 같습니다. 불량 부품 범위. 만약 가공팀이 안정적인 생산 시간 동안 거의 동일한 보어 10개를 선택한다면, 부품 간 변동이 인위적으로 작아져 측정 시스템의 정확도가 떨어지는 것처럼 보이고 NDC(비정상 측정값)가 낮아질 수 있습니다. 더 나은 연구는 실제 작동 범위, 특히 공차 한계에 가까운 부품들을 포함하여 수행되어야 합니다.
또 다른 실수는 를 사용하는 것입니다. 교정되지 않았거나 제대로 관리되지 않은 게이지. 마모, 오차 발생 또는 접촉부 손상이 있는 마이크로미터, 에어 게이지 또는 보어 게이지는 검사만으로는 복구할 수 없습니다. 측정을 시작하기 전에 MSA, 교정 상태, 해상도 및 고정 장치 상태를 확인합니다.
마지막 주요 문제는 다음과 같습니다. 실행 불일치 및 스프레드시트 의존성. 평가자가 서로 다른 방향으로 측정하거나, 부품을 다르게 세척하거나, 이전 측정값을 볼 경우 재현성이 왜곡될 수 있습니다. 수동 스프레드시트는 버전 관리 및 수식 오류를 유발하므로, 팀이 측정 시스템 분석의 개념을 이해하고 있더라도 연구 규율이 미흡하면 잘못된 결론이 도출될 수 있습니다.
결론: MSA 워크플로우 표준화 Jodoo
측정 시스템 분석 측정값 분석은 일회성 통계적 분석이 아니라 통제된 루틴으로 자리 잡을 때 비로소 유용합니다. 실제로 이는 연구 설정, 원시 측정값, 계산 논리, 검토자 의견, 승인 이력 등 모든 것이 문서화되고 추적 가능해야 함을 의미합니다. PPAP, IATF 16949 또는 고객 감사 요건을 준수해야 하는 팀의 경우, 부실한 기록 관리는 기술적으로 완벽한 측정값 분석 연구조차도 무산시킬 수 있습니다.
핵심은 간단합니다. 공정 능력, SPC 추세 또는 검사 결정에 신뢰를 두기 전에 측정 시스템 자체에 대한 확신이 필요합니다. 여기에는 MSA의 다섯 가지 속성을 이해하고, 엄격한 기준에 따라 게이지 R&R 연구를 수행하며, 시정 조치로 이어지는 방식으로 결과를 해석하는 것이 포함됩니다. 우수한 게이지도 중요하지만, 반복 가능한 MSA 프로세스가 있어야만 시간이 지나도 그 능력을 지속적으로 확인할 수 있습니다.
코딩이 필요 없는 린 제조 플랫폼으로서, Jodoo 품질 관리팀이 디지털 MSA 양식을 구축하고, 측정값을 일관되게 캡처하고, 계산할 수 있도록 지원합니다. GRR 그리고 NDC 연구를 자동으로 분류하고 검토 및 승인을 위해 경로를 지정하며 모든 기록을 검색 가능한 데이터베이스에 저장합니다. 스프레드시트에 의존하지 않고 MSA를 표준화하려면 다음을 수행할 수 있습니다. 무료 체험을 시작하세요 또는 데모 예약하기 MSA 워크플로우 템플릿을 살펴보겠습니다.
