Apex Engineering Journal

DFMEA를 실제로 작성하고 여러 사람과 리뷰하다 보면 의외로 많은 시간을 쓰게 되는 항목이 있습니다. 바로 Occurrence(발생도) 입니다. Severity는 고장이 발생했을 때 고객이나 시스템에 미치는 영향을 기준으로 평가할 수 있고, Detection 역시 현재의 검증 방법과 검출 능력을 기준으로 어느 정도 판단할 수 있습니다. 그런데 DFMEA의 Occurrence는 달랐습니다. 특히 새로운 제품을 개발하는 단계에서는 아직 제품이 양산되지 않았기 때문에 충분한 불량률이나 Field Data를 가지고 있지 않은 경우가 많습니다. 그러다 보니 실제 회의에서는 이런 대화가 자주 생겼습니다. “이 정도면 Occurrence 4 아닌가요?” “저는 6 정도라고 생각합니다.” “기존 제품에서도 사용했던 설계니까 3 정도면 충분하지 않을까요?” 각자의 설명을 들어보면 모두 어느 정도 일리가 있습니다. 문제는 객관적으로 어느 숫자가 맞는지를 명확하게 설명하기 어렵다는 것 이었습니다. 저 역시 DFMEA를 실제로 작성하면서 이 부분을 많이 고민했습니다. 정성적인 평가라는 이유로 기준을 느슨하게 적용하기 시작하면 결국 흔히 말하는 ‘귀에 걸면 귀걸이, 코에 걸면 코걸이’ 식의 Rating 이 되어버릴 수 있기 때문입니다. DFMEA발생도 평가기준 PFMEA Occurrence와 똑같이 생각하면 문제가 생긴다 처음 혼란이 생기는 가장 큰 이유는 DFMEA와 PFMEA 모두 똑같이 Occurrence 라는 용어를 사용하기 때문입니다. 하지만 두 Occurrence의 판단 근거는 상당히 다릅니다. PFMEA에서는 실제 제조공정 데이터를 활용할 수 있습니다. 예를 들면 공정 불량률, Scrap 데이터, SPC 결과, 과거 생산실적, 유사공정의 품질이력, 공정능력, 예방관리의 효과 등이 있습니다. 즉 PFMEA에서는 비교적 직접적으로 다음 ...

이번 글에서는 그 계산이 실제로 소프트웨어 안에서 올바르게 구현되어 있는지, 2026년 개정에서 새로 요구하는 검증 기준을 다룹니다. 이 주제와 관련된 게시글은 이 글의 맨 아래 링크를 참조하시기 바랍니다. 왜 소프트웨어까지 검증 대상이 되었나 SPC 지수는 대부분 소프트웨어가 자동으로 계산해 줍니다. 그런데 그 계산이 정확한지는 누가 확인할까요. 2026년 통합 SPC 매뉴얼에는 이전 판에는 없던 완전히 새로운 장이 하나 추가되었는데, 바로 분석 소프트웨어의 검증과 유효성 확인을 다루는 장입니다. 지수 산출 방법을 아무리 정교하게 정리해도 소프트웨어 내부 로직이 틀렸다면 아무 의미가 없다는 문제의식이 반영된 결과이며, 이는 앞선 글에서 다룬 두 가지 계산법 논의가 실제로 소프트웨어에 올바르게 구현되어 있어야 비로소 의미를 가진다는 점과도 연결됩니다. 계산식을 아는 것과 그 계산식이 프로그램 안에서 정확히 돌아가는 것은 별개의 문제입니다. 검증(Verification)과 유효성 확인(Validation)의 차이 매뉴얼은 IATF 16949와 ISO 9000의 정의를 근거로 검증과 유효성 확인을 구분합니다. 검증은 정해진 요구사항을 충족하는지 객관적 증거로 확인하는 것이고, 유효성 확인은 실제 사용 목적에 맞게 의도된 결과를 내는지 확인하는 것입니다. 즉 소프트웨어가 매뉴얼의 계산식대로 동작하는지 확인하는 것과, 그 결과가 실제 현장 데이터에 대해 타당한 결론을 내는지를 모두 확인해야 한다는 뜻입니다. 두 개념을 구분하지 않고 단순히 ‘테스트했다’고만 기록하면 감사 대응 자료로는 부족할 수 있습니다. 어떤 데이터와 시나리오를 사용했고, 어떤 결과를 기준으로 적합 여부를 판단했는지까지 남겨 두어야 소프트웨어 결과를 재현하고 설명할 수 있습니다. 무엇을 확인해야 소프트웨어의 ‘블랙박스’ 문제를 피할 수 있는가 매뉴얼은 최소 표본 크기, 이상치 검출 및 처리 방식, 신뢰구간, 추정량의 설계, 한쪽 규격의 계산 방법 등 분석에 사용되는 주요 파라미터를...

