설비의 고장시간 T(TT)는 무엇을 의미하나요?

고장시간 T는 설비가 운전을 시작한 시점부터 요구되는 기능을 더 이상 수행할 수 없게 되는 시점까지의 시간을 의미하는 확률변수입니다.

같은 모델의 설비라도 고장시점이 서로 다른 이유는 무엇인가요?

제조 편차, 조립상태, 윤활상태, 운전하중, 온도, 진동 등의 차이 때문에 같은 모델의 설비라도 고장시점은 서로 다르게 나타납니다.

고장시간을 확률변수 T로 정의하면 어떤 분석들이 가능한가요?

특정 시간까지 생존할 확률, 특정 시간 이전에 고장날 확률, 평균수명, 중앙수명, 순간고장률, 특정 신뢰도에서의 예상수명 등을 분석할 수 있습니다.

Ⅱ. 고장분포 및 통계분석

2026년 9월 20일 읽는 시간 약 11분

Ⅱ-1. 고장시간 데이터의 구조

설비의 신뢰성을 정량적으로 평가하려면 먼저 고장이 언제 발생했는지를 나타내는 고장시간 데이터를 정확하게 정의해야 한다. 단순히 “몇 번 고장났는가”를 세는 것만으로는 설비의 수명 특성을 충분히 설명할 수 없다.

예를 들어 동일한 펌프 10대에서 각각 1,000시간, 2,000시간, 2,100시간, 2,150시간에 고장이 발생했다면 고장 횟수만으로는 설비의 특성을 파악하기 어렵다. 반면 고장 발생시간을 확률변수로 취급하면 고장이 어느 시점에 집중되는지, 시간이 지날수록 위험이 증가하는지, 특정 수명 이전에 조기고장이 발생하는지 등을 분석할 수 있다.

따라서 고장시간 데이터는 이후의 Weibull 분석, 고장률 추정, 수명예측, 예방정비 주기 결정의 기초자료가 된다.

1. 설비 고장시간을 확률변수로 정의하는 방법

설비의 고장시간을 $T$ 라는 확률변수로 정의할 수 있다.

여기서 $T$ 는 설비가 운전을 시작한 시점부터 요구되는 기능을 더 이상 수행할 수 없게 되는 시점까지의 시간을 의미한다.

예를 들어 새로운 베어링 20개를 동일한 조건에서 운전했을 때 각각 고장시간이 다르게 나타난다면, $T_1,T_2,T_3,\cdots,T_{20}$

이라는 서로 다른 수명자료가 만들어진다.

중요한 점은 모든 설비의 수명이 동일하지 않다는 것이다.

제조 편차, 조립상태, 윤활상태, 운전하중, 온도, 진동 등의 차이 때문에 같은 모델의 설비라도 고장시점은 서로 달라진다.

따라서 신뢰성공학에서는 특정 설비의 수명을 하나의 고정된 숫자로 보기보다 확률적으로 분포하는 값으로 취급한다.

이렇게 정의된 $T$ 를 이용하면 다음과 같은 분석이 가능하다.

특정 시간까지 생존할 확률
특정 시간 이전에 고장날 확률
평균수명
중앙수명
순간고장률
특정 신뢰도에서의 예상수명

즉, 고장시간을 확률변수로 정의하는 것이 수명분석의 출발점이다.

2. 수명자료와 일반 측정자료의 통계적 차이

설비 신뢰성 데이터가 일반적인 품질측정 데이터와 다른 가장 중요한 이유는 관측이 고장이라는 사건과 연결되어 있기 때문이다.

예를 들어 제조공정에서 측정한 축의 직경이 20.01 mm, 20.03 mm, 19.98 mm와 같이 기록된다면 각각의 측정값 자체가 분석 대상이다.

하지만 수명자료에서는 “얼마나 오래 사용했는가”가 핵심이다.

특히 문제가 되는 것은 관측기간이 끝났는데도 고장하지 않은 설비다.

예를 들어 10,000시간 동안 시험했지만 어떤 베어링이 10,000시간까지 고장하지 않았다면 실제 수명이 정확히 10,000시간이라는 의미가 아니다.

