[첨단 헬로티]
아사노 켄이치로 (淺野 謙一郞) 플라스엔지니어링(주)
동사는 1974년에 창업해 도쿄도(東京都) 토시마구(豊島區) 이케부쿠로(池袋)에 본사(영업부문)을 두고, 미야기현(宮城縣) 센다이(仙臺) 사무소(제조부문)를 갖고 있는 정밀기계가공 부품제조 회사이다(그림 1). 사원수는 110명이다. 생산 품목은 메이커의 시제작품 부품, 생산설비 부품, 금형 부품 등이다.
도면 치수공차 ±0.01mm 이하의 정밀기계가공을 주사업으로 하고 있으며, 머시닝센터(MC)․NC 선반을 사용한 절삭가공, 평면연삭․원통연삭 등의 연삭가공, 형조 방전․와이어 방전 등의 방전가공에 더해, 유리․세라믹스 등에 대한 미세가공이 가능한 초음파 원용 가공기도 갖추고 있다.
또한, 고객인 설계자를 위한 ‘정밀부품 VE 설계 제작 레포트’(그림 2)를 매월 발행, 부품 설계 시에 기계가공의 시선에서 가치를 높이면서 코스트를 내리는 힌트가 되는 정보를 발신 중이다(동사 HP에서 등록 가능).
동사가 취급하는 것은 손바닥 사이즈의 정밀기계가공 부품(그림 3)으로, 대학, 연구기관 등 연간 수백사와 거래하고 있으며, 소로트 완전 수주생산이 특징이다. 실제 2017년 1년 간의 거래에서는 1건당 주문 개수가 1개였던 것은 36%, 2개는 18%로 1개 또는 2개의 주문이 전체 주문 건수의 반 이상을 차지했다.
소로트 완전 수주생산의 생산 관리와 AI
동사와 같은 거래 형태에서는 제작물마다 가공 공정․가공 시간이 각각 다르고, 양산품과 관리 방법이 전혀 다르다. 그렇기 때문에 동사에서는 제조 부문을 가공 공정마다 팀 편성을 해, 어떤 팀에서 일부를 가공한 후 다음 가공팀으로 보내어 다른 부위를 다른 공작기계로 가공하고 있다. 이러한 과정을 반복함으로써 제작물을 완성시키는 분업 체제를 하고 있다.
본래 기계가공은 한 명이 착수에서 완성까지 다루는 것이 이상적이지만, 하나의 공정을 기능적으로 최고로 하기 위해 필요한 기간이 연 단위가 되기 때문에 100명 정도의 인원이 일하는 동사에서는 창업 당초부터 효율을 생각해 이 분업 형태로 생산하고 있다. 현재 9팀이 있으며, 동사에서는 독일의 제조현장을 모방해 팀을 ‘숍’이라고 부른다(그림 4).
숍 내에도 여러 종류의 공작기계가 존재해 필요한 가공 내용에 따라 사용 기계도 변경되며, 공정은 80종류 정도 존재한다. 동사의 생산 관리는 이 공정마다 진척을 계획․관리하고, 예정대로 고객에게 출하하는 것이 요구된다.
또한, 경제합리성의 면에서 가공자가 전원 빈 시간 없이 이어서 가공할 수 있는 생산 계획을 세우는 것이 이러한 소로트 완전 수주생산 공장의 필수 조건이기도 하다. 이 제품 납기를 엄수하면서 가공자․기계가공률의 최적 조건을 이끌어내는 프로세스에 동사는 AI를 활용하고 있다.
ERP 시스템 개발에 이른 배경
동사의 경우, 수주품마다 공정 수․가공 시간이 다르므로 시스템 도입 전의 생산 계획 입안은 각 숍의 베테랑이 모여서 가공 부위의 분담이나 가공 일정 계획을 상담하면서 결정, 결정된 일정을 자사 작성 관리 소프트웨어에 사무원이 직접 입력하고 있었다. 사용하고 있던 판매․생산 관리 시스템이 ‘AS/400’이라고 하는 1988년 릴리스한 IBM 오피스 컴퓨터였기 때문에 처리 속도가 느리고, 개선 변경이 불가능했으므로 시스템 쇄신이 2007년경부터 과제였다.
2010년경부터 시스템 서포트의 종료와 사용 언어에 정통한 엔지니어의 고령화 등의 요인도 더해져, 시스템 전환이 급선무가 됐다. 간부가 모여 구상을 모으고, 새롭게 업무 효율화가 가능한 기능을 기존 기능에 더하는 것으로 했다. 추가한 기능은 가공 이력의 견적 작업에 대한 피드백 및 숙련가공자로부터 가공하는 시간을 빼앗고 있던 생산 계획의 자동화이다.
