공정능력: Cp와 Cpk 계산에서 개선 조치까지

홈 » 리소스 » 공정능력: Cp와 Cpk 계산에서 개선 조치까지

예상 읽기 시간: 11 분

공정능력은 안정된 제조 공정이 구멍 지름이나 충전 중량과 같은 규정된 요구사항을 얼마나 잘 충족할 수 있는지를 나타냅니다. 공정의 자연 변동을 규격 한계와 비교하는 개념입니다. Cp는 공정의 산포가 공차 범위 안에 얼마나 여유 있게 들어가는지를 나타내며, Cpk는 공정 평균의 위치까지 반영합니다.

이 차이는 중요합니다. 측정값들이 좁은 범위에 모여 있어도 공정이 공차 한계에 지나치게 가까울 수 있습니다. 마찬가지로, 내일 가용 시간이 남는 기계라고 해서 까다로운 형상을 가공하도록 승인된 설비인 것은 아닙니다.

따라서 실효성 있는 공정능력 평가라면 마지막에 두 가지를 결정해야 합니다. 공정에서 무엇을 바꿔야 하는지, 그리고 해당 작업에 어떤 공정 순서를 사용할 수 있는지입니다. SkyPlanner APS는 두 번째 과제를 돕습니다. 승인된 공정 순서와 작업 가능한 작업장 정보를 관리해 두면, 해당 자원을 사용하는 오더의 생산 일정을 수립하고 한정된 생산 능력이 납기에 미치는 영향을 보여줍니다.

Cp와 Cpk 계산 방법

먼저 하나의 측정 특성과 그 특성에 적용되는 규격을 정합니다. 서로 관련 없는 치수를 하나의 지수로 합치지 마세요. 일반적인 정규분포 기반 계산에는 다음 값이 필요합니다.

• USL: 규격 상한으로, 허용되는 최댓값입니다.
• LSL: 규격 하한으로, 허용되는 최솟값입니다.
• 평균: 평가 대상 공정에서 얻은 측정값의 평균입니다.
• 시그마: 개별 측정값의 산포를 나타내는 공정 표준편차의 추정값입니다.

모든 값에는 동일한 단위를 사용하세요. 규격 한계는 해당 제품의 요구사항에서 정하는 것이지, 표본 측정값의 최댓값과 최솟값으로 정하는 것이 아닙니다. 공정의 거동을 나타내는 관리도의 관리 한계와도 구분해야 합니다.

Cp: 공차 폭과 공정 산포 비교

Cp = (USL − LSL) / (6 × sigma)

분자는 공차 폭입니다. 분모는 정규분포 모형에서 통상 사용하는 공정 산포의 폭으로, 평균을 기준으로 양쪽으로 각각 표준편차의 3배만큼 뻗은 범위입니다.

Cp는 공정 평균이 두 규격 한계의 중앙에 있다면 이 산포가 공차 안에 들어갈 수 있는지에 답합니다. 실제로 공정 평균이 그 중앙에 있는지는 알려주지 않습니다.

Cpk: 더 가까운 규격 한계까지의 거리 확인

Cpk = min[(USL − mean) / (3 × sigma), (mean − LSL) / (3 × sigma)]

양쪽 값을 모두 계산한 뒤 더 작은 값을 택합니다. 그쪽이 규격 한계까지의 여유가 더 적은 쪽입니다. 따라서 Cpk는 공정의 산포와 평균 위치를 모두 반영합니다.

같은 데이터와 시그마 추정값을 사용하면 Cpk는 Cp보다 클 수 없습니다. 평균이 규격 상한과 하한의 중앙에 있을 때 두 값이 같아집니다. 두 값에 차이가 있다면 공정 평균이 중앙에서 벗어나 있다는 뜻이지, 공정이 안정적이라는 증거는 아닙니다.

실무에서 이 값들은 표본으로 계산한 추정값이며, 정확히 알려진 모집단의 값이 아닙니다. 시그마를 어떤 방법으로 추정했는지 명시하세요. 군내 변동과 전체 변동을 구분해 보고하는 일반적인 관례에서는 Cp와 Cpk에 군내 변동 추정값을 사용하고, Pp와 Ppk에는 전체 변동을 사용합니다. 규격이 그대로여도 추정 방법을 바꾸면 결과가 달라질 수 있습니다.

