현장에서 가공툴 비용을 줄이자는 이야기가 나오면 가장 먼저 나오는 방법 중 하나가 “가능한 오래 사용하자”입니다.
툴이 아직 깨지지 않았고 가공도 되고 있다면 교체하는 것이 아깝게 느껴질 수 있습니다. 그래서 실제 제조현장에서는 툴이 파손되거나 마모가 눈에 띄게 심해질 때까지 사용하는 경우가 적지 않습니다.
그런데 여기서 한 가지 질문이 필요합니다.
툴이 아직 돌아가고 있다는 것과, 정상적인 품질을 만들고 있다는 것은 같은 의미일까요?
1. 툴 수명은 ‘파손 시점’만 보면 부족하다
툴의 수명을 가장 단순하게 정의하면 몇 개를 생산한 뒤 파손되었는지를 기록하면 됩니다. 예를 들어 동일한 툴이 18,000개, 20,000개, 17,500개 생산 후 파손되었다면 대략적인 물리적 수명은 파악할 수 있습니다.
하지만 품질관리 관점에서는 이것만으로 충분하지 않습니다.
툴은 어느 순간 갑자기 정상에서 불량으로 바뀌기보다, 사용량이 늘어나면서 점진적으로 마모됩니다. 이 과정에서 제품의 치수, 버(Burr), 표면상태, 형상 또는 가공부하가 먼저 변하고, 그보다 나중에 툴이 완전히 파손될 수 있습니다.
따라서 툴 수명은 최소한 두 가지로 나누어 보는 것이 좋습니다.
- 물리적 수명: 툴이 실제로 파손되거나 더 이상 사용할 수 없게 되는 시점
- 품질상 안전수명: 제품 품질에 의미 있는 변화가 생기기 전까지 안정적으로 사용할 수 있는 기간
생산현장에서 더 중요한 것은 대개 두 번째입니다.
 |
| 가공툴 수명 예측 |
2. 그렇다면 적정 교체시점은 어떻게 찾을까?
근거 없이 “조금 일찍 바꾸자”고 하면 현장에서는 당연히 반발이 생깁니다.
“아직 쓸 수 있는데 왜 바꾸느냐”, “툴비만 늘어나는 것 아니냐”는 질문이 나오는 것이 정상입니다.
그래서 가장 먼저 해야 할 일은 실제 툴 사용이력과 품질검사 결과를 연결하는 것입니다.
현장에서는 원래 품질관리를 위해 일정 주기로 치수나 외관을 검사합니다. 검사주기는 제품의 중요도, 과거 불량 발생빈도, 공정능력, 고객 요구사항, Control Plan 등을 고려하여 결정됩니다.
이때 검사결과와 함께 툴 사용횟수를 기록하면 매우 유용한 데이터가 됩니다.
예를 들어 다음과 같은 형태입니다.
| 툴 사용수량 | 주요 치수 | 외관/Burr | 판정 |
|---|---|---|---|
| 2,000 pcs | 안정 | 정상 | 계속 사용 |
| 6,000 pcs | 안정 | 정상 | 계속 사용 |
| 10,000 pcs | 미세한 이동 | 정상 | 추세관찰 |
| 13,000 pcs | 상한 방향 이동 | 경미한 Burr 증가 | 교체 검토 |
| 15,000 pcs | 불안정 | 불량 증가 | 교체 |
이런 기록이 여러 툴에 대해 쌓이면 “대략 몇 개에서 깨진다”가 아니라 “몇 개부터 품질 특성이 흔들리기 시작하는가”를 파악할 수 있습니다.
3. 검사주기가 툴 수명 예측의 정확도를 결정한다
품질검사 주기는 툴 수명 예측에도 영향을 줍니다.
예를 들어 1,000개마다 치수를 측정하는 공정에서 8,000개까지는 정상이고 9,000개에서 갑자기 치수 이동이 확인되었다면, 실제 변화 시작점은 8,000개와 9,000개 사이 어딘가입니다.
반대로 마모가 급격히 진행되는 구간에서 검사주기를 더 촘촘하게 가져갈 수 있다면 변곡점을 더 정확하게 찾을 수 있습니다.