개발 방법과 더해진 콘셉트
동사에는 IT 기술자가 없으므로 개발은 외부에 의뢰했다. 우선 시판의 패키지 소프트웨어를 이용할 수 있는지를 조사했다. 그러나 연간 수주 건수 18,000건 이상의 시스템을 구축하는 데는 커스터마이즈의 작업량이 너무 많아, 받아 주는 패키지 판매회사가 없었다. 결국 시스템은 어쩔 수 없이 신규 개발을 하게 됐다. 이에 신규라도 개발 기간을 단축하는 방법으로서 소개된 것이 초고속 개발 툴 ‘Wagby’를 사용한 애자일형 시스템 개발이었다.
개발 회사와 개발 툴․방법이 결정되고, 다시 콘셉트를 명확하게 했다. 동사의 새로운 기간 시스템 개발의 콘셉트는 ‘매우 세밀한 판매 관리’와 함께 ‘생산 관리의 생력화’이기 때문에 업무 시스템(ERP) 기능에 시장 스케줄 소프트웨어를 연계시키는 것이 필요하게 됐다.
당초의 연계시키는 구상은 가공기계나 가공자의 여러 조건을 ERP에서 마스터로서 작성․보존, 스케줄러로 그것을 도입, 일정 계획을 시뮬레이션시키고 그 결과를 업무 시스템으로 되돌려서 운용하는 방법으로 했다. 또한 견적․수발주․판매 관리 기능은 이전의 AS/400 시스템의 기능이 충실하게 되어 있었으므로 소스 해석 위에 스크래치해 신 시스템에 이식․개선함으로써 개발 볼륨 저감을 도모했다.
스케줄러 소프트웨어와의 연계
동사에서 채용한 스케줄러 소프트웨어는 아스프로바(주)의 ‘Asprova’이다. 타사제도 동일하게 평가했지만, 많은 설정 항목, 즉 자유도가 높기 때문에 이것으로 결정했다. 또한 선정 시에 스케줄러 시스템을 사용 중인 동업 타사를 여러 회사 방문해 사용 상황을 조사했는데, 대략의 계획은 스케줄 소프트웨어로 짜지만 실제 작업현장에서는 더 세밀한 계획을 엑셀 등으로 재계획하고 있는 곳이 많았다.
스케줄러 소프트웨어의 계획과 현장의 계획이 전혀 일치하지 않는 회사도 몇 사 있었고, 스케줄대로 업무를 진행시키는 데는 운용하기 쉽고 합리적인 ‘현장에서 사용할 수 있는’ 스케줄을 생성하는 알고리즘 개발이 중요하다는 인식을 사내의 개발 멤버 간에 공유했다.
이 조사를 실시한 것은 2010~2011년경으로, 당시 AI는 현재 만큼 일반적이지 않았다. 그러나 ‘사용할 수 있는’ 스케줄은 ‘최적의’ 스케줄이어야 하며, 최적의 스케줄을 산출하는 방법으로서 AI를 도입한 것은 당시 자연스러운 흐름이었다.
단, 현 시스템은 딥 러닝과 같은 자동 학습 기능은 가지고 있지 않으며, 학습시키기 위해서는 인간이 그 때마다 학습시키는 데이터를 입력할 필요가 있다. 그것은 앞으로 자동학습 엔진을 실장하면 해소할 수 있다고 생각한다. 시행착오 끝에 개발한 스케줄러의 생성 기능은 ‘현시점에서 최적의 일정 작성’이 가능하게 되어, 예상한 대로의 효과를 발휘하면서 2013년 릴리스 직후부터 원활하게 운용되고 있으며, 생성된 일정대로의 실적 작업이 되고 있다.
가공 담당자는 현장에서 다른 예정을 생각할 필요가 없으며, 각자가 가지고 있는 태블릿 단말로 당일과 그 후의 작업 예정을 확인하고 가공 완료 시에 실적 가공 시간 등을 입력하는 구상대로의 시스템으로 되어 있다(그림 5).
현장에서 사용할 수 있는 스케줄이란 동사와 같은 금속가공으로 한정하면,
① 가공 후, 다음 세팅이 합리적인 것 : 재료 형상이나 사용 공구가 가까운 것 순으로 계획되어 있으면 세팅 시간이 짧아진다.
② 방전가공 등의 경우, 자동가공 시간이 긴 것과 짧은 것을 조합한다 : 가공 시간이 긴 것만을 조합하면, 가공자의 손이 비는 시간이 많아진다. 반대라면 기계의 가동률이 저하한다.
등 실제로 가공하는 측에서 하면 당연한 것이지만, 시스템 관리측에 전하기 어려운 내용이다. 그러나 ‘시스템에 반영하기 어려우니 현장에서 개선시켜요’라는 자세로 운영하면, 현장에서 다른 관리를 받을 가능성이 높아진다.
또한, 가공 시간이 분 단위로 설정되어 있기 때문이라고 해서 스케줄도 분 단위로 작업을 잔뜩 짜넣어서는 실패로 연결되기 쉽다. 그렇다고 해서 대충 숭숭 예정을 짜서는 채산이 맞지 않는다. 여기에는 각사의 특성에 맞춘 고안이 필요하다. 또한 앞에서 말한 조건을 스케줄러에 정량적으로 파라미터로서 설정하는 데는 상당히 시스템을 오래 사용할 필요가 있고, 관리자의 역량이 가장 요구되는 부분이다.