규격 한계가 한쪽에만 있다면?

해당하는 단측 지수를 사용하세요. 상한만 있으면 Cpu = (USL − mean) / (3 × sigma), 하한만 있으면 Cpl = (mean − LSL) / (3 × sigma)를 사용합니다. 양측 지수인 Cp를 계산하려면 규격 상한과 하한이 모두 필요합니다. 공식을 적용하기 위해 존재하지 않는 요구사항을 만들어 넣지 마세요.

특성에 자연적으로 존재하는 경계가 곧 규격 한계인 것은 아닙니다. 음수가 될 수 없는 특성이라면 위의 정규분포 모형 계산 대신 비정규분포 분석이 필요할 수도 있습니다.

계산 예시: Cp는 높지만 Cpk는 낮은 경우

가공 구멍 지름의 규격 하한과 상한이 각각 19.90 mm와 20.10 mm라고 가정해 보겠습니다. 적절한 평가를 통해 평균은 20.04 mm, 군내 표준편차 추정값은 0.020 mm로 나왔습니다. 이는 설명을 위한 가상의 값이며, 고객의 실제 측정값이 아닙니다.

공차 폭은 0.20 mm이고, 시그마의 6배에 해당하는 산포 폭은 0.120 mm입니다.

Cp = (20.10 − 19.90) / (6 × 0.020) = 1.67입니다. 결과는 반올림한 값입니다.

이제 평균을 기준으로 양쪽을 각각 확인합니다.

• 상한 측 지수: (20.10 − 20.04) / (3 × 0.020) = 1.00.
• 하한 측 지수: (20.04 − 19.90) / (3 × 0.020) = 2.33. 결과는 반올림한 값입니다.
• Cpk는 두 값 중 작은 값인 1.00입니다.

산포는 비교적 좁지만 공정 평균이 상한에 너무 가까워 공차 범위를 충분히 활용하지 못하고 있습니다. Cp만 보고하면 이 문제가 드러나지 않습니다.

표준편차가 그대로인 상태에서 평균이 20.00 mm로 이동한다면, 반올림한 값으로 Cp는 1.67을 유지하고 Cpk는 1.67로 높아집니다. 따라서 평균을 공차 중앙에 맞추는 방안을 개선책으로 검토할 만합니다. 다만 오프셋을 바꿔도 변동이 그대로 유지된다는 보장은 아닙니다. 조정한 공정은 새로운 데이터로 검증하세요.

Cp 자체가 합의된 요구 수준에 못 미친다면 평균을 중앙에 맞추는 것만으로는 해결되지 않습니다. 공구, 자재, 셋업 또는 환경에서 확인된 변동 원인을 해소하는 등의 방법으로 산포도 줄여야 합니다. 공정을 바꾸기 전에 원인부터 조사하세요.

Cpk는 어느 정도여야 좋은가?

Cpk가 1.00이면 평균에서 더 가까운 규격 한계까지의 거리가 추정 표준편차의 3배라는 뜻입니다. 1.33은 흔히 쓰이는 기준값이지만 모든 경우에 적용되는 승인 기준은 아닙니다. 요구되는 값은 고객, 특성, 위험도, 적용되는 품질 요구사항에 따라 달라집니다.

소프트웨어에 표시되는 색상만 보지 말고, 합의된 기준에 따라 결과를 해석하세요.

• Cpk가 요구값 미만인 경우: 평가에서 확인된 여유가 부족합니다. 평가의 타당성을 확인한 뒤 평균 위치, 변동 또는 둘 모두를 개선하세요.
• Cpk가 요구값 이상인 경우: 결과를 생산의 근거로 인정하기 전에 평가 조건과 통계적 불확실성을 검토하세요.
• Cpk가 0인 경우: 평균이 규격 한계에 있습니다.
• Cpk가 음수인 경우: 평균이 규격 한계를 벗어나 있어, 더 가까운 한계 쪽의 계산값이 음수가 됩니다.