단지,

적어도 10,000시간 이상은 생존했다.

라는 정보만 얻을 수 있다.

이러한 자료를 검열자료(Censored Data)라고 한다.

따라서 수명자료에서는 단순 평균 계산만으로는 충분하지 않으며, 이후 분석에서 검열 여부를 반드시 고려해야 한다.

3. 고장 발생시간과 누적운전시간의 관계

현장에서 기록하는 시간에는 여러 종류가 있다.

예를 들어,

달력상 설치 후 경과시간
실제 운전시간
정지시간을 제외한 순수 운전시간
고장 후 수리까지 걸린 시간

등이 서로 다를 수 있다.

신뢰성 분석에서는 무엇을 시간의 기준으로 삼았는지 명확하게 정의해야 한다.

예를 들어 펌프가 설치된 지 2년이 되었더라도 실제 운전시간이 6,000시간이라면 단순히 “설치 후 2년 만에 고장”이라고 기록하는 것과 “6,000 운전시간 후 고장”이라고 기록하는 것은 분석 결과가 달라질 수 있다.

특히 간헐적으로 운전되는 설비에서는 달력시간보다 누적운전시간이 실제 열화와 더 밀접한 관계를 가질 수 있다.

따라서 신뢰성 데이터베이스를 구축할 때는 최소한 다음 정보를 구분하는 것이 좋다.

구분	의미
설치일	설비가 현장에 설치된 날짜
운전시작일	실제 운전을 시작한 날짜
누적운전시간	실제 작동한 시간
고장시점	기능상실이 발생한 시점
수리시간	복구에 소요된 시간
재가동시점	수리 후 다시 운전을 시작한 시점

이 구분이 정확해야 이후 MTBF, 수명분포, 고장률을 제대로 산정할 수 있다.

4. 고장자료에서 관측단위와 분석단위 설정

같은 고장자료라도 무엇을 하나의 관측단위로 정의하느냐에 따라 분석 결과가 달라질 수 있다.

예를 들어 하나의 생산라인에 모터 10대가 설치되어 있다고 하자.

모터를 분석단위로 설정하면 각각의 모터에 대해 고장시간을 기록한다.

반면 베어링을 분석단위로 설정하면 모터 안에 있는 각각의 베어링 수명을 별도로 기록해야 한다.

즉,

설비 → 구성품 → 부품 → 고장모드

중 어느 수준에서 데이터를 분석할 것인지 먼저 결정해야 한다.

이것을 잘못 설정하면 서로 다른 고장 메커니즘을 하나의 데이터 집합으로 섞게 된다.

예를 들어 베어링 마모고장과 전동기 절연고장을 모두 “모터 고장”이라는 하나의 사건으로 묶으면 실제 고장분포의 특성이 왜곡될 수 있다.

따라서 전문적인 신뢰성 분석에서는 분석목적에 맞는 관측단위를 먼저 정의하는 과정이 필요하다.

5. 설비별 고장간격 데이터의 구성방법

수리 가능한 설비에서는 한 번 고장했다고 분석이 끝나지 않는다.

수리 후 다시 운전하고, 다시 고장할 수 있기 때문이다.

예를 들어 어떤 펌프의 운전기록이 다음과 같다고 하자.

고장 순서	고장까지 운전시간
1차	2,100시간
2차	1,700시간
3차	2,450시간
4차	1,900시간

이 경우 각각의 고장 사이에 존재하는 고장간격(Time Between Failures)을 분석할 수 있다.

하지만 여기에서 중요한 문제가 있다.

1차 고장과 2차 고장은 동일한 설비에서 발생했지만, 정비 이후 설비 상태가 완전히 동일하다고 보장할 수 없다.

따라서 반복고장자료에서는

정비내용
교체부품
운전조건
고장원인
정비 후 초기상태

등을 함께 기록해야 한다.

이러한 자료가 축적되면 단순 MTBF 계산을 넘어 반복고장 추세와 신뢰성 개선 여부까지 분석할 수 있다.

6. 동일 설비에서 반복적으로 발생하는 고장의 데이터 구조

반복고장은 신뢰성 분석에서 상당히 중요한 문제다.