이번 글에서는 이 구분이 설비 승인부터 양산까지 실제로 어느 단계에서 적용되는지, 3단계 검증 체계를 다룹니다. 이 주제와 관련된 게시글은 이 글의 맨 아래 링크를 참조하시기 바랍니다. 설비 승인부터 양산까지, 왜 단계를 나누는가 설비를 도입해 양산까지 가는 과정에서 공정능력을 몇 번, 어떤 기준으로 검증해야 하는지는 현장마다 관행이 조금씩 달랐습니다. 2026년 통합 SPC 매뉴얼은 이 검증 과정을 기계성능, 예비공정성능, 공정성능 또는 공정능력이라는 세 단계로 구분해 설명합니다. 매뉴얼의 방법 개요에서는 단계별 목적, 시료 수, 부분군 구성, 그리고 반영해야 하는 변동 요인의 범위를 비교할 수 있도록 제시하고 있습니다. 단계별 의미를 미리 이해해 두면 PPAP 등 초기 승인 자료를 준비할 때 어떤 데이터를 언제, 어떤 조건으로 확보해야 하는지가 훨씬 분명해집니다. 1단계: 기계성능(Pm/Pmk) 첫 번째 단계는 기계성능 검증으로, 설비 자체의 단기적인 성능을 확인하는 것이 목적입니다. 작업자, 자재, 환경과 같은 외부 변동 요인을 가능한 한 일정하게 유지한 상태에서 연속 생산된 부품을 사용해 Pm과 Pmk를 산출합니다. 기계성능 연구에서는 일반적으로 연속 생산된 50개 부품을 사용하는 방식이 대표적으로 활용됩니다. ISO 22514-3에서는 n=100과 같은 더 큰 시료 규모가 제시될 수 있지만, 실제 적용에서는 고객 요구사항과 기업 표준을 함께 확인해야 합니다. 시료 수가 줄어들 경우에는 결과 해석과 목표값 적용에 더욱 신중해야 합니다. 목표값 역시 특성의 중요도에 따라 달라질 수 있습니다. 예를 들어 n≥50 조건에서 Major 특성의 예시 목표값으로 Pm 2.00, Pmk 1.67 수준이 사용될 수 있으며, Critical이나 Minor 특성은 서로 다른 목표값이 적용될 수 있습니다. 이 단계의 핵심은 높은 Pm/Pmk 값이 나왔다고 해서 양산 공정 전체가 안정적이거나 능력이 있다고 판단해서는 안 된다는 점입니다. 기계성능은 어디까지...