그렇다고 모든 공정의 검사주기를 무조건 늘릴 필요는 없습니다. 검사비용도 있기 때문에 기존 품질관리 기준과 위험도를 바탕으로 합리적으로 정해야 합니다.
핵심은 검사 데이터를 툴 사용이력과 연결해야 한다는 것입니다.
4. 통계로 툴의 ‘정상 수명 범위’를 먼저 만들어야 한다
툴 몇 개의 경험만 보고 교체시점을 정하면 신뢰도가 낮습니다.
가능하면 동일한 툴 또는 동일 Tool Family에 대해 반복 데이터를 모아 다음을 확인하는 것이 좋습니다.
- 평균 사용수명
- 수명의 편차
- 조기 파손 비율
- 치수 또는 외관이 변하기 시작하는 사용량
- 특정 소재 Lot이나 설비에서 수명이 짧아지는지 여부
- 툴 교체사유가 파손인지, 마모인지, 품질문제인지
이렇게 해야 교체 기준이 “경험상 10,000개”가 아니라 데이터에 의해 설명되는 기준으로 바뀝니다.
5. ‘툴을 끝까지 쓰는 것’이 정말 Saving일까?
툴을 오래 사용하면 당장 툴 구매비는 줄어듭니다. 하지만 그로 인해 발생하는 비용은 다른 곳에 숨어 있을 수 있습니다.
- 제품 Scrap
- 재작업
- 선별검사
- 라인 정지
- Fixture나 Holder의 2차 손상
- 납기 지연
- 고객 불량
특히 제품이 중량물이고 고가일수록 손실은 훨씬 커집니다.
예를 들어 수십 kg의 단조품이나 가공품이 이미 열처리와 여러 공정을 거친 후 툴 문제로 Scrap이 된다면, 손실은 단순한 소재비가 아닙니다. 이전 공정에서 투입된 가공비, 열처리비, 검사비, 설비시간까지 모두 사라집니다.
이 경우 툴을 한 번 더 사용해서 절약한 금액보다 제품 한 개의 손실이 더 클 수도 있습니다.
6. AI는 언제 필요한가?
AI는 출발점이 아니라 다음 단계입니다.
먼저 현장에서 충분한 툴 사용이력과 품질검사 데이터가 쌓여야 합니다.
그 다음 AI는 다음과 같은 정보를 함께 분석할 수 있습니다.
- 툴 사용횟수
- 과거 툴 수명 분포
- 치수 변화 Trend
- 외관 및 Burr 발생
- 설비 부하
- 소재 Lot
- 공정조건
- 과거 파손이력
그리고 단순히 “언제 파손될 것인가?”가 아니라 “앞으로 몇 회 정도까지 품질을 안정적으로 유지할 가능성이 높은가?”를 예측하는 방향이 더 실용적입니다.
7. AI가 교체를 지시하면 무엇이 달라질까?
현장에서 툴 교체는 종종 의견 충돌의 대상이 됩니다.
품질에서는 교체를 요구하지만 생산에서는 “아직 쓸 수 있다”고 하고, 구매나 원가부서에서는 툴비 증가를 걱정할 수 있습니다.
반면 충분한 과거 데이터와 통계, 현재 품질 Trend를 근거로 시스템이 교체를 권고한다면 판단이 훨씬 객관적이 됩니다.
즉 AI의 가장 큰 장점은 사람을 대신하는 것이 아니라 경험과 감에 의존하던 교체 판단을 데이터에 근거한 판단으로 바꾸는 것일 수 있습니다.
마무리
툴을 빨리 교체하는 것이 정답은 아닙니다. 반대로 툴이 깨질 때까지 사용하는 것도 항상 절감이라고 볼 수 없습니다.
먼저 실제 툴 수명과 품질검사 결과를 연결해 데이터를 만들어야 합니다. 그 데이터에서 품질이 흔들리기 시작하는 시점을 찾고, 통계적으로 적정 교체범위를 설정해야 합니다.
그 다음 단계에서 AI를 이용하면 소재, 설비, 공정조건에 따른 차이까지 고려한 보다 정교한 툴 수명 예측이 가능해집니다.
중요한 것은 툴을 얼마나 오래 사용했는지가 아니라, 하나의 툴로 얼마나 많은 정상제품을 안정적으로 만들었는가입니다.
댓글
댓글 쓰기