품질경영-MSA / Gage R&R의 통계적 메커니즘과 현업 적용 가이드

안녕하세요, 품질쟁이 해월입니다.

앞서 공정의 능력을 평가하는 Cpk와 Ppk에 대해 깊이 있게 다루어 보았습니다. 하지만 우리가 현장에서 Minitab(미니탭)을 돌려 얻은 데이터 자체가 흔들리고 있다면, 그 데이터로 계산한 Cpk와 Ppk를 과연 신뢰할 수 있을까요? 저는 NO라고 자신있게 답 합니다 

아무리 좋은 설비와 완벽한 공정을 갖추고 있더라도, 제품을 측정하는 '측정기(Gage)'와 그것을 측정하는 '사람(Appraiser)'에게 변동이 있다면 품질 데이터는 왜곡될 수밖에 없습니다. 진짜그럴가 하시겠지만 현장에서 많이 사용하는 버니어켈리퍼스를 2명의 사람에게 똑같이 측정을 시켜보면 하나의제품도 다른 측정값이나옵니다. 더하여 신입사원과 장기숙련자의 차이는 매우 큽니다.

그래서 글로벌 자동차 품질 스탠다드(IATF 16949)에서는 공정능력을 평가하기 전, 반드시 측정시스템의 신뢰성을 검증하는 Gage R&R(Gage Repeatability and Reproducibility)을 필수적으로 요구합니다. 이번 시간에는 품질관리자라면 반드시 마스터해야 할 Gage R&R의 개념과 통계적 본질, 그리고 현업에서의 올바른 해석 방향을 정리해 보겠습니다.

1. MSA와 Gage R&R의 출발점: 우리가 보는 변동의 진실

현장에서 제품을 측정했을 때 화면에 찍히는 데이터의 변동(총 변동)은 순수한 제품 자체의 변동만이 아닙니다. 통계적 관점에서 우리가 관측하는 총 변동은 다음과 같이 두 가지 요인의 합으로 나타납니다.

 관측된 총 변동 (Total Variation) = 제품 간 변동 (Part-to-Part) + 측정시스템 변동 (Measurement System)

• 제품 간 변동 (Part-to-Part): 공정의 제조 능력에 따라 부품과 부품 사이에 실제로 존재하는 순수한 품질 산포입니다. 품질관리자가 Cpk를 높이기 위해 궁극적으로 줄여야 하는 핵심 대상입니다.
• 측정시스템 변동 (Measurement System Error): 계측기 자체의 오차나 작업자의 측정 숙련도 차이로 인해 인위적으로 추가된 산포입니다. 이 측정 오차를 분석하고 평가하는 전체적인 활동을 측정시스템 분석(MSA, Measurement System Analysis)이라 부르며, 이 중 계측기의 정밀도를 평가하는 가장 대표적인 도구가 바로 Gage R&R입니다.

2. Gage R&R의 두 축: 반복성(Repeatability)과 재현성(Reproducibility)

Gage R&R의 'R&R'은 측정 오차를 유발하는 두 가지 핵심 통계 요인인 반복성(Repeatability)과 재현성(Reproducibility)의 앞 글자를 딴 것입니다. 이 둘의 차이를 명확히 이해하는 것이 MSA의 시작입니다.

(1) 반복성 (Repeatability, EV: Equipment Variation) - "계측기 오차"

• 정의: 한 명의 작업자가 동일한 계측기를 사용하여, 동일한 부품의 동일한 특성을 짧은 시간 내에 여러 번 반복하여 측정했을 때 발생하는 데이터의 산포입니다.
• 의미: 외부 요인을 모두 통제한 상태에서 순수하게 계측기(기계) 자체가 가지고 있는 내재적 정밀도를 뜻하므로, 설비 변동(EV)이라고도 부릅니다. 반복성이 나쁘다는 것은 계측기 자체의 노후화, 고장, 혹은 셋팅 불량으로 인해 기계가 흔들리고 있다는 신호입니다.

(2) 재현성 (Reproducibility, AV: Appraiser Variation) - "작업자 오차"

• 정의: 서로 다른 작업자들이 동일한 계측기를 사용하여, 동일한 부품을 측정했을 때 작업자 간의 평균치가 치우치면서 발생하는 산포입니다.
• 의미: 측정하는 '사람'이 바뀜에 따라 발생하는 변동이므로, 작업자 변동(AV)이라고도 합니다. 재현성이 나쁘다는 것은 작업자마다 계측기를 다루는 물리적인 위치, 힘의 세기, 눈금을 읽는 기준 등이 서로 다르다는 것을 뜻합니다. 즉, 작업 표준(SOP)의 숙지가 미흡하거나 교육이 부족할 때 발생합니다.

3. 현장 실무자를 위한 Gage R&R 데이터 수집 및 실험 방법

AI나 미니탭 소프트웨어에 데이터를 넣기 전, 품질관리자는 신뢰할 수 있는 데이터를 얻기 위해 표준적인 가이드라인에 맞춰 실험을 설계해야 합니다. 현장에서 가장 널리 쓰이는 표준 교차형(Crossed) Gage R&R 실험법은 다음과 같습니다.

1. 준비 단계: 공정을 대표할 수 있는 부품 10개(Part)를 준비합니다. 이때 부품들은 공정의 실제 산포를 반영할 수 있도록 정상품, 상한치에 가까운 제품, 하한치에 가까운 제품을 고루 섞는 것이 좋습니다.
2. 평가자 선정: 실제 현장에서 측정을 수행하는 작업자 3명(Appraiser, 예: A, B, C)을 선정합니다.
3. 측정 및 반복: 각 작업자는 10개의 부품을 무작위 순서(Randomized)로 2회 또는 3회 반복(Trial)하여 측정합니다. 작업자가 직전에 자신이 몇 mm로 측정했는지 기억하여 선입견이 개입되는 것을 막기 위해, 부품의 번호를 가린 채 무작위로 건네주는 블라인드 테스트 형식을 취해야 합니다.

