FOMs 기반 병목 분석을 통한 제조 리드타임 및 공정 가시성 최적화 : K사 콘택트렌즈 생산 라인 사례를 중심으로

2.1 배치 생산 시스템의 병목 특성

배치 생산 시스템은 동일한 공정 조건을 공유하는 제품을 일정 단위로 묶어 처리함으로써 생산 효율성과 공정 안정성을 확보하는 대표적인 제조 방식이다^[7]. 특히, 콘택트렌즈와 같은 정밀 화학 및 사출 기반 산업에서는 설비 세팅 시간(setup time)과 공정 조건의 일관성 유지가 중요하기 때문에 배치 생산 방식이 널리 적용된다. 그러나 배치 생산 시스템은 공정 간 높은 상호 의존성을 가지며, 선행 공정의 지연이 후속 공정의 대기 시간 증가로 확산되는 구조적 특성을 가진다^[9]. 이러한 특성은 특정 공정 또는 자원에 부하가 집중되는 병목 현상을 유발하며, 이는 전체 제조 리드타임 증가의 주요 요인으로 작용한다.

Fig. 2는 배치 생산 시스템에서의 공정 흐름과 병목 발생 구조를 개념적으로 나타낸 것이다. 공정 간 재공품(work-in-process, WIP)이 특정 공정에 집중될 경우 해당 공정이 병목 자원으로 작용하며, 이는 생산 흐름의 지연과 비효율을 초래한다. 기존 연구에 따르면 배치 생산 환경에서의 리드타임 지연은 물리적 가공 시간 보다 공정 간 대기 시간, 설비 전환, 자원 활용 불균형 등에 의해 크게 영향을 받는다. 따라서 병목 관리는 개별 설비의 성능 향상뿐만 아니라 공정 간 흐름을 통합적으로 분석하는 접근이 요구된다.

Fig. 2

Schematic framework of sequential stagnation causal structure

2.2 기존 제조 운영 관리 방법론과의 비교 및 한계점

제조 현장의 효율을 측정하기 위해 기존에 활용되어 온 대표적인 방법론으로는 제약이론(TOC), 설비종합효율(OEE), 그리고 제조실행시스템(MES/APS) 등이 있다. 그러나 다품종 배치 생산을 수행하는 중소기업 현장에서 TOC는 전체 프로세스의 처리량 증대를 위해 병목을 관리하지만, 주로 정적 부하 분석이나 시뮬레이션에 의존하여 실시간 4M 변동성을 반영하는 데 한계가 있다. OEE는 개별 설비의 가동률과 성능을 측정하는 데 유용하나, 공정과 공정 사이에서 발생하는 대기나 자재 공급 불균형에 따른 연쇄적 병목을 식별하지 못하는 수직적 분석에 머문다. MES 및 APS는 생산 실적 기록과 스케줄링에 최적화되어 있으나, 수집된 로우 데이터가 병목 식별 알고리즘과 직접적으로 연계되지 않아 데이터와 현장 간의 단절 문제가 지속된다.

2.3 본 연구의 차별성: FOMs 기반 흐름 지능화

Table 1은 기존 방법론과 FOMs의 학술적 영역을 대조하여 나타낸 것이다. 기존의 제조실행시스템(MES)이 개별 작업의 실적 디지털화에 치우치고, 설비종합효율(OEE)이 단일 설비의 가동률 향상에만 집중되어 공정 간 연쇄적 병목을 식별하지 못했다면, 제안하는 FOMs는 현장의 모든 변동성을 통합 4M 흐름(integrated 4M flow) 관점에서 실시간 추적한다. 즉, FOMs는 현장의 여러 종류의 데이터들을 수집하여 표준 관리 코드로 변환한 후, 가동 부하와 대기 재공 수량을 결합한 동적 지연 비중(DR) 및 병목 지수(BI)를 실시간 산출함으로써, 자본 집약적 설비 투자 없이도 공정 가시성과 전체 리드타임의 안정성을 확보할 수 있는 독창적 역할을 수행한다.

