Ford가 당면한 과제
많은 생산 시설에서 소재 배치 및 개별 부품을 성형하는 데 사용할 수 있는 여러 스탬핑 공정이 있습니다. 여기에는 프로그레시브, 트랜스퍼 공정 및 탠덤 프레스 라인이 포함됩니다. 주어진 부품 설계의 경우 재료 유형, 두께, 부품 너비 및 원하는 표면 마감과 같은 최상의, 또는 가장 효율적인 스탬핑 공정을 결정하기 위해 많은 요소가 관련됩니다.
올바른 공정 선택의 성공과 실패는 제조 공정 엔지니어의 경험 수준과 전문 지식에 크게 의존합니다. 그러나 설계 복잡성과 비 전통적인 재료 유형 및 수많은 공정 조합으로 인해 공정 엔지니어들이 큰 어려움을 겪을 수 있습니다.
재료 활용은 특히 중요한 벤치마크입니다. 대부분의 자동차 공장은 스탬핑 공장에서 약 60%의 재료만 쓰이고, 나머지 40%는 낭비됩니다. Ford의 목표는 이러한 재료 활용을 효율적으로 하는 동시에 올바른 스탬핑 공정 선택을 초기에 개선하고 FTT(First Time Through) 비율을 높이는 것이었습니다.
이러한 목표를 달성하기 위해 Ford는 성공적인 생산 운영과 관련된 방대한 양의 데이터를 문서화하고 축적하기 시작했습니다. 5년 동안 공정 엔지니어는 수천 개의 부품에 대한 성공적인 스탬핑 공정 데이터를 모았습니다. 과거 데이터에서 귀중한 정보들을 알 수 있었지만, 주어진 부품 설계에 가장 적합한 스탬핑 공정 선택을 자동화하고 안내하기 위해서 이 데이터를 어떻게 사용할 수 있는지 방법을 찾아야했습니다.
알테어의 솔루션
Ford는 비즈니스 목표를 지원하기 위한 알테어의 머신러닝 및 예측 분석 솔루션을 적용할 가능성을 알아보기 시작했습니다.
Ford의 스탬핑 도메인 전문가와 알테어의 솔루션 설계자는 Knowledge Studio를 통해 정확하고 안정적인 머신러닝 모델을 함께 개발하면서, Ford가 수집한 3,000개 이상의 스탬핑 공정 데이터를 활용했습니다.
Knowledge Studio는 사용자가 자신의 데이터에 가장 적합한 모델을 탐색, 선택 및 훈련할 수 있도록 15가지 다른 머신 러닝 모델을 제공합니다. 팀은 데이터의 하위 집합을 사용하여 어떤 것이 가장 효과적인지 결정하기 위해 일련의 테스트를 실행했고, 90% 이상의 정확도로 의사 결정 트리 모델이 가장 일관된 결과를 생성했습니다. 이 과정에서 놀라운 결과가 나왔습니다. 최적의 스탬핑 공정을 선택함에 있어 가장 중요한 요소는 완성된 부품의 전체 치수와 두께입니다. 이러한 요소만으로는 최종 결정을 내리기에 충분하지 않지만, 다른 모든 데이터 포인트와 결합할 때 Knowledge Studio의 머신 러닝 알고리즘은 Ford에게 100%에 가까운 결과를 제공했습니다.
결과
Knowledge Studio의 머신 러닝 예측 기능은 스탬핑 공정 선택을 자동화하는 데 매우 정확하고 성공적인 것을 입증 받았습니다. 수동 시행착오 공정 검증 및 재작업을 최소화함으로써 스탬핑 공정 엔지니어가 가장 어렵고 복잡한 부품 설계를 처리하는 데 더 많은 시간을 할애할 수 있게 되었고, 생산 효율성과 비즈니스 가치를 더욱 향상시킬 수 있었습니다.
전반적으로 예상 처리량이 3배 증가하고 FTT 속도가 증가하여 재작업 시간이 단축되었으며, 이 모든 것이 리소스의 증가 없이 달성되었습니다.
또한 Knowledge Studio 머신러닝 모델은 Ford의 사내 도메인 지식을 캡처하여 신입직원 교육을 위한 더 빠른 학습 곡선을 지원하는 데 효과적이었습니다.