설비의 고장시간을 분석할 때 가장 먼저 확인해야 할 것은 고장이 시간에 따라 어떤 특성을 가지고 발생하는가입니다.

어떤 부품은 초기 불량 때문에 사용 초기에 고장이 집중되고, 어떤 부품은 사용기간이 증가하면서 마모가 진행되어 고장 가능성이 높아집니다.

반면 일정한 기간 동안 고장률이 거의 변하지 않는 설비나 부품도 있습니다.

이러한 상황을 수학적으로 표현하는 대표적인 방법이 지수분포(Exponential Distribution)입니다.

지수분포의 핵심은 복잡한 공식 자체가 아니라,

“현재까지 정상적으로 작동했다는 사실이 앞으로의 고장률을 증가시키거나 감소시키지 않는다.”

라는 가정에 있습니다.

---

1. 지수분포의 기본개념

기본지식

지수분포는 고장시간 $T$가 일정한 고장률을 따른다고 가정하는 확률분포입니다.

고장률을 $\lambda$라고 하면 신뢰도 함수는 다음과 같습니다.$$R(t)=e^{-\lambda t}$$

여기서

• $R(t)$ : 시간 $t$까지 고장나지 않을 확률
• $\lambda$ : 일정한 고장률
• $t$ : 운전시간

입니다.

고장확률은$$F(t)=1-R(t)$$

이므로,$$F(t)=1-e^{-\lambda t}$$

가 됩니다.

즉 지수분포에서는 시간이 증가함에 따라 생존확률은 감소하고 누적고장확률은 증가하지만, 순간적인 고장률 자체는 일정합니다.

---

2. 지수분포의 핵심은 ‘일정한 고장률’이다

지수분포를 이해할 때 가장 중요한 식은 사실 다음과 같습니다.$$h(t)=\lambda$$

즉,

고장률 h(t)h(t)이 시간에 관계없이 일정합니다.

예를 들어 고장률이$$\lambda=0.0001/hour$$

라고 가정하면 1시간이 지났든 1,000시간이 지났든, 이미 정상적으로 작동하고 있다는 조건에서 다음 순간의 고장위험은 같은 고장률을 적용합니다.

이것은 “오래 사용했으니 반드시 고장확률이 높아진다”는 개념과 다릅니다.

따라서 지수분포는 마모가 누적되는 설비의 수명 전체를 설명하는 모델이라기보다는, 특정 운전구간에서 고장률이 일정하다고 볼 수 있는 상황을 설명하는 모델로 이해하는 것이 적절합니다.

---

3. 고장률 $\lambda$는 무엇을 의미하는가

기본지식

고장률은 단순히

고장 건수 ÷ 전체 설비 수

로 계산하는 값이 아닙니다.

신뢰성공학에서 고장률은 특정 시점까지 생존한 설비가 그 이후 짧은 시간 동안 고장날 조건부 위험을 나타내는 개념입니다.

따라서 같은 100대의 설비라도 사용기간에 따라 고장률을 별도로 분석할 수 있습니다.

지수분포에서는 이 값이 시간에 따라 변하지 않는다고 가정합니다.

---

4. 고장률과 MTBF의 관계

지수분포에서는 평균고장시간 또는 평균수명과 고장률 사이에 매우 간단한 관계가 성립합니다.$$MTBF=\frac{1}{\lambda}$$

예를 들어,$$\lambda=0.0002/hour$$

라면,$$MTBF=\frac{1}{0.0002}=5,000hour$$

입니다.

즉 평균적으로 약 5,000시간 수준의 고장시간 특성을 갖는 것으로 해석할 수 있습니다.

하지만 여기서 반드시 주의해야 합니다.

MTBF 5,000시간이라고 해서 모든 설비가 5,000시간에 고장한다는 의미는 아닙니다.

MTBF는 모집단의 평균적인 고장시간 특성을 나타내는 값이지 개별 설비의 정확한 수명을 의미하지 않습니다.

---

5. 특정 시간까지 생존할 확률을 계산하는 방법

고장률이$$\lambda=0.0002/hour$$

인 설비의 1,000시간 신뢰도를 계산하면,$$R(1000)=e^{-0.0002\times1000}$$

따라서 약$$R(1000)=0.819$$

가 됩니다.

즉 해당 가정이 적절하다면 1,000시간까지 고장 없이 작동할 확률은 약 81.9%로 해석할 수 있습니다.

반대로 누적고장확률은$$F(1000)=1-0.819$$

이므로 약 **18.1%**입니다.