Table 1

Academic differentiation between conventional operations management methods and FOMs (proposed model)

특히, 독창적으로 제안하는 동적 지연 비중(dynamic delay ratio, DR) 지수는 기존의 정적인 가동률 지표와 달리, 공정 간 상호작용에 의해 실시간으로 변화하는 병목의 강도를 정량화한 FOMs만의 고유 지표이다. 이는 사후적인 실적 집계를 넘어, 리드타임 변동성을 유발하는 미세한 정체 구간을 실시간으로 포착할 수 있는 운영 지능화의 핵심 도구로서 학술적 독창성을 갖는다.

2.4 FOMs 기반 운영관리와 데이터 구조화

기존의 제조실행시스템(MES) 및 KPI 기반 관리 방식은 생산 현장의 운영 정보를 체계적으로 관리하고 공정 상태를 모니터링하는 데에는 중요한 역할을 해 왔지만, 공정 간 연계성과 시간적 변동성을 반영한 데이터 활용도는 다소 떨어지는 것도 현실이기도 하다. 본 연구에서는 이러한 흐름을 바탕으로 FOMs를 기반으로 한 데이터 중심의 운영관리 체계를 제안한다^{[10, 11]}. FOMs는 제조 현장의 4M 요소에서 발생하는 데이터를 통합적으로 수집하고, 이를 표준화된 관리 코드로 구조화하여^{[8, 12]} 공정 운영 상태를 정량적으로 표현하는 시스템이다. Fig. 3은 FOMs 기반 리드타임 분석 프레임워크를 나타낸다. 해당 프레임워크는 다차원 데이터 수집 단계와 이를 운영 지표로 변환하는 분석 단계로 구성되며, 공정에서 발생하는 다양한 이벤트를 일관된 기준의 데이터로 변환하는 구조를 가진다. 공정에서 발생하는 데이터를 Table 2 FOMs 기반의 운영관리 코드 체계로 정의할 수 있다. 불량(#3000)과 운영이상(#4000)을 구분하여 관리함으로써, 제품 단위의 품질 문제와 공정 조건 이상을 분리하여 분석할 수 있도록 한다. 이러한 데이터 구조화는 공정 상태를 표준화된 형태로 표현함으로써 공정 간 상호작용을 반영한 분석을 가능하게 하며, 병목 원인의 정량적 식별을 위한 기반을 제공한다. 이렇게 구축된 4M 통합 데이터셋은 단순히 공정 상태를 실시간으로 모니터링하는 수단을 넘어, 리드타임의 시간적 변동성을 유발하는 비가동 및 이상 요인을 정량적으로 포착하고 이를 능동적으로 제어하기 위한 운영 지능화의 핵심 분석 토대로 기능한다^{[13, 14]}.

Fig. 3

Architecture for data-driven operations management via FOMs integration

Table 2

FOMs-based process operation data code system

2.5 데이터 기반 운영 가시성과 리드타임 개선

제조 시스템에서 운영 가시성은 공정 상태를 실시간으로 파악하고 생산 흐름을 효과적으로 관리하기 위한 핵심 요소로 인식되고 있다. 배치 생산 환경에서는 공정 간 대기 시간과 자원 활용 불균형이 리드타임에 큰 영향을 미치기 때문에, 공정 전반의 흐름을 통합적으로 파악할 수 있는 가시성 확보가 중요하다. 데이터 기반 운영관리 체계는 공정 상태를 정량적으로 표현함으로써 병목 구간의 식별과 원인 분석을 지원하며, 이를 통해 생산 흐름의 개선을 가능하게 한다. 특정 공정에 재공품이 집중되는 현상은 병목 발생의 주요 원인이며, 이를 실시간으로 파악하는 것이 리드타임 관리의 핵심이다. Table 3은 기존 운영관리 방식과 데이터 기반 운영관리 접근의 특징을 비교한 것이다.

Table 3

Comparison of operations management methods

이와 같은 데이터 기반 운영 가시성 확보는 공정 간 대기 시간과 비가동 요인을 효과적으로 관리할 수 있도록 하며, 제조 리드타임의 단축과 예측 가능성 향상에 기여한다. 또한 실시간 공정 추적을 통해 납기 대응 능력과 운영 의사결정의 정확성을 향상시키는 기반을 제공한다. 마지막으로 기존 연구들이 개별 공정의 성능 개선에 초점을 두고 있는 반면, 공정 간 상호작용을 반영한 데이터 구조화와 병목 분석을 통합적으로 수행한다는 점에서 차별성을 가진다.

