신뢰성 공학으로 수명 예측과 고가용성 설계를 연결하는 방법

수명 데이터와 시스템 설계를 함께 다뤄야 하는 이유

신뢰성 목표는 고장 이력만 분석해서도, 구조를 이중화해서도 충분히 달성되지 않는다. 제품과 시스템의 수명 데이터를 해석하고, 구성 요소가 연결된 방식을 계산하며, 시험 결과를 사용 조건으로 연결해야 한다. Weibull Distribution, Reliability Block Diagrams(RBD), Accelerated Life Testing(ALT)은 이 흐름을 각각 맡는 도구다.

Weibull 분포는 비수선품(non-repairable) 수명 데이터를 위한 모수적 모델이다. 형상계수 β와 척도계수 η를 사용해 고장률(hazard)의 변화 형태를 표현하며, 검열(censoring) 데이터도 포함해 추정할 수 있다. 추정에는 MLE 또는 베이지안 방법을 적용한다.

RBD는 시스템을 신뢰성 블록과 연결 구조로 표현한다. 직렬, 병렬, k-out-of-n 구조에 따라 구성품의 신뢰도를 시스템 신뢰도 또는 가용성으로 전파해 계산하고, 최소 절단집합(minimal cut set)을 바탕으로 중요도를 분석할 수 있다.

ALT는 온도·전압·하중 같은 응력을 높여 고장을 빠르게 발생시키는 시험 설계다. 짧은 기간에 수명 분포를 추정한 뒤 Arrhenius, Eyring, Inverse Power Law 같은 가속 모델로 사용 조건에 외삽한다.

데이터에서 운영 정책까지 이어지는 분석 기반

분석의 출발점은 고장시간, 검열 정보, 사용 조건, 모드 분류(FRACAS)다. 결함 모드와 응력 정보는 함께 수집해야 하며, 이상치와 오표기를 정정하고 가능한 경우 모드를 분리해 경쟁위험으로 분해한다. 데이터 라인리지와 버전 관리도 이 단계에 포함된다.

수명 데이터에는 Weibull, Lognormal, Exponential 같은 후보 분포를 적합할 수 있다. ADF, K-S, PP-Plot으로 적합도를 확인하고, MLE·Bayesian 추정과 부트스트랩·피셔 정보를 이용해 신뢰구간을 계산한다. 수렴이 실패하면 재매개변수화 또는 사전분포 적용을 검토한다.

RBD에서는 블록별 신뢰도 Ri(t)를 입력받아 Series, Parallel, k-out-of-n 연결에 따른 Rs(t)를 구한다. 다만 구성 요소 의존성이나 공통원인고장(CCF)이 있으면 단순 RBD만으로는 부족할 수 있다. 이 경우 FTA, 마르코프 모델, 시뮬레이션으로 보완한다.

ALT 계획에서는 Arrhenius를 온도에, Eyring을 복합 조건에, IPL을 전압·하중에 적용할 수 있다. 응력 수평과 샘플 수, 시간 또는 고장 수 기준의 검열 전략을 정하고, 가속 과정에서 고장 모드가 보전되는지 검증해야 한다.

이 결과는 설계 여유 분석, 보증기간 산정, 교체와 예방정비 정책으로 이어진다. 필드 데이터가 들어오면 모델을 갱신하고 drift를 감지하며 CAPA를 실행한다.

제품과 인프라에서의 적용 방식

전자부품 보증기간은 수명 데이터를 모아 Weibull의 β와 η를 추정한 뒤, 목표 불량률 이하가 되는 보증기간 tB를 산출하는 방식으로 정한다. R(tB) ≥ 1−q 조건을 확인하고 보증 비용과 재고 정책에 연결한다.

서버 인프라의 고가용성 설계에서는 구성품 MTBF와 MTTR을 추정한 뒤 RBD로 활성-대기 또는 N+1 구조를 모델링한다. 계산된 가용성 A를 바탕으로 SLA 99.95% 달성 여부를 판단하고 병렬화와 스페어 수를 결정한다.

배터리 모듈은 온도와 전류 응력을 설계하고, Arrhenius+IPL 하이브리드 가속 모델로 시험을 수행할 수 있다. 파라미터를 추정한 뒤 사용 조건으로 외삽해 사용 온도에서 η_use를 구하고, 열화 메커니즘이 동일한지 확인한다.

분석은 적합·구조 해석·가속 시험을 반복한다

⤢✕

기대할 수 있는 품질·비용·운영 변화

초기 고장률은 15~~30% 감소하고 목표 신뢰수준 달성 확률은 높아질 수 있다. ALT를 적용하면 수명 추정 리드타임을 40~~70% 단축할 수 있다.

