Weibull 분포를 이용한 설비 고장률 변화와 수명특성 분석

설비의 고장시간을 분석할 때 모든 설비가 동일한 형태로 고장하는 것은 아니다. 어떤 설비는 설치 직후 고장이 집중되고, 어떤 설비는 일정한 확률로 고장이 발생하며, 또 어떤 설비는 장기간 사용하면서 고장 가능성이 점차 증가한다.

Weibull 분포는 이러한 서로 다른 고장 특성을 하나의 수명분포 모델로 표현할 수 있다는 점에서 설비 신뢰성 분석에서 중요하게 사용된다. 특히 형상모수 β를 이용하면 시간에 따른 고장률의 증가 또는 감소 특성을 정량적으로 파악할 수 있다.

---

1. Weibull 분포의 기본 개념

2모수 Weibull 분포는 일반적으로 다음과 같이 표현한다.$$F(t)=1-\exp[-(t/\eta)^\beta]$$

여기서

• $F(t)$ : 시간 $t$까지 고장할 누적확률
• $\beta$ : 형상모수(Shape Parameter)
• $\eta$ : 척도모수(Scale Parameter), 특성수명
• $t$ : 사용시간

신뢰도는$$R(t)=\exp[-(t/\eta)^\beta]$$

이며 고장률은$$h(t)=\frac{\beta}{\eta} \left(\frac{t}{\eta}\right)^{\beta-1}$$

으로 나타낼 수 있다.

여기서 중요한 것은 식 자체보다 β가 시간에 따른 고장률의 방향을 결정한다는 점이다.

---

2. 가장 중요한 변수는 형상모수 β

Weibull 분석에서 β는 단순한 계산값이 아니다.

설비가 어떤 고장단계에 있는지 판단하는 중요한 지표가 될 수 있다.

β 값	고장률 특성	일반적인 해석
β < 1	감소	초기고장 영역
β = 1	일정	우발고장 영역
β > 1	증가	마모·열화고장 영역

β < 1

시간이 지나면서 고장률이 감소하는 형태이다.

초기 제작결함, 조립불량, 설치오류, 초기 운전상의 문제 등이 포함될 수 있다.

따라서 단순히 부품을 계속 교체하는 것보다 설치·시운전·품질관리 과정을 점검하는 것이 중요할 수 있다.

β = 1

고장률이 시간에 따라 일정한 형태가 된다.

이 경우 Weibull 분포는 지수분포로 환원된다. 즉, 앞에서 다룬 지수분포와 연결된다.

β > 1

시간이 지나면서 고장률이 증가한다.

베어링, 기어, 축, 절연재처럼 사용에 따라 열화가 누적되는 부품에서는 이러한 특성이 중요한 의미를 가질 수 있다.

따라서 예방정비나 교체주기를 결정할 때 단순 평균수명보다 고장률이 실제로 증가하고 있는지를 확인하는 것이 중요하다.

---

3. 척도모수 η는 무엇을 의미하는가?

η는 특성수명이라고 부른다.

2모수 Weibull에서는$$R(\eta)=e^{-1}\approx0.3679$$

이므로$$F(\eta)\approx0.6321$$

이 된다.

즉 η는 약 63.2%가 고장하는 시점으로 해석할 수 있다.

여기서 주의해야 할 점이 있다.

η를 곧바로 “설비의 평균수명”이라고 생각하면 안 된다.

평균수명은 β에 따라 달라지며 NIST는 Weibull 평균을$$MTTF=\eta\Gamma(1+1/\beta)$$

형태로 제시한다.

따라서 현장에서 “Weibull 분석 결과 η가 5,000시간이므로 5,000시간 사용하면 교체한다”라고 단순하게 판단하는 것은 적절하지 않다.

---

4. 실제 설비에서는 β가 왜 중요한가?

예를 들어 동일한 종류의 펌프 100대에서 고장시간 데이터를 수집했다고 가정해 보자.

분석 결과가 다음과 같다고 하자.$$\beta=2.8$$

이 결과는 단순히 “수명이 2.8이다”라는 뜻이 아니다.

사용시간이 증가할수록 고장률이 증가하는 형태라는 의미이다.

따라서 다음과 같은 추가 질문이 필요하다.

왜 시간이 지나면서 고장률이 증가하는가?

여기서부터 Weibull 분석이 단순 통계분석에서 설비 신뢰성 분석으로 발전한다.

예를 들어

• 베어링 마모
• 윤활상태 저하
• 축 정렬불량
• 반복하중
• 피로손상
• 부식
• 절연열화

등의 실제 열화현상과 연결할 수 있다.

즉,

β → 고장률 변화 → 열화 가능성 → 고장원인 조사 → 정비전략

이라는 분석 흐름을 만들 수 있다.