3.1 연구 접근 프레임워크: 운영 지능화 기반 최적화

본 연구는 콘택트렌즈 K사를 대상으로 제조 공정의 고도화를 위해 실시간 현장 데이터와 관리 지표를 유기적으로 동기화하는 운영 지능화 방법론을 제안한다. 방법론의 핵심은 제조 현장에서 발생하는 4M 속성을 디지털 관리 코드인 FOMs로 구조화하고, 이를 통해 리드타임 지연의 근본 원인인 병목(bottleneck) 구간을 정량적으로 식별하여 제어하는 데 있다. Fig. 4는 연구 접근 프레임워크 및 단계별 최적화 흐름도이다. 이러한 접근은 기존 연구들이 주로 시뮬레이션 기반의 가상 환경에서 원가와 납기의 상충 관계를 분석했던 것과 차별화된다.

Fig. 4

Research framework and phase-wise optimization flow

3.2 제조 자산 정보의 디지털화 및 4M 데이터 매핑 체계

배치 생산 환경인 콘택트렌즈 공정에서 운영 가시성을 확보하기 위한 첫 번째 단계는 물리적 생산 자산을 디지털 정보 모델로 전환하는 것이다. 고질적인 수기 관리 체계를 극복하기 위해 핵심 생산 자산인 금형(mold)과 설비(machine)의 동적 매핑 체계를 구축하였다. 디지털 자산 정체성 확립을 위해 기존의 불투명한 이력 관리를 개선하기 위해 약 500여 종의 금형에 고유 식별자(QR code)를 부여하였다. 이를 통해 금형의 제작 정보뿐만 아니라 실시간 누적 타수, 잔여 수명, 유지보수 주기 등을 디지털 자산 정보 모델로 관리한다. 또한 이벤트 기반 데이터 동기화를 위해 설비의 PLC 시그널과 금형의 QR 스캔 이벤트를 결합하였다. 설비의 압력이나 전압 변화가 감지되는 순간, 해당 공정에 투입된 작업자, 자재, 공정 표준 데이터를 하나로 묶어 4M 데이터셋으로 구조화한다. 특히, 데이터의 동기화 품질을 확보하기 위해 모든 이벤트 발생 시 1초 단위의 정밀 타임스탬프를 부여하고, PLC 가동 시그널의 변화 시점과 QR 스캔 데이터 간의 시차를 0.5초 이내로 제어하는 유효성 검증 로직을 적용함으로써 물리적 현상과 디지털 데이터 간의 정합성을 극대화하였다. 이러한 동기화 체계는 현장에서 발생하는 금형 교체, 셋업 대기, 이상 정지 등의 물리적 현상을 1분 단위의 시계열 데이터로 정밀하게 복제함으로써, 리드타임 내에 존재하는 비부가가치 시간을 객관적으로 추출하는 실무적 기반을 제공한다.

3.3 FOM 관리 코드 체계의 응용 및 정량적 정의

FOMs는 공장의 지능형 운영을 지원하는 핵심 분석 엔진으로 기능한다. 표준 관리 코드를 리드타임 지연의 성격과 인과 관계에 따라 새롭게 재구성하였으며, 이는 관리자가 공정의 역동성을 수치로 이해하는 기준이 된다. 구체적으로, 리드타임 구성 요소를 4가지 코드로 범주화 하였다. 유효 가동 시간은 #1000 코드로 정의되며, FOMs는 이를 기반으로 공정의 순수 생산 시간을 산출하여 이론적 리드타임의 베이스라인으로 활용한다. 반면, 전체 리드타임 연장의 주요 원인인 비부가가치 시간은 #2000(설정/대기)과 #4000(운영 이상) 코드로 엄격히 분리하여 관리한다. 이러한 코드 기반의 구조화는 복합 공정 흐름 속에서 발생하는 시간 손실의 성격을 규명하게 해주며, 각 코드의 시계열 합산을 통해 전체 리드타임을 구성하는 각 요소의 점유율을 도출하는 분석 알고리즘의 토대가 된다. 이러한 내용은 Table 4와 같이 정리할 수 있다.