보증비용은 10~25% 절감할 수 있으며, 스페어와 冗長성 최적화는 TCO 절감으로 이어진다. 운영 측면에서는 SLA를 99.9%에서 99.95%로 상향하고 계획정비율을 높여 비가동 손실을 줄이는 효과를 기대할 수 있다.

각 방법이 답하는 질문은 다르다

항목	Weibull 분석	RBD	ALT
성능	수명/고장률 추정 정확도 우수(충분 표본·모드 보전성 가정)	시스템 수준 신뢰도·가용성 평가에 적합	단기간 데이터로 외삽 성능 확보
확장성	대용량·검열 데이터 처리 용이(전용 툴 활용)	대규모 구성요소 구조도 확장 가능	병렬 시험·다수 응력 조합 확장 가능
일관성	검증된 분포·추정 절차, 재현성 높음	구조 모델 명시로 해석 일관성 확보	가속 모델·모드 보전성 확보 시 일관성
안정성	과적합·수렴 실패 시 대안 분포로 보강	의존성/CCF 모델링 시 안정성 향상	과가속 리스크 관리 필요
운영 편의	표준 툴 체계, 자동 리포팅 용이	설계 변경 영향 분석 신속	시험 계획·실행 자동화로 운영화 가능

단순화와 현실성 사이의 판단

Weibull 모델은 2-파라미터(β, η)를 기본으로 두고, 3-파라미터(γ, 위치)는 물리적 오프셋 근거가 있을 때 적용한다. 검열 비율이 50%를 넘으면 베이지안 또는 부트스트랩을 병행한다. 단일 분포는 해석이 단순하지만, 초기 고장과 마모기가 섞여 있으면 혼합모형 또는 경쟁위험 모델이 더 정확할 수 있다.

RBD는 계산과 설계 변경 영향 분석이 빠르다는 장점이 있다. 공통원인고장에는 베타인자(β-factor)를 적용하고, 유지보수 정책(MTTR)을 반영한 가용성 분석을 함께 수행한다. 계산 편의성은 높지만, 의존성을 충분히 반영하려면 마르코프 모델이나 시뮬레이션의 복잡성을 감수해야 한다.

ALT는 단계적 응력 상승(Step-stress)과 중간점 검토로 모드 보전성을 확인하며, DoE로 응력수준을 최소화하는 방식이 적합하다. 시험 기간을 줄이는 대신 과가속으로 새로운 고장모드가 생길 위험을 관리해야 한다.

데이터 운영에서는 모드 분류 기준과 데이터 라인리지·버전 관리를 정하고, 필드와 시험 데이터에 일관된 코드 체계를 적용한다. 수집 항목을 늘리면 비용은 커지지만 분석 유연성은 확보된다.

Weibull 신뢰도 계산과 검열 데이터 적합

β=1.5, η=2000 h, 임무시간 t=1000 h라고 가정한다.

t/η = 1000/2000 = 0.5
(t/η)^β = 0.5^1.5 ≈ 0.353553
R(t) = exp(−0.353553) ≈ 0.702
MTTF = η·Γ(1+1/β) = 2000·Γ(1+2/3) = 2000·Γ(5/3) ≈ 2000·0.902745 ≈ 1805.5 h

Python 3.11, lifelines>=0.28, numpy, pandas 환경에서는 다음과 같이 검열 데이터를 포함해 Weibull을 적합할 수 있다.

# pip install lifelines numpy pandas
import numpy as np
import pandas as pd
from lifelines import WeibullFitter

# 예시 데이터: duration=시간, event=고장(1)/검열(0)
df = pd.DataFrame({
    "duration": [120, 340, 560, 800, 900, 1100, 1500, 1700, 2200, 2500],
    "event":    [1,   1,   1,   1,   0,    1,    0,    1,    0,    0]
})

wf = WeibullFitter()
wf.fit(df["duration"], event_observed=df["event"])

beta = wf.rho_          # 형상계수 β
eta = wf.lambda_**(1/beta)  # 척도계수 η (lifelines 내부 파라미터 변환)

t = 1000.0
R_t = np.exp(- (t/eta)**beta)
print(f"beta={beta:.3f}, eta={eta:.1f}, R(1000h)={R_t:.3f}")

모드가 혼재하면 모드별 분리 적합을 권장한다. 수렴하지 않을 때는 초기값 조정과 단조 변환을 적용한다.