FLEXSCHE AutoCalibrator
과거 작업 실적을 학습하여 미래의 작업시간(S/T)을 적절히 추계하는 AI 모듈
개요 — 실적 빅데이터 기반 작업시간 추정
"현실에 부합하는 정밀한 계획"을 세우려면 계획 시점에 작업시간을 적절히 견적할 수 있어야 합니다. 그러나 다품종 소량화와 제품 라이프사이클 단축으로 매일 변하는 제조 현장에서 모든 작업시간을 완전히 파악하는 것은 매우 어렵습니다. FLEXSCHE AutoCalibrator는 제조 실적(Big Data)과 제조 조건(Vector)을 학습하여 계획 수립 시 적정 작업시간을 자동 추계합니다. ① 제조 실적으로부터 기계학습 모델을 구축해 작업시간을 추계하는 기능(AutoCalibrator)과 ② 실적 기반 작업시간 표본 데이터를 일일 축적하여 S/T(Standard Time) 추정치를 산출하는 기능(Data Tuner)으로 구성되며, 이를 통해 생산 스케줄링의 정밀도와 타당성을 향상시킵니다. 기계학습은 Microsoft Azure ML 기반으로 동작합니다.
- ERP 시스템
- 생산 실적 데이터
- APS (FLEXSCHE)
- 추계 · 튜닝된 S/T
- ERP 시스템
AutoCalibrator
추계 — 기계학습 기반 신규 품목 S/T 산출
제조 조건과 실적의 상관관계를 학습하여, 마스터에 없는 신규 규격의 작업시간을 예측합니다.
적용 공정 예 — 밴드 · 성형 · 정련 등 변수가 복합적인 공정
Data Tuner
튜닝 · 보정 — 통계 기반 기존 능력값 교정
실적 표본을 일일 축적·통계 처리하여 현재 등록된 능력치의 보정값을 추천도와 함께 제시합니다.
적용 공정 예 — 압출 · 톱핑 · 재단 · 가황 등 수량 비례형 공정
기계학습은 Microsoft Azure ML 기반으로 동작합니다. 변수가 복합적인 공정은 추계 모듈, 수량·작업자에 비례하는 단순 모델 공정은 보정 모듈이 담당합니다.
기계학습 기반 작업시간 추계
제조 시간은 재질·색상·폭·두께·사용 치구·설비 등 다양한 요인(Factor)에 따라 달라집니다. 이를 정확히 견적하려면 지속적인 현장 히어링이 필요하지만 많은 수고가 듭니다. AutoCalibrator는 실제 작업 시의 제반 조건과 소요 시간을 기계학습 모델에 학습시켜, 마스터 정비 없이도 조건에 따라 작업시간이 어떻게 변하는지 파악합니다. 학습이 완료되면 신규 품목의 제조 사양(예: 색상·폭·두께 등)만 주어도 적절한 제조시간을 자동으로 추계할 수 있습니다.
학습 — 과거 제조 실적
| 색상 | 폭 | 두께 | 실제 소요 |
|---|---|---|---|
| 적색 | 50 cm | 5 mm | 10분 |
| 녹색 | 80 cm | 3 mm | 15분 |
| 적색 | 65 cm | 4 mm | 13분 |
재질 · 색상 · 폭 · 두께 · 치구 · 설비 등 다차원 벡터로 변환
추계 — 신규 품목 (마스터 미등록)
- 색상
- 적색
- 폭
- 25 cm
- 두께
- 2 mm
유사 스펙 패턴 분석으로 산출 — 신규 규격 투입 시에도 즉시 계획 반영 가능
마스터를 일일이 정비하거나 현장 히어링을 반복하지 않아도, 조건에 따라 작업시간이 어떻게 변하는지를 모델이 학습합니다. 표의 수치는 개념 설명을 위한 예시입니다.
Data Tuner — 통계 기반 능력치 보정
수량에 비례하거나 작업자에 따라 달라지는 등 작업시간을 단순한 모델로 산출할 수 있는 경우에는 Data Tuner 기능을 사용합니다. 작업 실적 기반의 표본 데이터를 일일 축적하고 통계 처리하여 추정치를 산출·제시합니다. 현재 능력치와 새로 추정한 능력치, 표본 분포의 관계를 시각화하고 새 능력치의 "추천도"까지 제시하므로 직관적으로 능력치를 갱신할 수 있습니다. 또한 동일 성능으로 설정한 복수 설비에서 유의미한 능력 차이가 발견되면 분할안을 자동 제시하여 간단한 조작만으로 능력 정의를 분할할 수 있습니다. 처음에는 능력치를 대략 설정하고 점차 세분화·정밀화해 가는 운용이 가능해 시스템 구축의 문턱을 낮춥니다.
- 01
실적 Data 축적
제조 실적 표본을 일일 자동 축적
- 02
통계적 분석
표본 분포를 분석해 실제 능력치 추정
- 03
추정치 산출
현재값 · 추정값 · 분포를 시각화하고 추천도 제시
- 04
S/T 반영
검토 후 기준정보에 반영, 설비 능력 분할안도 자동 제안
처음에는 능력치를 대략 설정하고 운용하면서 점차 세분화·정밀화할 수 있어, 시스템 구축 초기의 마스터 정비 부담을 크게 낮춥니다.