Cpk를 양품 비율이나 보장된 불량률로 해석하지 마세요. 지수로 예상 불량률을 구하려면 분포와 안정성에 대한 가정뿐 아니라 양쪽 규격 한계의 위치도 필요합니다. Cpk 값 하나만으로는 전체 상황을 알 수 없습니다.

또한 Cpk는 별도로 정해진 설계 목표값에 얼마나 가까운지를 직접 측정하지 않습니다. 산포와 양쪽 규격 한계가 고정되어 있다면 평균이 공차 중앙에 있을 때 Cpk가 최대가 됩니다. 설계 목표값이 공차 중앙과 다르다면 Cpk를 최대화하려고 공정 평균을 옮기기보다, 목표값을 얼마나 잘 달성하는지도 함께 평가하세요.

수치를 신뢰하기 전에 평가부터 점검하세요

계산 자체는 대개 어렵지 않습니다. 더 어려운 문제는 측정값이 앞으로 운영하려는 공정을 제대로 나타내는지 판단하는 것입니다.

용도에 맞는 측정 시스템 사용

측정 방법이 해당 특성을 충분히 구분해 낼 수 있는지, 측정 오차가 판단에 허용되는 수준인지 확인하세요. 교정도 중요하지만 편의, 반복성, 작업자나 측정 방법에 따른 차이도 중요합니다. 측정 시스템 분석은 측정에 의한 변동과 제조 공정의 변동을 구분하는 데 도움이 됩니다.

계량형 데이터로 Cp/Cpk를 평가할 때는 실제 측정값을 사용하세요. 양품과 불량품의 개수로는 구멍 지름, 중량 등 측정 특성의 분포를 대신할 수 없습니다.

판단이 적용될 조건을 반영해 표본 수집

제품 리비전, 특성, 공정 순서, 설비, 셋업 및 관련 생산 조건을 정의하세요. 언제 어디서 측정했는지도 기록합니다. 공구 하나, 작업자 한 명, 자재 한 로트로 단기간 생산한 결과만으로 다른 조건에서의 공정능력까지 입증되는 것은 아닙니다.

데이터는 시간 순서대로 수집하세요. 합리적 부분군을 사용하는 경우, 부분군 내 변동이 파악하려는 단기 공정 변동을 나타내도록 측정값을 묶고, 분석을 통해 부분군 간 변화도 드러나도록 해야 합니다. 지수를 높이려고 데이터를 다시 묶거나 불리한 측정값을 알리지 않고 제외해서는 안 됩니다.

서로 다른 기계, 캐비티 또는 셋업에서 얻은 데이터를 합치기 전에는 이들이 하나의 공정을 나타내는지 확인하세요. 데이터를 합친 히스토그램은 별도로 조사해야 할 수준 변화나 서로 다른 분포의 혼재를 가릴 수 있습니다.

예측에 앞서 안정성 확인하기

적절한 관리도와 공정에 대한 지식을 바탕으로 변화, 추세, 특별원인을 조사하세요. 히스토그램은 결과의 분포를 보여 주지만 시간 순서는 보여 주지 않습니다. 히스토그램만으로는 안정성을 확인할 수 없습니다.

공정이 안정적이어도 공차를 충족할 능력은 부족할 수 있습니다. 반대로 불안정한 공정에서 공정능력 추정치가 좋게 나왔다고 해서 향후 생산 결과를 신뢰할 만하게 예측할 수 있는 것은 아닙니다. 지수를 근거로 현재 상태를 그대로 유지해도 된다고 판단하지 말고, 공정을 안정시킨 뒤 다시 평가하세요.

분포와 불확실성 확인하기

일반적인 공식은 정규분포 모형을 사용합니다. 데이터와 분포의 적합성을 검토하고, 특성 자체가 비정규분포를 따른다면 타당한 근거가 있는 변환이나 적절한 비정규 공정능력 분석 방법을 사용하세요. 정규성 검정을 통과할 때까지 관측값을 제거하는 것은 해결책이 아닙니다.

분석 목적과 적용 요건에 맞춰 표본 크기와 데이터 수집 기간을 계획하세요. 유난히 유리한 조건에서 한 차례 생산한 데이터라면 관측값이 충분해도 중요한 변동을 놓칠 수 있습니다. 표본이 작으면 지수 추정치의 불확실성도 커지므로, 합격 판정에 필요한 경우 신뢰구간이나 신뢰하한을 검토하세요.

