디지털 타이어로 가는 길

일반 타이어 공장에서 며칠 또는 몇 주 동안 한 가지 타이어 유형만 생산할 수 있었던 때를 기억하십니까? 새로운 유형으로 전환하는데 몇 시간이 걸릴 수 있었습니다. 그러나 유형 전환은 아주 가끔 발생하는 예측 가능한 이벤트였기 때문에 생산성에 큰 영향을 미치지 않았습니다.

이제는 유형 전환이 편리해졌습니다. 타이어 제조업체는 자동차 제조업체들의 변화하는 요구사항을 충족하기 위해 그 어느 때보다 다양한 유형(SKU)을 생산해야 합니다. 동시에 타이어 산업의 애프터마켓은 리드 타임을 최소화하고 유통 네트워크 전반에 걸쳐 안정적인 공급을 요구합니다.

생산 민첩성 향상과 현재 과제 해결을 위해 타이어 제조업체들은 디지털 기술을 고려하고 있습니다. 그러나 디지털화에 접근하는 방법은 비용에 민감한 생산업체에는 어려운 일이 될 수 있습니다.

디지털화로 가는 방법은 한가지만 있는 것은 아닙니다.

자동차 및 타이어 산업 컨설턴트로 일하면서 특정 타이어 제조업체가 디지털화 여정을 시작하는 방법이 공장 내에서 발생하는 문제들만큼 고유하다는 사실을 알게 되었습니다. 다음은 타이어 제조업체의 주요 의문점입니다.

• 병목 현상이 발생하는 곳은 어디입니까?
• 시간 제약과 예산을 고려할 때 디지털 이니셔티브는 어디에서 어떻게 가장 큰 영향을 미칠 수 있습니까?

복잡성을 관리하고 시장 요구에 대응에 관해서라면 생산관리시스템(MES)이 이런 모든 요구사항을 충족합니다. MES는 원재료에서 혼합, 준비, 어셈블리, 경화, 마감, 테스트, 보관에 이르는 전체 제조 프로세스를 조정하고 관리할 수 있습니다.

플랫폼 MES를 설치하면 공장 운영 전반에 걸쳐 상당한 이점을 기대할 수 있습니다. MES는 각 제품의 엔지니어링 마스터 데이터를 기반으로 기계 설정과 재료 요구사항을 포함하여 모든 타이어 생산을 계획하고 조정합니다. MES는 전체 제조 프로세스에 걸쳐 종합적인 제어, 시퀀싱, 모니터링, 추적 기능, 경고 기능 및 문서화를 지원합니다. MES는 빌드 표준 및 작업 지침을 적용하고 관리자가 기술과 실제 생산 요구사항에 따라 동적으로 인력을 할당할 수 있도록 지원합니다.

이러한 수준의 제어와 조직은 공장에서 만료된 재고, 재공품 및 폐기품을 크게 줄여줍니다. 또한 전체 제조 현장에 MES를 적용하면 전반적인 민첩성이 향상되고, 빠르고 효율적으로 생산 일정을 변경하여 시장의 요구를 충족하고 전반적인 운영 효율성(OEE)을 개선할 수 있습니다.

그러나 플랫폼 MES는 지속 가능한 엔드 투 엔드 최적화를 위해 중요하지만, 이러한 새로운 기술을 도입하는 것은 일부 타이어 제조업체에게 어려운 결정이 될 수 있습니다. 사실 종합적인 MES를 구축하려면 변화에 대한 전사적 노력과 더불어 조직의 장벽과 특정 운영 프로세스를 타파하기 위한 결단력이 필요합니다. 일관된 구조 없이 시간이 지남에 따라 개발되거나 성장한 기존 공장에는 상당한 투자가 될 수 있습니다.

그렇기 때문에 디지털 타이어로 가는 길은 확장형 사물인터넷(IoT) 기술을 적용하여 머신 센터 성능 최적화에 초점을 맞추는 이니셔티브로 더 간단하게 시작되는 경우가 많습니다.

비쥬얼라이제이션과 분석으로 시작하는 확장형 IoT 기술

타이어 제조는 분명 복잡한 프로세스입니다. 그러나 타이어 제조업체는 여러 유사한 기계를 통해 병목 현상을 대상으로 한 최적화 노력을 통해 개선의 가치를 창출할 수 있습니다.

매일 기계와 상호 작용하는 작업자들은 본능적으로 이러한 병목 현상이 어디에서 발생하는지 잘 알지만, 실시간 기계 성능 가시성이 제한적일 때는 문제를 정확히 파악하기 어렵습니다. 또한 많은 머신 센터는 자동화와 성능 가시성의 수준이 서로 다른 최신 장비와 기구형 장비의 조합으로 구성됩니다.

그렇다면 어떤 장비가 주기 시간을 충족하는지 또는 어떤 작업자가 뒤처지고 있는지 어떻게 알 수 있을까요? 어떻게 하면 머신 센터의 운영 성능을 전반적으로 최적화하고, 병목 현상이 실제로 발생하는 곳을 확인할 수 있을까요?

많은 타이어 제조업체들은 프로세스 가시성 개선을 위해 먼저 다양한 소스에서 데이터를 수집 및 통합하여 중요한 상황에 배치할 수 있는 확장형 분석 소프트웨어의 IoT 이니셔티브에 중점을 둡니다.

기본 분석은 성능 문제 식별과 정보 기반 의사 결정에 도움이 되는 일종의 보고 및 대시보드로 원 데이터를 변환합니다. 이는 구체적으로 “무엇이 발생했는가?”와 “왜 발생했는가?”라는 질문에 답하는 데 도움이 됩니다.

데이터 과학 접근법을 통해 이러한 기능을 예측 분석 및 처방 분석으로 확장할 수 있고, 이는 “언제 다시 발생할 것인가?”와 “이를 방지하기 위해 무엇을 할 수 있는가?”라는 질문에 답하는 데 도움이 됩니다. 이러한 고급 분석은 머신 러닝과 인공 지능을 이용하여 뛰어난 통찰력과 성능 향상을 제공합니다.

• 예측 분석(Predictive analytics)은 장비 고장 또는 생산 이상 이전의 데이터 패턴을 인식하고 학습하여 직원에게 사전에 조사하거나 유지보수를 수행하도록 알릴 수 있습니다.
• 처방 분석(Prescriptive analytics)은 발생 가능한 문제를 예측할 뿐만 아니라 다운타임 예방, 주기 시간 개선 또는 제품 품질 확립 지원을 위한 조치를 규정합니다.