이번 글에서는 성능지수(Performance Index)와 능력지수(Capability Index)의 차이를 더 깊이 다룹니다. Pp·Ppk와 Cp·Cpk는 모두 규격 대비 공정 변동을 평가하지만, 적용 조건과 해석은 같지 않습니다. 이 주제와 관련된 게시글은 글의 맨 아래 링크를 참조하시기 바랍니다. 성능지수와 능력지수, 왜 구분해야 하는가 SPC 데이터를 다루다 보면 Pp, Ppk, Cp, Cpk를 비슷한 의미로 혼용하는 경우가 있습니다. 2026년 AIAG·VDA 통합 SPC 매뉴얼은 기계성능, 예비공정성능, 지속적인 공정능력 평가를 단계적으로 구분하고 각 단계에 맞는 지수의 적용과 해석을 강조합니다. P계열과 C계열은 모두 규격 대비 공정 변동을 평가하는 지수이지만, 적용 조건과 해석은 다릅니다. 특히 공정의 안정성이 입증되었는지가 Performance와 Capability를 구분하는 핵심 조건이며, 지수를 계산할 때 사용되는 변동의 정의와 데이터 조건도 함께 확인해야 합니다. 같은 특성에서 이전에는 Cpk를 사용했는데 이후 Ppk로 변경되었다면 단순 계산 오류로 보기 전에 공정 안정성 평가 결과와 데이터 수집 조건이 달라졌는지를 먼저 확인해야 합니다. 공정 안정성이 지수 선택을 결정한다 능력지수(C)를 적용하려면 먼저 관리도 등을 통해 공정이 통계적 관리 상태에 있는지 확인해야 합니다. 반대로 안정성을 평가하지 않았거나, 특별원인에 의한 변동이 존재하거나, 안정성 요건을 충족하지 못했다면 성능지수(P)를 사용해 현재 데이터가 보여주는 공정 성능을 평가하는 것이 적절합니다. 안정성은 관리도에서 관리한계 이탈점만 보는 것으로 끝나지 않습니다. 런(run), 추세(trend), 주기(cycle) 등 비랜덤 패턴과 공정에서 발생한 특별원인을 함께 검토해야 합니다. 따라서 Cpk 값 자체가 공정 안정성을 증명하는 것은 아닙니다. 공정 안정성이 먼저 입증되어야 그 조건에서 Cpk를 공정능력지수로 해석할 수 있습니다. Ppk Cpk 의미 기존...

SPC 매뉴얼, 왜 새로 통합되었나 자동차 업계에서는 오랫동안 미국 AIAG의 SPC 매뉴얼과 독일 VDA의 SPC 관련 지침이 함께 사용되어 왔습니다. 두 체계는 통계적 공정관리라는 같은 목적을 갖고 있었지만 용어와 통계적 접근에 차이가 있어, 글로벌 공급망에서는 고객과 지역에 따라 서로 다른 방식으로 결과를 해석하거나 보고해야 하는 경우가 있었습니다. AIAG와 VDA는 2026년 6월 30일 새로운 공동 SPC 매뉴얼의 발간을 발표했으며, AIAG에서는 7월부터 1st Edition을 공식 제공하고 있습니다. 새 매뉴얼의 핵심은 기존 접근법을 하나의 국제적인 체계로 조화시키고 ISO 22514 및 ISO 3534 시리즈와의 정합성을 높여, 자동차 공급망에서 보다 일관된 SPC 적용과 의사소통이 가능하도록 하는 데 있습니다. 성능(Performance)과 능력(Capability)의 명확한 구분 이번 통합 매뉴얼에서 실무적으로 특히 중요한 부분은 Performance와 Capability를 구분해서 적용하는 것입니다. Pp·Ppk와 Cp·Cpk는 모두 규격 대비 공정 변동을 평가하지만, 적용 조건과 해석은 같지 않습니다. 공정의 안정성이 아직 입증되지 않았거나 통계적 관리 상태에 있지 않은 경우에는 Performance 지수인 Pp·Ppk를 사용합니다. 반대로 관리도 등을 통해 공정이 통계적 관리 상태에 있음이 확인된 경우에는 Capability 지수인 Cp·Cpk를 적용할 수 있습니다. 따라서 Cpk 값 자체가 안정성을 증명하는 것은 아니며, Cpk를 공정능력으로 해석하려면 먼저 공정 안정성에 대한 근거가 있어야 합니다. 공정능력지수, 두 가지 계산 접근을 하나의 체계에서 다룬다 새 매뉴얼은 공정성능·공정능력 지수를 평가할 때 일반 기하학적 방법(General Geometric Method)과 Z-스코어(Bothe) 방법을 구분해서 사용할 수 있도록 제시합니다. 일반 기하학적 방법은 ISO 22514 계열의 접근과 연결되며 분포의 분위수...