시스템 도입보다 중요한 조직의 품질
동사는 기기나 소프트웨어의 갱신을 서두를 필요가 있어 ERP의 정비를 먼저 진행했지만, 앞으로는 IoT 기기의 설치․접속을 해 현재 손으로 입력하고 있는 데이터의 자동화․정도 향상을 실시할 예정이다. 데이터의 가시화를 해가면, 이것도 저것도 필요하다고 수집 데이터가 증가한다. 결과적으로 데이터 처리에 장시간을 소비하게 되고, 또한 피드백 회의에서 시간을 소비하게 될 수밖에 없다.
가장 중요한 것은 ‘누가’, ‘무엇을 위해’ 데이터를 수집하고 ‘어떻게’ 데이터를 활용할지이며, 참고 데이터와 중요한 데이터를 명확하게 나눌 필요가 있다. 동사는 중요한 데이터를 ‘KPI ; Key Performance Indicator’로서 관리, 그 데이터를 기초로 생산판매 회의를 하고 행동수정을 의론해 결정, 실행하고 있다. 그 툴로 하고 있는 것이 ERP이고, AI를 활용한 스케줄러이며, 축적된 매일의 실적 데이터이다.
그러나 디지털 데이터만으로는 실제 제조현장은 잘 기능하지 않는다. 기능시키기 위한 환경이 전제가 된다. 예를 들면 동사에서는 예전부터 하고 있는 ‘정리․정돈․청소’, ‘낭비 제거’, ‘기능․기술 향상’ 활동이다. 이러한 활동이 없으면, 어떠한 고도의 이론․수법을 구사해도 성과로는 연결되기 어렵다. 동사는 이러한 활용을 10년 이상 전부터 계속하고 있으며, 월 1건 이상의 낭비 제거 보고를 매월 말까지 하는 것을 습관화하고 있다.
적산 견적에 대한 AI 활용을 시야에
이번 ERP/자동 스케줄 기능을 사용한 대응이 2017년 6월에 경제산업성 ‘진격의 IT 경영 중소기업백선’에 선정됐다. 앞으로는 일상적으로 시스템을 사용하면서 다음 개선 목표인 ‘견적 업무의 AI에 의한 지원’을 생각하고 있다.
동사는 제조 부문을 중심으로 정리․정돈․청소, 낭비 제거, 이번 시스템 도입에 의한 생산 계획의 자동화에 의해 생력화도 실현하고 있는데, 이들은 모두 ‘로스를 내지 않는다’, ‘미스를 방지한다’ 등에는 큰 도움이 되지만, ‘이익을 높인다’, ‘생산성을 높인다’ 등에는 직접은 관계없는 경우가 많다.
이익을 높이고 생산성을 높일 수 있는지는 ‘수주 시의 내용으로 결정된다’는 것이 당사와 같은 소로트 다품종 가공에서는 현저하다. 생산성을 높인다는 말로부터 결국 제조부문 내에 기인하다고 생각하기 쉽지만, 그렇지 않다. 제조부문의 개선에는 많아도 원가의 수 %가 변동하는 정도이고, 생산성에 가장 영향을 미치는 것은 동사와 같은 형태에서는 ‘견적’으로, 원가도 이익도 생산성도 이것으로 결정된다.
수주 시의 내용을 결정하는 적산 견적은 매우 속인적인 요소를 포함하고 있으며, 그것이 이익에 영향을 미친다. 다품종 소로트도 양산도 가공 부품의 견적 방법은 대개 동일하며, 가공 순서를 결정해 각각의 가공 시간을 예측하고 재료비․표면처리비 등을 더해 관리비와 이익을 덧붙여 산출한다.
그러나 1대의 공작기계로 가공이 완결되면 비교적 쉽지만, 열처리가 필요하고 또한 복수의 공작기계를 이용해 완성시키는 부품에서는 그 공정 간의 여유값 설정이나 각 공정의 세팅 시간 카운트 방법 등 복잡한 산정 방법이 필요하다. 속인적인 요소를 포함하고 있기 때문에 그 복잡함으로 인해 미스도 발생하기 쉽다.
압도적으로 많은 미스가 도면의 세밀한 부분을 놓쳐, 낮은 견적을 내는 패턴이다. 반대로 잘못해서 높은 견적을 내면 수주할 수 없다. 그리고 일단 견적한 금액은 수주 후에는 변경해 주지 않는다. 실수도 티끌도 쌓이면 큰 데미지가 될 수 있으므로 실수 체크를 당연히 동사에서도 하고 있는데, 그렇기 때문에 적산 견적에 소요되고 있는 공수는 결코 적지 않다.
이에 동사에서는 AI를 응용해 적산 견적을 생력화할 수 없을지 생각하고 있다. 그 기계학습의 베이스로 하기 위해 매일의 업무에서 견적․수주에서 발생하는 모든 데이터와 가공 실적(예산실적 데이터)을 시스템 내에 축적, 가까운 장래의 시스템화를 위해 준비하고 있다.