이처럼 지수분포를 사용하면 단순히 “평균수명은 5,000시간”이라고 말하는 것보다 특정 운전시간에서의 신뢰도를 정량적으로 표현할 수 있습니다.

---

6. 지수분포의 중요한 특징 — 기억없음

지수분포에는 다른 수명분포와 구분되는 중요한 특성이 있습니다.

바로 기억없음(Memoryless) 성질입니다.

쉽게 말하면,

지금까지 정상적으로 작동했다는 사실만으로 미래의 고장률이 달라지지 않는다는 것

입니다.

예를 들어 어떤 부품이 이미 2,000시간 정상적으로 작동했다고 하겠습니다.

지수분포에서는 이 부품이 2,000시간 동안 살아남았다는 사실만으로 이후 고장률이 증가했다고 보지 않습니다.

따라서 지수분포에서는

신품 → 일정 고장률

또는

장시간 사용 → 동일한 고장률

이라는 특성이 유지됩니다.

---

7. 이것이 실제 마모설비에서는 왜 문제가 되는가

여기에서 지수분포의 중요한 한계가 나타납니다.

베어링을 생각해 보겠습니다.

처음에는 상태가 양호하지만 장기간 운전하면서

마찰 → 마모 → 표면손상 → 진동증가 → 손상확대 → 고장

과 같은 열화가 진행될 수 있습니다.

이러한 설비에서는 일반적으로 시간이 지나면서 고장 가능성이 증가하는 현상을 고려해야 합니다.

그런데 지수분포는$$h(t)=\lambda$$

즉 고장률이 일정하다고 가정합니다.

따라서 시간이 지나면서 마모가 누적되는 설비의 수명 전체를 지수분포 하나로 설명하면 실제 고장현상과 맞지 않을 수 있습니다.

이것이 Weibull 분포가 신뢰성공학에서 중요한 이유 중 하나입니다.

---

8. 지수분포를 적용하기 전에 확인해야 할 것

지수분포를 사용하는 가장 큰 실수는 계산이 간단하다는 이유로 모든 고장데이터에 적용하는 것입니다.

적용하기 전에 다음을 확인해야 합니다.

확인항목	판단내용
고장률	시간에 따라 크게 변하지 않는가
고장모드	마모·열화가 지배적인 고장인가
운전조건	분석기간 동안 크게 변하지 않았는가
데이터	충분한 고장시간 자료가 있는가
정비	예방교체가 고장시간을 왜곡하지 않는가
초기고장	초기 불량이 집중되어 있지 않은가

특히 마모고장과 초기고장을 하나의 지수분포로 묶는 것은 신뢰성 분석의 정확도를 떨어뜨릴 수 있습니다.

---

9. 실제 현장에서 지수분포가 유용한 경우

지수분포는 다음과 같은 상황에서 검토할 수 있습니다.

① 우발적 고장이 지배적인 경우

특정 부품의 고장이 시간에 따라 뚜렷한 증가 또는 감소 추세를 보이지 않는 경우입니다.

② 일정한 운전구간을 분석하는 경우

설비 전체 수명이 아니라 고장률이 안정적으로 유지되는 구간만 분석할 수 있습니다.

③ 시스템 신뢰도 계산

여러 구성품의 고장률을 이용하여 시스템의 신뢰도를 계산할 때 지수분포가 간단한 모델로 활용될 수 있습니다.

④ 예방정비보다 고장률 관리가 중요한 경우

부품의 열화보다는 우발적인 고장이 주요 문제라면 일정 고장률 가정이 실용적일 수 있습니다.

---

10. 지수분포에서 ‘평균수명’을 수명보증으로 사용하면 안 되는 이유

앞에서$$MTBF=\frac{1}{\lambda}$$

라고 설명했습니다.

예를 들어 MTBF가 10,000시간이라고 해도

“이 설비는 10,000시간 사용할 수 있다.”

라고 해석하면 안 됩니다.

지수분포에서 10,000시간은 평균적인 고장시간일 뿐입니다.

실제로는 10,000시간 이전에 고장하는 설비도 있고, 훨씬 이후까지 정상적으로 작동하는 설비도 있습니다.

따라서 현장에서 중요한 것은 평균수명 하나가 아니라

특정 시간에서의 신뢰도

입니다.

---

11. 지수분포를 이용한 정비 의사결정의 한계

예를 들어 어떤 부품의 MTBF가 10,000시간이라고 하겠습니다.