이번 글에서는 공정능력지수를 실제로 계산하는 두 가지 방법을 더 깊이 다룹니다. 이 주제와 관련된 게시글은 이 글의 맨 아래 링크를 참조하시기 바랍니다. 공정능력지수 계산법, 왜 두 가지로 나뉘었나 2026년 AIAG·VDA 통합 SPC 매뉴얼의 중요한 변화 중 하나는 기존 AIAG와 VDA·ISO 계열에서 사용해 온 서로 다른 통계적 접근을 하나의 체계 안에서 다룬다는 점입니다. AIAG와 VDA는 새 매뉴얼을 통해 기존에 달랐던 SPC 접근법과 용어를 조화시키고, 공정 특성·데이터 유형·모니터링 목적에 따라 적절한 방법을 선택하도록 안내하고 있습니다. 공정성능·공정능력 지수를 평가할 때는 일반 기하학적 방법(General Geometric Method)과 Z-스코어(Bothe) 방법을 구분해서 이해할 필요가 있습니다. 중요한 것은 어느 한쪽이 항상 맞고 다른 쪽이 틀린 것이 아니라, 데이터의 분포 특성과 고객 요구사항, 기존 보고 체계 등을 고려해 적절한 방법을 선택하고 사용한 계산방법을 명확히 식별하는 것입니다. 공정능력지수 2가지 계산법 일반 기하학적 방법(General Geometric Method) 일반 기하학적 방법은 분포의 분위수와 규격 한계의 상대적 위치를 이용해 공정성능 또는 공정능력을 평가하는 접근입니다. 대표적으로 0.135%, 50%, 99.865% 분위수를 이용하며, 정규분포만을 전제로 하는 전통적인 6σ·3σ 표현을 보다 일반적인 분포 형태로 확장할 수 있다는 장점이 있습니다. 데이터가 정규분포를 따르는 경우에는 해당 분위수가 평균을 중심으로 약 ±3σ 위치에 대응하므로 전통적인 지수와 같은 개념으로 연결됩니다. 반면 비정규 데이터에서는 실제 분포 형태에 맞는 분위수를 이용함으로써 단순히 정규분포를 가정하는 데서 생길 수 있는 왜곡을 줄일 수 있습니다. Z-스코어(Bothe) 방법은 무엇인가 Z-스코어(Bothe) 방법은 규격 하한과 상한을 벗어나는 비율을 표준정규분포의 Z값으로 환산한 뒤 이를 이용해 성능지수...

품질관리(QC)와 품질보증(QA), 무엇이 다른가? 현장에서는 QC(Quality Control)와 QA(Quality Assurance)를 각각 ‘검사’와 ‘예방’으로 단순하게 구분하는 경우가 많습니다. 이해하기 쉬운 설명이지만 실제 품질경영에서는 두 기능의 범위가 더 넓습니다. ISO 9000에서 QC는 품질 요구사항을 충족하는 데 초점을 둔 품질경영의 일부 , QA는 품질 요구사항이 충족될 것이라는 신뢰를 제공하는 데 초점을 둔 품질경영의 일부 로 구분합니다. 따라서 QC와 QA는 어느 한쪽이 상위 개념이거나 서로 경쟁하는 기능이 아닙니다. QC가 제품과 공정의 현재 상태를 확인하고 이상을 검출·조치하는 데 강점이 있다면, QA는 그러한 품질이 반복적으로 확보될 수 있도록 프로세스와 시스템을 구축하고 유지하는 데 더 큰 비중을 둡니다. 결국 두 기능 모두 더 넓은 품질경영(Quality Management)의 일부입니다. QC는 단순한 최종검사가 아니다 QC의 대표적인 활동은 검사, 측정, 시험을 통해 제품이 도면과 규격을 만족하는지 확인하는 것입니다. 하지만 QC를 완성품 검사만으로 한정해서는 안 됩니다. 생산 중 공정 특성을 측정하고 SPC와 관리도로 이상을 모니터링하거나, 부적합품을 식별·격리하고 추가 유출을 막기 위한 조치를 취하는 것도 QC의 중요한 역할입니다. 예를 들어 샤프트의 치수와 경도를 검사해 규격 적합성을 판단하고 이상 로트를 격리하는 것은 전형적인 QC 활동입니다. 여기서 중요한 것은 불량을 발견했다는 사실 자체가 아니라, 부적합 제품이 다음 공정이나 고객에게 넘어가지 않도록 통제하는 것입니다. QC는 문제가 발생했을 때 고객을 보호하는 가장 직접적인 방어선 역할을 합니다. QA는 품질이 반복될 수 있는 시스템을 만든다 QA는 QC보다 ‘한 단계 높은 활동’이라기보다 초점이 다른 기능입니다. 품질 요구사항이 지속적으로 충족될 것이라는 신뢰를 확보하기 위해 품질계획, 표준과 절차, 공정감사, 교육, 공급업체 관리, 시정...