작동 순서 (6단계)
① ERP → APS 품목정보 인터페이스 → ② ERP → APS 실적정보 인터페이스 → ③ APS에서 다차원 벡터 생성 → ④ 상관관계 패턴 학습(Machine Learning) → ⑤ ERP에 신규 품목 등록 → ⑥ APS가 신규 품목의 S/T를 자동 추계. 추계·튜닝된 S/T는 APS 기준정보에 반영되어 계획 정확도를 지속적으로 높입니다.
1ERP → APS 품목정보 인터페이스
품목코드 · 품목명 · 물리적 특성(직경 · 폭 · 사양 · 중량 · 공법 · 금형 · 드럼 수 등)을 APS로 전달
2ERP → APS 실적정보 인터페이스
작업일자 · 공장 · 설비 · 시작·종료 시각 · 실제 소요시간 · 생산수량 · 작업자 실적을 수집
3APS 다차원 벡터 생성
규격 · 중량 · 사양 · 공법 등 조건을 학습 가능한 특성 벡터(feature vector)로 변환
4APS 상관관계 패턴 학습
조건 조합별로 작업시간이 어떻게 증감하는지 규칙성을 기계학습 모델에 반영
5ERP 신규 품목 등록
표준시간이 아직 정해지지 않은 신규 품목이 ERP에 등록되어 APS로 전달
6APS 신규 품목 S/T 추계
학습 모델이 유사 스펙 패턴을 분석해 추계 S/T와 신뢰도를 산출하고 기준정보에 반영
선순환 구조 확립
- 실적 데이터 축적
- 기계학습 · 통계 분석
- 기준정보 자동 고도화
- 생산계획 정확도 향상
FLEXSCHE CarryOut을 함께 운용하면 현장에서 정확한 실적이 자연스럽게 수집되므로, AutoCalibrator의 학습 정밀도가 지속적으로 향상되는 상호 보완 관계가 됩니다.
공정 적용 예시 (타이어 제조 적용 사례)
AutoCalibrator(기계학습 추계): 변수가 복합적인 밴드/성형/정련 공정에 적용 — 예를 들어 밴드 공정에서는 단면폭·외경·인치 등 C/T 영향 요소와 실적의 상관관계를 학습해 신규 규격의 S/T를 추계하고, 성형 공정에서는 사이즈·사양·중량·턴업 방식 등을 학습해 신규 타이어 등록 시 유사 스펙 패턴 분석으로 추계 S/T를 제공합니다. Data Tuner(통계 보정): 압출/톱핑/재단/가황 공정에 적용 — 과거 생산실적을 통계 분석하여 보정값을 추천합니다(예: 가황 A품목 S/T 10분 vs 통계 분석 결과 12분 → 12분으로 보정 제안).
AutoCalibrator — 기계학습 추계
밴드 공정
단면폭 · 외경 · 인치 등 C/T 영향 요소와 실적의 상관관계를 학습
신규 규격 투입 시 → 유사 스펙 패턴 분석 → 추계 S/T 제공
성형 공정
사이즈 · 사양 · 중량 · 턴업 방식 등 복합 변수를 학습
신규 타이어 등록 시 → 1616 성형기 기준 추계 S/T 자동 산출
정련 공정
배합 · 투입량 · 설비 조건에 따른 소요시간 변동을 학습
조건 변경 시 → 계획 시점 작업시간 즉시 재추계
Data Tuner — 통계 기반 보정
과거 생산실적(Big Data)을 통계 분석하여 등록된 능력치의 정확도를 높이고, 보정값을 추천합니다.
- 압출 공정
- 톱핑 공정
- 재단 공정
- 가황 공정
보정 흐름
- 1실적 표본 축적 — 공정 · 설비 · 품목별 소요시간 수집
- 2통계 분석 — 표본 분포와 현재 능력치의 편차 산출
- 3보정값 추천 — 추천도와 함께 새 능력치 제시
- 4기준정보 반영 — 담당자 확인 후 S/T 갱신
영향 인자가 많고 신규 규격이 자주 투입되는 공정은 기계학습 추계, 실적 분포가 안정적인 공정은 통계 보정이 적합합니다. 위 내용은 타이어 제조 라인을 기준으로 한 적용 예시입니다.
선순환 구조와 CarryOut 연계
실적 데이터 축적 → 기계학습/통계 분석 → 기준정보 자동 고도화 → 생산계획 정확도 향상으로 이어지는 선순환 구조를 확립합니다. 통계적으로 타당한 계획은 적절한 계획 수행의 토대이지만 그것만으로는 충분하지 않습니다. 현장의 "흔들림"을 수용하며 계획을 수행하는 장치가 FLEXSCHE CarryOut이며, CarryOut을 운용하면 정확한 실적 정보가 자연스럽게 수집되므로 AutoCalibrator와 상호 보완적인(일석이조) 관계에 있습니다.