---

5. Weibull 분석은 고장률을 보는 도구다

설비 신뢰성에서 중요한 것은 단순히 “몇 시간 후 고장하는가”가 아니다.

시간이 지나면서 고장 가능성이 어떻게 변하는가가 더 중요할 수 있다.

Weibull 고장률은$$h(t)=\frac{\beta}{\eta} \left(\frac{t}{\eta}\right)^{\beta-1}$$

으로 표현된다.

따라서 β에 따라 고장률의 방향이 달라진다.

이를 설비관리 관점에서 보면 다음과 같다.

β < 1

→ 초기고장 문제 조사
→ 제작·조립·설치·시운전 검토

β ≈ 1

→ 우발고장 중심인지 확인
→ 예방교체의 효과 검토

β > 1

→ 열화 및 마모 가능성 조사
→ 상태감시·예방정비·교체주기 검토

이처럼 같은 Weibull 분석이라도 β에 따라 관리방법이 달라질 수 있다.

---

6. Weibull Plot으로 데이터가 정말 Weibull에 적합한지 확인한다

전문적인 분석에서는 고장시간 데이터를 넣고 Weibull 결과가 나왔다고 해서 바로 믿어서는 안 된다.

먼저 Weibull 분포가 해당 데이터에 적절한지 확인해야 한다.

NIST는 Weibull Plot을 이용하여 데이터가 2모수 Weibull 분포를 따르는지 확인하고 형상모수와 척도모수를 추정하는 방법을 제시한다. 데이터가 적절하게 Weibull을 따른다면 Weibull 좌표에서 점들이 대체로 직선 형태를 나타낸다.

따라서 분석 순서는 다음과 같이 잡는 것이 좋다.

고장시간 수집 → 데이터 정리 → 검열자료 확인 → Weibull 적합 → Weibull Plot → β·η 추정 → 고장률 판단 → 고장원인 연결 → 정비전략 결정

Weibull 분석의 핵심은 단순히 β와 η를 계산하는 것이 아니다. 실제 설비에서 발생한 고장시간 데이터를 정확하게 구성하고, 해당 데이터가 Weibull 분포에 적합한지 확인한 후, 분석 결과를 고장특성·열화상태·정비정책으로 연결하는 과정이 중요하다.

---

1. 고장시간 수집

기본적으로 확보해야 할 데이터

Weibull 분석의 출발점은 설비 또는 부품이 언제 고장했는가를 정확하게 기록하는 것이다.

단순히 “2026년 8월 고장”이라고 기록해서는 부족하다.

가능하면 다음과 같은 운전시간 기준으로 데이터를 구성한다.

항목	기록 내용
설비번호	P-101, P-102 등
부품번호	베어링, 씰, 모터 등
운전 시작시간	설치 또는 교체 시점
고장시간	실제 기능고장 발생 시점
누적운전시간	고장 당시 운전시간
고장모드	마모, 파손, 과열, 누유 등
운전조건	하중, 회전속도, 온도 등
정비이력	수리·교체·분해정비
고장판정 기준	어떤 상태를 고장으로 정의했는지

중요한 것은 ‘고장시간’의 기준이다

예를 들어 펌프 베어링에서 진동이 증가했다고 해서 반드시 고장한 것은 아니다.

따라서 다음을 구분해야 한다.

이상징후 발생

→ 성능저하

→ 기능고장

→ 완전고장

Weibull 분석에서는 어떤 사건을 고장으로 정의했는지 명확해야 한다.

예를 들어 “진동 RMS가 7 mm/s를 초과한 시점”을 고장으로 정의했다면 모든 데이터에 동일한 기준을 적용해야 한다.

---

2. 고장데이터 정리

수집한 데이터를 바로 Weibull 분석에 넣으면 안 된다.

먼저 동일한 모집단에서 발생한 고장인지 확인해야 한다.

데이터 정리에서 확인할 사항

① 동일한 부품인가?

새로운 베어링과 서로 다른 설계의 베어링을 하나의 데이터군으로 묶으면 안 된다.

② 동일한 고장모드인가?

베어링의 피로박리와 씰의 누유를 하나의 Weibull 데이터로 분석하면 고장특성이 왜곡될 수 있다.

③ 동일한 운전조건인가?

하중이나 회전속도가 크게 다른 설비를 동일 집단으로 묶으면 수명 차이가 설비 자체의 차이인지 운전조건의 차이인지 구분하기 어려워진다.

④ 교체품인가 원래 장착품인가?

정비 후 교체된 부품의 운전시간은 새로운 수명 데이터로 볼 것인지, 전체 설비의 누적수명으로 볼 것인지 분석 목적에 따라 기준을 정해야 한다.