예를 들어 같은 펌프가

진동 증가 → 베어링 교체 → 정상운전 → 다시 진동 증가 → 재교체

를 반복한다고 생각해보자.

이 경우 단순히 “베어링이 두 번 고장했다”고 기록하면 중요한 정보가 사라진다.

실제로는

고장이 반복되는 근본적인 원인이 제거되지 않았을 가능성

을 검토해야 한다.

예를 들어 베어링 자체의 품질 문제가 아니라

축 정렬 불량
과도한 하중
윤활 부족
공진
기초 진동
설치오차

등이 반복고장의 원인일 수 있다.

따라서 반복고장 데이터는 단순한 고장횟수보다 고장 발생순서와 고장간격의 변화를 함께 보는 것이 중요하다.

고장간격이 $2,000 \rightarrow 1,500 \rightarrow 900 \rightarrow 600$

시간처럼 계속 짧아진다면 설비의 열화가 심화되고 있을 가능성을 검토해야 한다.

반대로 $500 \rightarrow 1,200 \rightarrow 2,000 \rightarrow 3,000$

시간처럼 증가한다면 정비개선이나 설비개조에 따른 신뢰성 향상 가능성을 분석할 수 있다.

7. 고장자료의 표본 크기가 분석결과에 미치는 영향

신뢰성 분석에서는 데이터가 많다고 항상 좋은 것도 아니고, 적다고 분석할 수 없는 것도 아니다.

문제는 표본이 적을수록 추정결과의 불확실성이 커진다는 것이다.

예를 들어 고장자료가 단 3개뿐이라면 Weibull 형상모수나 평균수명을 추정할 수는 있지만, 그 결과를 설비 전체의 특성으로 일반화하기에는 상당한 불확실성이 존재한다.

반면 수백 건의 고장자료가 축적되면 분포의 형태와 고장률 추세를 보다 안정적으로 파악할 수 있다.

그러나 데이터 개수만 늘리는 것도 충분하지 않다.

서로 다른 설비·운전조건·고장모드를 무작정 하나의 데이터 집합에 넣으면 표본 수는 많아지지만 분석의 품질은 오히려 떨어질 수 있다.

따라서 표본 크기와 함께 다음을 확인해야 한다.

동일한 설비군인가?
동일한 운전조건인가?
동일한 고장정의인가?
동일한 정비정책이 적용됐는가?
동일한 고장모드인가?

즉, “많은 데이터”보다 “동질적인 데이터”가 신뢰성 분석에서 더 중요할 수 있다.

8. 고장자료의 평균·분산·중앙값을 해석하는 방법

고장자료를 처음 분석할 때 가장 먼저 계산하는 값이 평균과 중앙값이다.

평균수명은 $\bar{T}=\frac{1}{n}\sum_{i=1}^{n}T_i$

로 계산할 수 있다.

하지만 평균 하나만으로 설비의 수명 특성을 판단하면 위험하다.

예를 들어 고장시간이

1,000 / 1,100 / 1,200 / 1,300 / 6,000시간

이라고 하면 평균은 크게 증가하지만 대부분의 설비는 1,000~1,300시간 사이에 고장하고 있다.

이때 중앙값은 데이터의 가운데 값을 나타내므로 평균과 상당히 다른 정보를 제공한다.

또한 분산은 데이터가 평균으로부터 얼마나 퍼져 있는지를 나타낸다.

$Var(X) = E(X^2) – [E(X)]^2$

$Var(X)=(\text{1.4})^2=\text{1.96}$ Var(X)=(1.4)2=1.96

$\sigma$ σ

$\sigma$ σμ-σ+σVar(X) ≈ 1.96

피드백 보내기

따라서 전문적인 수명자료 분석에서는

평균 → 중앙값 → 분산 → 분포형태 → 고장률

순으로 데이터를 살펴보는 것이 좋다.

특히 오른쪽으로 긴 꼬리를 가진 수명분포에서는 극단적으로 오래 생존한 일부 설비 때문에 평균이 크게 변할 수 있다.

이 때문에 평균수명과 중앙수명의 차이 자체가 설비 수명분포의 특성을 알려주는 중요한 단서가 될 수 있

bandion