보고서를 읽는 사람이 결과를 올바르게 해석할 수 있도록 규격의 개정 버전, 분석 조건, 샘플링 계획, 시그마 추정 방법, 안정성 근거, 분포 분석 방법, 지수 추정치, 합의된 합격 기준을 명시하세요. 이런 세부 정보가 있어야 다음 담당자가 그 수치로 실제로 무엇을 판단할 수 있는지 이해할 수 있습니다.

Cp/Cpk, Pp/Ppk, Cm/Cmk는 서로 대체할 수 없습니다

군내 변동과 전체 변동을 구분하는 일반적인 관례에서 Cp와 Cpk는 추정된 공정 내 변동을 사용해 공정능력을 나타냅니다. Pp와 Ppk는 분석 데이터 전체의 표준편차를 사용합니다. 두 지수 쌍 모두 산포를 규격과 비교하며, Cpk와 Ppk는 평균의 위치도 반영합니다.

Ppk가 Cpk보다 눈에 띄게 낮다면 군내 변동 추정치에 잡히지 않은 부분군 간 변동이 있다는 신호일 수 있습니다. 시간 순서에 따른 양상과 변동 원인을 조사하세요. 어떤 지수를 사용하든 불안정한 데이터가 신뢰할 만한 예측으로 바뀌지는 않습니다. 전체 변동을 사용하는 지수도 실제로 표본을 수집한 조건만 대표합니다.

Cm과 Cmk는 기계능력 분석에 사용하는 지수입니다. 이 분석은 보통 기계 자체의 영향을 분리해 파악할 수 있도록 통제된 조건에서 수행합니다. 따라서 일상적인 여러 요인의 영향을 받는 생산 공정을 분석하는 것과는 범위가 다릅니다.

명칭과 계산 관례는 표준, 산업, 분석 소프트웨어에 따라 다를 수 있습니다. 보고서를 비교할 때는 공식이 비슷한지만 보지 말고 분석 목적, 데이터, 변동 추정치와 추정 방법을 확인하세요. 기계능력 분석 결과에 이름만 바꿔 붙여 전체 생산 공정의 근거로 사용할 수는 없습니다.

승인된 공정을 생산 계획에 반영하기

품질 부서가 분석을 평가한 뒤에는 실무에 적용할 결론이 명확해야 합니다. 어떤 제조 방법을 어떤 조건에서 사용할 수 있는지, 어떤 모니터링이나 시정조치가 필요한지가 분명해야 합니다. 품질 관리 절차에 따라 승인 내용과 그 범위를 기록하세요.

그다음 해당 결정에 따라 허용된 공정 순서와 자원을 생산 계획 담당자에게 전달하세요. 승인된 방법은 기계만으로 결정되지 않을 수 있습니다. 공구, 프로그램, 자재, 셋업, 운전 조건도 중요할 수 있습니다. 작업장별 작업 가능 여부를 설정하는 것은 그 결정을 실행하는 한 부분일 뿐, 관련된 모든 생산 관리를 대신하지는 않습니다.

보어 가공에 사용할 수 있도록 승인된 설비가 특정 머시닝센터 한 대뿐이라고 가정해 보겠습니다. 다른 머시닝센터에는 여유 시간이 있지만 이 공정에 대한 적격성은 확인되지 않았습니다. 그쪽으로 오더를 옮기는 것은 승인된 조건을 지키면서 생산 능력 문제를 해결하는 방법이 아닙니다. 생산 계획 담당자는 이미 납기를 약속한 다른 작업과 함께, 해당 작업을 적격한 머시닝센터에서 처리할 수 있는지 확인해야 합니다.

SkyPlanner로 적격 자원에 작업 일정 배정하기

SkyPlanner APS는 이렇게 관리하는 공정 순서를 바탕으로 유한 용량을 반영한 생산 일정을 수립합니다. 공정 단계, 소요 시간, 작업 가능한 작업장과 함께 교대조, 생산 능력, 선후행 관계, 우선순위를 정의하세요. 스케줄링 인공지능 Arcturus가 설정된 자원에 공정을 배정합니다. 간트 타임라인에서는 작업이 언제 예정되어 있고 다른 오더와 어떻게 맞물리는지 확인할 수 있습니다.