Table 4

Functional definition and calculation logic of FOM management codes for lead-time analysis

3.4 병목 분석 알고리즘 및 리드타임 최적화 프로세스

구조화된 FOM 데이터셋을 기반으로 리드타임을 최적화하는 과정은 정량적 식별 - 원인 분석 - 개선 활동 - 검증으로 이어지는 4단계 알고리즘에 의해 수행된다. 본 연구에서는 공정 경로 중 생산 흐름을 가로막는 지점을 도출하기 위해 지연 비중(delay ratio, DR) 지표를 도입하였다. 전체 제조 리드타임(LTtotal)은 Table 4의 4가지 코드의 시계열 합산으로 식별되며 식 (1)과 같이 표현된다. 제조 리드타임을 산출하는 구체적인 기준은 원자재가 1차 사출(molding) 공정의 최초 입력(input) QR코드에 스캔되는 시점을 시작점으로 삼으며, 최종 멸균 및 포장 공정을 완료하고 완제품 물류창고 입고 QR코드에 인식되는 시점까지의 총 누적 소요 시간(분 단위)으로 정의한다.

특정 공정에서 발생하는 비가동 및 이상 요인의 합산 시간을 전체 생산 리드타임으로 나누어 공정별 지연 비중 강도를 수치화한 것이 식 (2)이다.

여기서 분자로 설정된 T#2000,i와 T#4000,i는 표준화된 가공 시간 T#1000에 비해 현장의 관리 불확실성과 가변성이 가장 큰 항목이기에 병목 식별의 핵심 매개변수가 된다. 이와 함께 가동률(U)과 재공품(WIP) 수준을 결합하여 실시간 병목의 심각도를 나타내는 병목 지수(BI)는 식 (3)으로 정의한다.

최우선 개선 대상은 BIi 값이 가장 높은 공정으로 규정하며, 사출 공정의 DR 지수 분석을 통해 정보의 비가동 요인을 식별하는 단계로 이어진다. K사의 사출 공정에서 비정상적으로 높은 수치가 발견되었으며, 이를 해소하기 위해 지연 요인 분해 분석(root cause granularity analysis)을 실시하였다. Table 5에서 K사의 병목 구간 식별을 위한 사출 공정 설정 시간(#2000)의 세부 요인 분석한 내용이다.

Table 5

Granularity analysis of molding setup time(#2000) for bottleneck identification

#2000 코드 데이터 중 ‘금형 탐색 및 이동’ 시간이 전체 셋업의 45%를 차지하고 있음을 확인하였다. 이는 금형 창고의 위치 정보 부재와 수기 기록의 불일치에서 기인한 병목이었다. 이에 따라 QR 코드 기반 실시간 위치 추적과 ‘금형 사전 준비 시스템’을 최적화 시나리오로 적용하였다. 이는 설비 가동 종료 전 다음 배치를 위한 금형을 미리 셋업 구역으로 이동시키는 Single Minute Exchange of Die (SMED) 기법의 디지털화된 형태이다. 또한, #4000 코드 데이터를 분석하여 자재 공급 주기를 생산 속도와 동기화함으로써 공정 대기 시간을 최소화하였다. 이러한 최적화 프로세스는 비생산적 요소를 제거하는 실천적 Plan-Do-Check-Act (PDCA) 구조를 형성하여 리드타임을 단축한다. Fig. 5는 이를 도식화하였다.

Fig. 5

PDCA-based bottleneck analysis and lead-time optimization process

3.5 연구 성과 지표 및 검증 모듈

연구 방법론의 유효성은 K사의 실제 제조 현장에서 확보된 실증 데이터를 통해 검증된다. 성과 측정의 핵심 평가지표는 리드타임 단축률로 설정하였으며, 평균 8.2일의 초기 상태와 FOMs 프레임워크 적용 후의 최적화 상태를 식 (4)로 비교하여 산출한다.

