심층 분석: Fresnillo, Lean Six Sigma로 은 회수율 증대

사람들은 화폐, 보석류, 도구, 집 장식용으로 매일 은을 사용합니다. 그러나 은은 또한 태양에너지와 정수에서부터 사진과 전자제품에 이르기까지 다양한 산업 분야에서 중요하게 사용되고 있습니다.

은은 매년 수천억 온스를 초과하는 수요를 창출하고 세계 경제를 유지하는 데 있어 중요한 역할을 하며, 그 중 대부분은 멕시코에서 가장 큰 귀금속 매장량을 보유하고 있는 광산 업체인 Fresnillo Plc에서 생산됩니다.

Zacatecas에 위치한 Saucito 광산은 회사에서 가장 수익성이 높은 광산 중 하나로, 매출의 75% 이상을 은 채굴로 벌어들입니다.

Fresnillo는 광산의 은 회수율을 높일 방안을 찾으면서 몇 가지 독특한 문제에 직면했습니다. 은을 더 많이 만들 수 없는데 어떻게 품질을 저하시키지 않으면서 생산량을 늘릴 수 있는가? 통제할 수 없는 원자재의 회수율을 어떻게 높일 수 있는가?

답은 데이터에 있었습니다. 프로젝트 팀은 Lean Six Sigma 방법론과 Minitab Statistical Software의 도움으로 광산의 은 회수율 변동의 근본 원인을 식별하고, 회수율을 예측하는 방정식을 만들고, 동적 한계에 기반한 새로운 프로세스를 구현하여 최종 제품의 등급을 보호하면서 생산량을 극대화했습니다.

대부분의 은은 다른 금속이 포함된 광석에서 발견되기 때문에 이러한 금속을 가공하는 과정에서 부산물로 발생합니다. Saucito 광산에서는 납과 아연 함유 광석에서 은을 회수하는데, 이를 위해서는 두 가지 별도의 정련 공정을 거쳐야 합니다.

Fresnillo Plc는 품질 저하 없이 은 생산량을 극대화하기 위해 Saucito 광산의 회수 공정을 평가했습니다. Minitab Statistical Software를 사용한 데이터 분석으로 광산의 월 수익이 200만 달러 이상 증가했습니다.

먼저 광석을 다공성 원료로 분쇄하고 가공하여 납을 추출합니다. 이 과정에서 은도 많이 추출됩니다. 그런 다음 남은 물질을 처리하여 아연을 제거하고 남은 것은 은의 2차 공급원입니다. 불순물이 제거된 후 두 공정의 은 생산량이 광산의 최종 은 회수율을 결정합니다.

통제할 수 없는 원광석의 품질은 함유된 은의 회수율과 등급에 중요한 역할을 합니다. 그러나 분석에 따르면 회사는 최종 은 정광에 영향을 주지 않고 은 회수율을 2%까지 높일 수 있다는 사실이 밝혀졌고, 프로젝트 팀은 바로 그 작업에 착수했습니다.

이제 팀은 제어 가능한 변동 원인을 식별하고, 은 회수율을 높이고, 폐기물을 줄이고, 은 온스당 생산 비용을 줄이기 위한 변화를 구현해야 했습니다.

Saucito 광산의 기술자들은 관리 차트를 사용하여 핵심 성과 지표와 생산 결과를 모니터링합니다. Minitab Statistical Software를 사용한 데이터 분석을 통해 광산의 은 회수율이 2% 증가하고 월간 수익이 200만 달러 이상 증가했습니다.

프로젝트 리더이자 Lean Six Sigma Black Belt인 Román Cruz는 "가능한 모든 원인을 통합하는 것이 우리가 직면한 가장 중요한 과제였죠."라면서 "Minitab을 통해 수많은 변수를 분석함으로써 전체 프로젝트의 방향을 설정할 수 있었습니다."라고 말합니다.

팀은 납 추출 과정에서 은과 납을 분리하는 원료, 물, 공기, 화학 시약 등 여러 변수 간의 관계를 동시에 평가하는 실험 설계(DOE)라는 통계 기법을 적용했습니다.

Cruz는 “일부 상호작용은 우리가 이전에 인식하지 못했던 효과를 만들어냈죠.”라면서 "DOE 결과를 통해 우리는 프로세스를 조정하고 개선할 수 있었습니다."라고 부언합니다.