생산 계획 담당자는 공정 순서의 제약을 일일이 기억하고 기계별 대기 작업을 수작업으로 조정하는 데 쓰는 시간을 줄일 수 있습니다. 승인된 자원에 부하가 몰리면 납기에 미치는 영향이 일정에 드러납니다. 빈 기계라면 어디든 작업을 맡길 수 있다고 가정하는 대신, 우선순위를 바꾸거나 적격 자원의 작업 시간을 늘리는 방안을 검토할 수 있습니다.

통계적 평가는 품질 관리 절차 안에서 수행하세요. 여기서 SkyPlanner의 역할은 사용자가 관리하는 승인된 공정 순서 정보를 활용해 일정을 수립하는 것입니다. Cpk 값으로 적격성을 추론하거나 승인 상태를 자동으로 갱신하는 것이 아닙니다. 품질 부서가 다른 자원을 승인하면 사용 가능한 자원이 공정 순서에 반영되도록 정보를 갱신하고, 추가된 생산 능력을 일정에 반영하세요.

Claude, ChatGPT 또는 Microsoft Copilot처럼 사용 중인 인공지능 어시스턴트를 통해서도 작업할 수 있습니다. 어시스턴트와 SkyPlanner를 잇는 MCP로 연결하면 됩니다. 이번 주에 특정 승인 작업장을 두고 어떤 오더들이 경합하는지 등 파악하고 싶은 내용을 요청하세요. 어시스턴트는 SkyPlanner 데이터와 제품 지식을 결합해 대기 작업을 살펴보고 허용된 스케줄링 기능을 사용하도록 도울 수 있습니다. 생산 우선순위에 대한 통제권은 유지하면서 필요한 정보를 찾는 수고를 줄일 수 있습니다.

SkyPlanner는 개방형 REST API를 통해 모든 ERP 또는 MES와 연동됩니다. 기존 시스템을 그대로 유지하면서 스케줄링에 필요한 오더 및 생산 데이터를 연결할 수 있습니다.

자원 배정을 개선한 실제 사례

판금 위탁 제조업체 KJH-Comp는 ERP와 스프레드시트로 대략적인 주간 부하는 파악했지만, 일 단위로 기계에 작업을 배정하는 일은 여전히 수작업으로 처리했습니다. 이 회사는 C9000 ERP를 유지하면서 유한 용량 스케줄링을 위해 SkyPlanner를 도입했습니다. 해당 고객 사례에서는 기계 자동 배정과 함께, 특정 절곡기의 생산 능력을 작업량이 초과하는 상황을 더 일찍 파악하게 된 경험을 소개합니다.

이 사례는 스케줄링의 이점을 보여 줍니다. 주간 합계에 묻히던 개별 자원과 납품 가능 시점을 확인할 수 있게 된 것입니다. KJH-Comp의 Cp/Cpk 결과에 관한 주장은 아닙니다. 공정능력에 따라 사용할 수 있는 자원이 제한된 공정 순서에서도 핵심 질문은 같습니다. 허용된 자원에서 작업을 언제 완료할 수 있을까요?

승인된 공정 순서로 계획 검증하기

Cp와 Cpk로 공차, 산포, 평균 위치의 관계를 파악하세요. 적절하게 설계된 분석을 통해 그 근거가 생산에 어떤 의미를 갖는지 판단하세요. 그런 다음 승인된 공정 순서를 담당자가 기억해야 하는 메모로 남겨 두지 말고, 일정 수립 시 실제로 적용되는 제약으로 반영하세요.

승인된 공정 순서 하나와 해당 작업이 가능한 작업장, 현재 오더 부하를 준비해 SkyPlanner 데모를 예약하세요. 작업을 일정에 어떻게 배치할 수 있는지, 약속한 납기 중 주의가 필요한 것은 무엇인지 확인해 보세요. 먼저 직접 살펴보고 싶다면 데모 데이터로 SkyPlanner를 체험하거나 SkyPlanner 어시스턴트에서 인공지능이 지원하는 ‘시작하기’ 기능을 이용해 보세요.