단순하게 생각하면 9,000시간 정도 사용했으니 교체해야 한다고 생각할 수 있습니다.

하지만 지수분포에서는 사용시간 자체가 고장률을 증가시키지 않습니다.

따라서 단순히 “몇 시간 사용했으니 교체”라는 기준만으로는 지수분포의 가정을 충분히 활용했다고 보기 어렵습니다.

오히려 고장률, 운전조건, 실제 고장데이터를 바탕으로 정비전략을 판단해야 합니다.

반대로 실제 설비에서 시간이 지나면서 고장률이 증가하고 있다면 지수분포보다 다른 수명분포를 검토하는 것이 적절합니다.

---

12. 지수분포와 Weibull 분포의 연결

지수분포와 Weibull 분포는 완전히 별개의 세계가 아닙니다.

Weibull 분포의 형상모수 $\beta$가$$\beta=1$$

인 경우 고장률이 일정해지며 지수분포와 같은 형태가 됩니다.

따라서 개념적으로 보면,

Weibull β<1\beta<1
→ 초기고장 성격

Weibull β=1\beta=1
→ 일정 고장률

Weibull β>1\beta>1
→ 시간에 따른 고장률 증가

라는 관계를 생각할 수 있습니다.

이 연결관계는 이후 Weibull 분석을 이해하는 데 매우 중요합니다.

---

13. 고장률이 일정한지 확인하는 것이 분석의 출발점

실제 고장데이터를 가지고 지수분포를 적용하려면 먼저 다음 질문을 해야 합니다.

“이 설비의 고장률은 실제로 시간에 따라 일정한가?”

이를 확인하지 않고 바로$$R(t)=e^{-\lambda t}$$

를 적용하면 계산은 정확하더라도 모델 자체가 잘못될 수 있습니다.

따라서 신뢰성공학에서는

데이터 수집

→ 고장시간 정리

→ 고장률 변화 확인

→ 적합한 분포 후보 설정

→ 통계적 적합성 검토

→ 신뢰도 계산

이라는 순서로 접근하는 것이 바람직합니다.

---

14. 지수분포 분석에서 반드시 구분해야 할 것

평균수명

$$MTBF=\frac{1}{\lambda}$$

신뢰도

$$R(t)=e^{-\lambda t}$$

누적고장확률

$$F(t)=1-e^{-\lambda t}$$

고장률

$$h(t)=\lambda$$

이 네 가지는 서로 연결되어 있지만 의미는 다릅니다.

특히

MTBF ≠ 개별 설비의 수명

이라는 점은 반드시 기억해야 합니다.

---

15. 설비 신뢰성 분석에서 지수분포가 갖는 의미

지수분포의 진정한 가치는 계산이 간단하다는 데만 있지 않습니다.

지수분포는 “시간이 고장위험을 변화시키는가?”라는 질문에 대한 가장 단순한 기준모델로 사용할 수 있습니다.

고장률이 일정하다는 가정이 타당하다면 지수분포를 통해

• 특정 시간의 신뢰도
• 누적고장확률
• 평균고장시간
• 고장률

을 간단하게 계산할 수 있습니다.

반대로 시간이 지나면서 고장률이 증가하거나 감소한다면 지수분포의 한계를 확인하고 Weibull과 같은 시간의존적 고장분포로 분석을 확장해야 합니다.

---

핵심 정리

지수분포의 핵심은 단 하나입니다.

고장률이 시간에 따라 일정하다는 가정

이를 바탕으로$$R(t)=e^{-\lambda t}$$

를 이용하여 특정 시간까지 설비가 정상적으로 작동할 확률을 계산할 수 있습니다.

또한$$MTBF=\frac{1}{\lambda}$$

관계를 이용하여 평균적인 고장시간 특성을 파악할 수 있습니다.

그러나 MTBF를 개별 설비의 수명으로 해석해서는 안 되며, 마모나 열화로 인해 시간이 지날수록 고장률이 증가하는 설비에 지수분포를 무조건 적용해서도 안 됩니다.

따라서 지수분포를 전문적으로 이해한다는 것은 공식을 암기하는 것이 아니라,

“이 설비의 고장률을 일정하다고 가정해도 되는가?”

를 판단할 수 있는 것입니다.

이 질문이 다음 Weibull 분포로 넘어가는 핵심 연결점입니다.

Weibull에서는 지수분포에서 일정하다고 가정했던 고장률이 시간에 따라 감소하거나 일정하거나 증가하는 경우를 어떻게 표현하는지를 분석하게 됩니다.