팀은 ZnSO4, Promoter 7310과 Frothers 시약이 은 회수율과 등급 모두에 상당한 영향을 미친다는 사실을 발견했습니다. 팀은 두 반응 변수에 대한 등고선 플롯을 작성하여 세 가지 시약 간의 관계를 조사했습니다.

등고선 플롯은 2차원에서 3차원 관계를 표시합니다. 위의 플롯에서 반응 값을 나타내는 등고선을 보면 X 및 Y 눈금에 표시된 높은 수준의 시약이 은 회수율을 최대화한다는 것을 알 수 있습니다.

은 회수율과 등급에 대한 등고선 플롯은 상충되는 결과를 보여주었습니다. Frothing 시약에 대한 높은 설정은 회수를 위한 최적의 솔루션을 제공하는 반면, Frothing 시약을 최소화하면 등급에 대한 최상의 결과를 얻을 수 있습니다. Minitab의 Response Optimizer를 사용하여 이러한 다양한 요구 사항을 조정함으로써 최대 은 회수율을 보장하고 목표 은 등급인 13,500g/ton을 달성하는 설정을 찾았습니다.

최적화된 설정을 찾는 것은 올바른 방향으로 나아가는 단계였지만, 광산의 자동 제어 시스템은 여전히 원하는 목표를 달성하지 못했습니다. 가설 검정과 Gage RR 연구를 사용하여 많은 잠재적인 변동 원인을 제거한 후, 팀은 납광석에서 불순물을 제거하는 동안 공기 흐름과 시약을 관리하는 광산의 분배 제어 시스템(DCS)에 집중했습니다.

작업자는 자신의 재량에 따라 DCS의 시약 설정을 선택했습니다. 초기 분석에 따르면 각 기술자가 선택한 설정은 매우 다양했습니다. 시약 설정의 수정과 납 농축물의 은 등급을 판단하기 위한 개별 기준은 DCS의 목표 달성 능력에 영향을 미치는 주요 요인이었습니다.

팀은 Minitab의 회귀 분석을 사용하여 이 결과를 검증할 수 있었습니다. 납 추출 후 남은 은의 등급은 원광석의 등급과 밀접한 관련이 있기 때문에 원료 등급을 기준으로 최종 은 정광의 예상 등급을 예측할 수 있습니다. 하지만 같은 등급의 원재료로 생산된 최종 정광을 살펴보면, 같은 등급의 원재료라도 정광에 서로 다른 등급의 은이 포함되어 있는 것으로 나타났습니다. 이 불일치를 통해 기술자가 재량에 따라 선택한 설정이 결과의 가변성에 기여하고 있음이 입증되었습니다.

회귀 분석을 통해 생성된 방정식은 위의 적합선 플롯으로 표현됩니다. 플롯은 원료 등급과 최종 농축물 간의 관계를 보여줍니다.

프로젝트 팀은 Minitab의 결과를 사용하여 새로운 DCS 모델을 생성하고 이를 제어 시스템에 프로그래밍했습니다. 새로운 모델은 납 제거 공정에 들어가는 원은의 등급에 따라 시약을 수정하고, 납 정광의 은 상태 레벨을 사용하여 최종 정광의 은 등급을 최적화했습니다. 기술자는 자체 판단에 의지하는 대신 통계 모델을 활용함으로써 최적의 투여량당 시약 추가 비용을 12% 절감함으로써 비용과 낭비 요소를 모두 줄였습니다.

성능 분석을 통해 개선 사항이 추가로 검증되었으며, Saucito 광산이 은 회수율 목표를 달성했음이 입증되었습니다. Fresnillo의 월 수익이 200만 달러 이상 늘어난 증가율이었습니다. 이러한 변화로 인해 평균 회수율이 87%에서 89%로 증가하고 등급 이하 은이 68% 감소했습니다.

구현된 변경 전후의 은 회수 공정의 성능 비교는 위의 Minitab Assistant 보고서에 요약되어 있습니다. 분석은 공정 평균을 목표에 더 가깝게 이동하고 표준 편차를 대폭 줄임으로써 상당한 개선이 이루어졌음을 보여줍니다.