이와 더불어 데이터 가시성의 확보 수준을 측정하기 위해 비가동 지연 비중의 감소 폭과 리드타임의 표준편차 변화를 종합적으로 분석한다. 표준편차의 감소는 공정의 예측 가능성이 향상되었음을 의미하며, 이는 배치 생산의 안정성을 대변하는 중요한 지표이다. K사의 실증 분석을 통해 도출된 리드타임 단축 성과는 단순한 개별 공정의 속도 향상이 아니라, 데이터 가시성을 기반으로 한 전체 공정 흐름의 병목 제어와 금형 자산 정보의 최적 활용이 결합된 결과임을 입증한다. Table 6은 이러한 지표를 바탕으로 도출된 실증 성과를 요약한다.

Table 6

Summary of performance metrics and empirical verification based on company K

4.1 사례 연구 개요 및 공정 환경의 특수성

실증적 효용성을 검증하기 위해, 콘택트렌즈 제조기업 K사를 대상으로 사례 연구를 수행하였다. K사는 다변화된 수요에 대응하기 위해 약 300여 종 이상의 재고 품목을 관리하고 있으며, 이는 빈번한 공정 교체와 금형의 관리 복잡성을 야기한다. K사의 생산 공정은 사출, 탈형, 수화, 검사, 멸균 및 포장으로 이어지는 연쇄적 배치 구조를 가진다. 실증 전 가장 큰 제약은 공정 간 동기화 부재에 따른 리드타임의 불확실성이었다. 특히, 핵심 자산인 금형의 이력과 상태 정보를 작업자의 주관적 판단이나 수기 기록에 의존함에 따라, 공정 교체 시 금형을 탐색하고 세팅하는 과정에서 발생하는 비부가가치 시간이 전체 리드타임의 상당 부분을 점유하고 있었다. 데이터의 객관성을 확보하기 위해 개선 전과 후의 데이터 수집 기간을 각각 3개월로 통일하였다. 또한, 개선 전 총 420개 배치(batch), 개선 후 총 445개 배치를 최종 분석 대상으로 확정하여 비교 분석을 진행하였다.

4.2 FOM 기반 병목 식별 및 다차원 데이터 분석

4.2.1 지연 비중(DR) 산출을 통한 병목 공정 도출

지연 비중 지수 식 (2)와 병목 지수 식 (3) 등을 활용하여 K사의 3개월간(2025년 9~11월) FOM 시스템을 통해 수집된 총 12,500여 건을 대입하여 산출하면 Table 7과 같다.

Table 7

Quantitative data-driven process indicators and bottleneck identification results

사출 공정의 DR 지수가 45.0%로 임계치를 크게 상회하며 1차 병목 구간으로 식별되었다. 이는 사출 공정이 단순 가공 시간보다 금형 교체나 대기 등 비부가가치 활동에 의해 리드타임이 결정되고 있음을 정량적으로 증명한다. 그리고 BI 지수는 단순 시간적 지연 비중(DR)을 넘어, 물리적인 흐름의 정체 심각성을 정량적으로 판정하는 결정적 기여를 수행하였다. 최종 산출된 병목 지수(BI)는 2.91로 전 공정 중 압도적인 최고치를 기록하였다. 이는 2차 병목 구간인 멸균/포장 공정(BI = 1.58)과 비교해도 약 1.84배 높은 수치이다. 탈형/수화 공정이나 검사 공정의 경우 일부 지연(DR)이 발생하더라도 재공 수량이 각각 12.5개, 4.2개 수준으로 완충 범위 내에 존재하여 BI 지수가 각각 1.01, 0.61의 안정적인 수치로 수렴되었다. 결과적으로 BI 지수는 설비 부하율과 재공 축적도를 결합하여 대기 정체의 한계점을 정밀하게 짚어냄으로써, 사출 공정 리드타임 단축을 위한 ‘최우선 개선 대상(primary bottleneck)’으로 선정하는 객관적이고 정량적인 근거를 제시하였다.