이렇게 수집된 총 60~90개의 데이터를 미니탭의 통계분석 > 품질 도구 > 측정 시스템 분석 > Gage R&R 연구(교차형)에 입력하면 통계적 성적표가 도출됩니다.

4. Gage R&R 성적표 해석법: %R&R 기준과 구별 범주수(ndc)

미니탭 분석 결과를 받으면 품질 리더는 두 가지 핵심 지표인 %R&R과 구별 범주수(ndc)를 보고 합격 여부를 판단해야 합니다.

(1) %R&R (% 연구 변동, % Study Variation) 기준

총 변동 중에서 측정시스템(반복성+재현성)이 차지하는 비율을 의미하며, 글로벌 자동차 산업(AIAG) 지침서 기준은 다음과 같습니다.

• 10% 미만: 합격 (Acceptable) - 측정시스템이 매우 안정적이며, 이 계측기로 얻은 품질 데이터와 공정능력지수(Cpk)는 100% 신뢰할 수 있습니다.
• 10% 이상 ~ 30% 이하: 조건부 합격 (Marginal) - 응용 분야의 중요도, 계측기 교체 비용, 수리 가능 여부 등을 고려하여 한시적으로 사용할 수 있으나 개선 대책을 수립해야 합니다.
• 30% 초과: 불합격 (Unacceptable) - 측정시스템의 오차가 너무 커서 데이터 자체를 믿을 수 없습니다. 이 상태에서 계산된 Cpk는 착시현상일 뿐이므로 즉시 측정을 중단하고 원인을 개선해야 합니다.

(2) 구별 범주수 (Number of Distinct Categories, ndc) 개정된사항으로 이거 중요합니다 아주~~!!!

• 개념: 측정시스템이 제품의 변동을 얼마나 촘촘하게 나누어 구별할 수 있는지를 나타내는 지표(분해능의 적절성 평가)입니다. 쉽게 말해 제품의 크기가 커지고 작아지는 변화를 측정기가 몇 개의 등급으로 쪼개어 인식할 수 있는가를 나타냅니다.
• 합격 기준: 5 이상이어야 합니다. ndc가 5 미만이라는 것은 계측기의 해상도가 너무 낮아 제품 간의 미세한 품질 차이를 분별하지 못하고 모두 '동일한 값'으로 뭉뚱그려 읽고 있다는 뜻입니다.

5. 품질 리더를 위한 공정 진단 및 의사결정 매트릭스

Gage R&R 분석 결과 불합격(30% 초과) 판정이 나왔다면, 품질 리더는 미니탭 리포트 그래프에서 변동의 기여도가 어디에 쏠려 있는지 확인하고 즉각적이고 비용 효율적인 의방향을 잡아야 합니다.

• 반복성(EV) 변동이 지배적으로 큰 경우:
• 기계 자체의 문제입니다. 현장 작업자들을 다그칠 필요가 없습니다. 계측기의 고정 상태를 점검하거나, 센서를 세척하거나, 교정(Calibration)을 다시 받아야 합니다. 만약 노후화가 심하다면 더 높은 정밀도를 가진 신형 계측기로 교체하는 기술적 투자가 필요합니다.
• 재현성(AV) 변동이 지배적으로 큰 경우:
• 사람의 문제입니다. 값비싼 계측기를 새로 살 필요가 전혀 없습니다. 작업자 A, B, C가 제품을 고정하는 방식이 다르거나, 아날로그 눈금을 바라보는 각도가 다르다는 신호입니다. 이때는 측정 표준 작업서(SOP)를 명확하게 재정립하고, 작업자들을 한데 모아 측정 주기 및 방법에 대한 교육 훈련을 강화하는 것이 정답입니다. 최소한의 비용으로 R&R을 합격 수준으로 떨어뜨릴 수 있는 최적의 해결책입니다.

6. 결론: 올바른 데이터 위에 올바른 품질이 선다

Cpk가 공정이 나아갈 수 있는 '가능성'을 보여주고 Ppk가 냉혹한 '현실'을 보여준다면, Gage R&R은 그 가능성과 현실을 바라보는 '품질관리자의 눈(안경)'과 같습니다. 안경의 렌즈가 뿌옇게 흐려져 있다면 우리가 보는 공정의 모습도 왜곡될 수밖에 없습니다.

현장에서 단순히 "측정기가 잘 작동하니 문제없다"는 식의 주관적인 판단은 위험합니다. 미니탭이나 구형 엑셀 서식을 활용해 정기적으로 Gage R&R을 돌려보고, 눈에 보이지 않는 반복성과 재현성의 오차를 추적해야 합니다. 올바르고 정밀한 측정시스템 구축이야말로 데이터를 기반으로 공정을 제어하는 과학적 품질 경영(SPC)의 견고한 첫 단추입니다. 

제가근무하는 공장 현장에서는 이런 사실을 바탕으로 자동 측정 기계또는 지그에 안착후 측정, 또는 인간의 휴먼에러가 배제되도록 자동측정방식 등을 지속적으로 연구하여 오차와 실수를 줄이는 활동을 합니다 또한 검사 지그 고도화가 이루어 지고 있습니다. 모두가 숙련자가 되는그날까지 화이팅!!