길리랩blog

관리도와 Six Sigma로 공정 변동을 통제하는 방법

Shewhart·CUSUM 관리도, Six Sigma DMAIC, Cp/Cpk·Pp/Ppk를 연결해 공정 변동과 결함을 관리하는 품질 체계

2026-08-14 · 최초 발행 2025-10-14

변동을 포착한 뒤 개선까지 닫는 품질 체계

품질 문제는 규격 이탈만으로 끝나지 않는다. 공정 평균의 이동, 산포의 확대, 계측 신뢰도 저하, 배치와 교대 사이의 장기 변동이 겹치면 결함은 뒤늦게 드러난다. 관리도, Six Sigma DMAIC, 공정능력지수는 이 흐름을 데이터로 통제하기 위한 도구다.

관리도는 공정 평균과 산포가 시간에 따라 안정적인지 살피고, 통계적 관리 상태와 특이 원인에 따른 이상 신호를 구분한다. Shewhart 관리도는 단일 표본 시점에서 3σ 한계를 기준으로 급격한 편차를 찾아내는 데 강점이 있다. CUSUM 관리도는 누적합을 사용해 0.5~1.5σ 수준의 미소 편차를 감지하며, 기준값 k와 의사결정 한계 h를 조정해야 한다.

Six Sigma는 결함률(DPMO)을 낮추기 위해 Define→Measure→Analyze→Improve→Control의 DMAIC 절차를 적용한다. 이 과정에는 측정 시스템 분석(MSA), 통계적 검정, 실험계획법(DOE), 공정관리(SPC)가 함께 들어간다.

공정능력은 규격폭과 실제 산포, 그리고 공정 중심의 치우침을 함께 봐야 한다.

  • Cp = (USL − LSL) / (6σ)는 규격폭에 비해 공정 산포가 얼마나 적합한지 나타낸다.
  • Cpk = min[(USL − μ)/(3σ), (μ − LSL)/(3σ)]는 산포와 중심치 치우침을 함께 반영한다.
  • 일반 지침으로 Cpk ≥ 1.33은 양산 적합, Cpk ≥ 1.67/2.0은 고신뢰·안전 품목에 권고된다.

공정 특성에 맞춰 관리도를 선택한다

차트 선택은 데이터 구조에서 출발한다. 연속형 데이터에는 X̄-R/X̄-S, I-MR를, 계수형 데이터에는 p, np, c, u 관리도를 적용할 수 있다. 미소 편차를 빠르게 찾아야 하면 CUSUM이나 EWMA를 선택한다. 표본 크기, 샘플링 주기, 목표로 하는 편차 크기가 선택 기준이 된다.

이상 신호 규칙도 운영 조건에 맞게 구성한다. 3σ 초과, 한쪽에 연속 8점, 3점 중 2점이 2σ 밖, 5점 중 4점이 1σ 밖 같은 Western Electric 규칙을 사용할 수 있다. 규칙을 민감하게 만들수록 이상 탐지는 빨라지지만 오경보 부담도 커진다.

측정 단계에서는 MSA의 GRR, 바이어스, 선형성 통과 여부를 데이터 게이트로 둔다. 측정 시스템이 부적합하다면 공정 개선보다 계측 개선이 먼저다. Analyze와 Improve 단계에서는 ANOVA, t-test, 상관·회귀, DOE를 활용해 원인을 확인하고 조건을 최적화한다. Control 단계에서는 SPC와 표준작업서(SOP)로 개선 결과를 유지한다.

단기 산포와 장기 산포를 분리해 본다

Cp/Cpk는 단기(Within) 산포를 기준으로, Pp/Ppk는 장기(Overall) 산포를 기준으로 보고한다. 배치나 교대 간 변동이 존재하는 공정이라면 Pp/Ppk를 함께 제시해 장기 산포를 드러낼 필요가 있다.

분포 적합성도 해석 전에 검토한다. 정규성 검정 뒤 Box-Cox 또는 Yeo-Johnson 변환을 적용할 수 있으며, 비정규 분포라면 퍼센타일 기반 성능지표를 보완적으로 사용한다.

데이터 운영에는 시간 동기화, 결측·이상치 처리, LOT·라인·설비·교대 메타데이터에 따른 추적성이 필요하다. 경보 임계치와 알림 채널을 정하고, 8D/5-Why 조치 이력을 남긴다. 파라미터 변경은 변경관리(MOC)로 통제한다.

현장에서 나타나는 적용 방식

전자 SMT 라인에서는 온도 프로파일과 인쇄 두께를 I-MR 관리도로 상시 관찰하고, 미세한 드리프트는 CUSUM으로 조기에 찾을 수 있다. Cp/Cpk를 주간 보고하면 부품과 설비의 기여도를 분리해 볼 수 있으며, DOE로 리플로우 존 온도를 최적화할 수 있다.

케미칼 배치 공정에서는 점도·수분 함량 관리도와 배치 간 Ppk를 분리해 보고한다. 원료 로트 차이가 만드는 장기 산포를 확인할 수 있기 때문이다. DMAIC를 통해 건조 시간과 교반 속도를 최적화한 사례에서는 스크랩률이 35%→18%로 개선됐다.

금융 백오피스에서는 처리 시간의 비정규 분포를 변환한 뒤 관리도에 적용해 지연 SLA 위반을 조기에 탐지한다. 결함을 SLA 초과로 다시 정의하고 DPMO와 Sigma Level로 서비스 품질을 지표화할 수 있다.