4.2.2 비가동(#2000) 요인의 원인 분석(drill-down)

식별된 사출 공정의 병목 원인을 규명하기 위해 FOM #2000(비가동) 데이터를 지연 요인 분해 분석 기법으로 심층 분석하였다. 분석 결과, #2000 코드 시간 중 금형 탐색 및 이동이 45.8%, 금형 장착 및 초기 세팅이 32.1%, 초기 시출 및 승온 대기가 22.1%를 차지하였다. 특히, 금형 탐색 시간이 과도하게 높은 이유는 금형 보관 창고의 위치 정보가 시스템화되지 않아 작업자가 매번 물리적으로 금형을 확인해야 하는 정보의 비가동 상태였기 때문으로 판명되었다. 이는 설비의 기계적 결함이 아닌, 현장 자산 정보의 부재로 인해 발생하는 전형적인 ‘데이터 단절 지연(data-disconnection delay)’ 상태임을 정량적으로 입증하는 결과이다. Fig. 6은 사출 공정의 세부 지연 요소이다.

Fig. 6

Granularity analysis of setup downtime (#2000) for bottleneck identification

4.3 FOM 솔루션을 활용한 최적화 프로세스

4.4 실증 결과 및 리드타임 최적화 성과 검증

1차 병목(primary bottleneck)인 사출 공정의 비가동 요인(#2000)을 QR 기반 자산 가시화 및 디지털 SMED 체계로 제어했을 때, 이것이 전체 제조 리드타임 단축에 미친 실질적 영향력을 규명하는 데 있다. 본 연구에서 제안한 프레임워크 적용에 따른 전체 KPI 변화는 Table 8과 같다. 분석 결과 모든 지표에서 유의미한 개선이 관측되었다.

Table 8

Process-level improvement actions and contributions

Table 8의 성과 중 리드타임 단축에 직접적인 영향을 미친 핵심 지표의 전･후 대비 결과는 Fig. 7과 같다. 특히, 금형 탐색 시간(mold search time)의 극적인 변화는 ‘데이터 단절 지연’ 해소의 실증적 증거가 된다. 금형 탐색 및 이동 시간이 기존 49.6분에서 4.2분으로 91.5%나 획기적으로 단축되었다는 사실이다. 이는 앞서 지적한 정보의 비가동 문제가 QR 코드 매핑을 통한 디지털 가시성 확보만으로도 원천적으로 제거될 수 있음을 시사한다. 비부가가치 시간의 58.2% 감소는 공정 간 흐름의 불연속성을 해소하는 트리거(trigger)로 작용하였다.

Fig. 7

Comparison of key quantitative performance metrics before and after optimization

이러한 데이터 동기화는 전체 생산 흐름을 안정화하는 촉매제로 작용하여, 최종적으로 전체 리드타임의 26.0% 단축과 품질 불량률의 0.02%p 감소라는 실증적 성과를 견인하였다. 이는 FOMs 기반의 병목 제어가 배치 공정 특유의 불확실성을 획기적으로 제거하여, 공정의 안정성을 베이스라인 대비 2배 이상 높였음을 의미한다.

4.5 결과 고찰 및 학술적 시사점

본 실증 연구는 FOM 표준 관리 코드를 단순한 실적 집계용이 아닌, 공정의 물리적 한계를 돌파하는 운영 지능화 도구로 재정의하였다. 특히, 리드타임 최적화를 위해 원가 배부 로직이 아닌 자산 상태 기반의 병목 제어 알고리즘을 적용한 점은 학술적으로 큰 의미를 가진다. 또한, 리드타임의 절대적 길이 단축과 더불어 표준편차를 절반 이하로 줄인 점은 배치 생산의 고질적 문제인 연쇄적 지연을 데이터 기반으로 차단했음을 시사한다. 이는 제조 소공인이 불확실한 경험적 예측에서 벗어나 정교한 데이터 가시성을 바탕으로 안정적인 생산 계획을 수립할 수 있는 운영 지능화의 토대를 마련한 것이다.

결론적으로, 제조 소공인이 처한 가시성 부재의 문제를 FOM 솔루션과 QR/PLC 데이터 연동을 통해 해결할 수 있음을 입증하였다. 이는 스마트 제조로의 전환을 고민하는 중소기업들에게 대규모 설비 투자 없이도 데이터 기반의 운영 최적화만으로 생산 경쟁력을 획기적으로 높일 수 있는 실증적 가이드를 제공한다.