Shewhart와 CUSUM의 운영 차이

항목 Shewhart 관리도 CUSUM 관리도
소규모 편차 검출(≤1σ) 보통, 규칙 추가 필요 우수, 누적합으로 민감
급격한 이상 대응 우수, 1포인트 3σ 초과 즉시 우수, 누적이 빠르게 임계 통과
파라미터 튜닝 난이도 낮음, 3σ 기본 중간, k(기준), h(의사결정) 설정 필요
데이터 가정/강건성 정규성 민감, 샘플링 적정 중요 비교적 강건, 그러나 상관구조 영향
운영 편의성 높음, 현장 적용 용이 중간, 교육·도구 지원 필요

계측 검증부터 효과 확인까지의 흐름

⤢✕통과미통과예아니오데이터 수집센서/계측기/MESMSA 게이트GRR, 바이어스정합/정제결측/이상치 처리SPC 설정차트선택·샘플링·σ추정계측 개선게이지 교정/재설계통제 상태?유지 관리주기적 Cp/Cpk·Ppk이상 신호 분류3σ/연속성 규칙근본 원인 분석(RCA)5-Why, 특성요인도개선 조치파라미터/공정변경효과 검증전후 검정, 재평가

입력은 시계열 품질 특성치, 규격한계(LSL/USL), 메타데이터다. MSA를 통과한 데이터를 바탕으로 관리도와 규칙을 설정하고, 이상 신호가 발생하면 RCA와 DOE를 실행한다. 결과물은 통제·이탈 상태 판단, Cp/Cpk·Ppk, DPMO·Sigma Level, 개선안과 SOP 업데이트다.

결측과 스파이크를 처리하는 기준, 자동 센서 드리프트 보정 방법, 이상치와 특이 원인을 구분하는 규칙은 문서화해야 한다.

산포 추정과 이상 규칙을 해석하는 기준

단기 산포는 R̄/d2, S̄/c4 기반으로 추정해 Cp/Cpk 보고에 사용한다. 장기 산포는 전체 표준편차를 사용해 Pp/Ppk를 산출한다.

이상 규칙은 오경보(α)와 미탐지(β)의 균형을 고려해 조정한다. 비용 함수를 기준으로 임계치를 다시 설정할 수 있다. 비정규성이나 자기상관이 문제라면 Box-Cox 변환, EWMA/CUSUM, ARIMA 또는 잔차 관리도를 적용한다.

Python 3.11에서 Cp/Cpk와 I-MR 관리도 계산하기

전제조건: pandas>=2.0, numpy>=1.24, scipy>=1.10, matplotlib>=3.7

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 샘플 데이터 (연속형 특성치)
np.random.seed(7)
data = pd.Series(np.random.normal(loc=10.0, scale=0.06, size=120))
# 경계값
LSL, USL = 9.85, 10.15

def cp_cpk(x, LSL, USL, use_within=False, subgroup_size=5):
    x = pd.Series(x).dropna()
    mu = x.mean()
    if use_within and len(x) >= subgroup_size*5:
        # 단기 산포 추정: 이동범위(MR) 사용(I-MR 가정)
        mr = x.diff().abs().dropna()
        d2 = 1.128  # n=2
        sigma = mr.mean()/d2
    else:
        sigma = x.std(ddof=1)  # 전체 표준편차
    Cp = (USL - LSL) / (6*sigma)
    Cpk = min((USL - mu)/(3*sigma), (mu - LSL)/(3*sigma))
    return {"mu": mu, "sigma": sigma, "Cp": Cp, "Cpk": Cpk}

stats = cp_cpk(data, LSL, USL, use_within=False)
print(stats)

# 간단 Shewhart I-MR 관리도 (Rule 1: 3σ 초과)
baseline = data.iloc[:25]
mean_b = baseline.mean()
sigma_b = baseline.std(ddof=1)
UCL = mean_b + 3*sigma_b
LCL = mean_b - 3*sigma_b

out_of_control = (data > UCL) | (data < LCL)
print("Out-of-control index:", np.where(out_of_control)[0])

plt.figure(figsize=(9,4))
plt.plot(data.values, marker='o', ms=3)
plt.axhline(mean_b, color='green', linestyle='--', label='CL')
plt.axhline(UCL, color='red', linestyle='--', label='UCL')
plt.axhline(LCL, color='red', linestyle='--', label='LCL')
plt.title('I-Chart (baseline=first 25)')
plt.legend(); plt.tight_layout(); plt.show()

Cp/Cpk는 분포와 σ 추정 방식에 민감하므로 운영 보고서에 추정법을 명시한다. Rule 1 외의 연속성 규칙은 현장 특성에 맞춰 점진적으로 도입한다.

운영 지표로 확인할 수 있는 변화

관리도와 규칙을 재튜닝하고 CUSUM을 병행하면 평균 탐지 시간(ATD)은 3060% 단축되고, 스크랩·재작업 비용은 1535% 절감될 수 있다. DPMO는 4080% 개선되고 Sigma Level은 0.51.0 상승할 수 있다. 오경보율은 20~40% 저감될 수 있다.

수치 변화 외에도 원인과 결과의 추적성이 강화되고 의사결정이 표준화된다. 교육과 인수인계가 쉬워지며, MSA를 바탕으로 데이터 신뢰도를 높이고 설비·공정 협업 체계를 갖출 수 있다.

관리도, DMAIC, Cp/Cpk를 따로 운영하기보다 MSA 게이팅, 차트와 규칙의 튜닝, 단기·장기 산포의 이원 보고를 표준 절차로 묶어야 한다. 실시간 데이터 인프라 위에서 RCA, 개선, 검증을 반복하는 폐루프가 품질 수준을 지속적으로 끌어올린다.

품질 관리관리도Six Sigma공정능력지수SPC