특히 중요한 문제

데이터를 많이 모으는 것보다 같은 성격의 데이터를 모으는 것이 중요하다.

고장모드가 서로 다른 데이터를 한꺼번에 넣으면 계산은 가능하더라도 분석 결과의 물리적 의미가 약해질 수 있다.

---

3. 검열자료 확인

실제 현장에서는 모든 설비가 고장할 때까지 관찰할 수 없다.

예를 들어 100대의 펌프를 5,000시간 동안 관찰했는데,

• 18대 → 고장
• 82대 → 아직 정상운전

이라고 하자.

82대는 고장시간을 알 수 없지만 최소 5,000시간 이상 운전했다는 정보를 가지고 있다.

이를 검열자료라고 한다.

대표적인 우측 검열

설비가 현재까지 고장하지 않았다면$$T > t_c$$

라고 표현할 수 있다.

여기서 $t_c$는 관찰이 종료된 시간이다.

즉 정확한 고장시간은 모르지만,

“적어도 이 시간까지는 고장하지 않았다.”

라는 중요한 정보를 갖는다.

왜 중요한가?

정상적으로 운전 중인 설비를 모두 제거하고 고장한 설비만 분석하면 실제 수명분포가 짧게 추정될 가능성이 있다.

따라서 현장 Weibull 분석에서는

고장 데이터 + 생존 데이터

를 함께 고려해야 한다.

---

4. Weibull 적합

데이터를 정리했다면 이제 실제 데이터가 Weibull 분포에 얼마나 적합한지 분석한다.

2모수 Weibull의 누적고장확률은$$F(t)=1-\exp[-(t/\eta)^\beta]$$

신뢰도 함수는$$R(t)=\exp[-(t/\eta)^\beta]$$

이다.

여기서

• $\beta$ = 형상모수
• $\eta$ = 척도모수

이다.

하지만 중요한 것은 식을 적용하는 것 자체가 아니다.

“이 데이터에 Weibull 분포를 적용해도 되는가?”

를 먼저 확인해야 한다.

분석방법의 예

고장시간 데이터를 이용하여

• Maximum Likelihood Estimation
• Rank Regression
• Median Rank

등의 방법으로 Weibull 모수를 추정할 수 있다.

특히 검열자료가 포함된 현장 데이터에서는 단순히 고장시간만 이용하는 방식보다 검열정보를 반영할 수 있는 추정방법을 선택해야 한다.

---

5. Weibull Plot 확인

Weibull 분석에서 상당히 중요한 단계다.

분포 적합 결과만 보고 β와 η를 받아들이지 말고 Weibull Plot에서 데이터의 형태를 확인해야 한다.

2모수 Weibull의 누적분포식은 변환하면$$\ln[-\ln(1-F(t))] = \beta\ln(t)-\beta\ln(\eta)$$

가 된다.

따라서$$Y=\ln[-\ln(1-F)]$$$$X=\ln(t)$$

로 변환하면 이상적인 Weibull 데이터는 대체로 직선 형태로 나타난다.

여기서 확인할 사항

직선성이 양호한가?

→ Weibull 모델 적용 가능성을 검토한다.

점들이 크게 휘어지는가?

→ 단일 Weibull 분포가 데이터를 충분히 설명하지 못할 가능성이 있다.

두 개 이상의 직선 형태가 나타나는가?

→ 서로 다른 고장모드 또는 서로 다른 모집단이 섞였을 가능성을 조사한다.

초기와 후반부의 기울기가 다른가?

→ 고장특성이 시간에 따라 달라지는지 확인한다.

즉 Weibull Plot은 단순한 그래프가 아니라 데이터와 모델의 적합성을 시각적으로 점검하는 단계다.

---

6. β·η 추정

Weibull 분석의 핵심 결과가 형상모수 β와 척도모수 η다.

β — 형상모수

β는 시간에 따른 고장률의 변화를 나타내는 핵심 변수다.

β	고장률 특성	설비 관점
β < 1	감소	초기고장 가능성
β = 1	일정	우발고장 특성
β > 1	증가	마모·열화 가능성

특히 β>1이라고 해서 무조건 “마모고장”이라고 단정해서는 안 된다.

왜 고장률이 증가하는지에 대한 물리적 원인 확인이 필요하다.

---

η — 척도모수

η는 특성수명으로 사용된다.

2모수 Weibull에서는$$F(\eta)=1-e^{-1}\approx0.632$$

이므로 η는 약 63.2% 누적고장확률에 해당하는 시간이다.

따라서 η를 단순히 “설비가 이 시간까지 사용된다”는 교체기준으로 해석하면 안 된다.

β와 η를 함께 봐야 한다.

---

7. 고장률 형태 판단

Weibull의 순간 고장률은$$h(t)= \frac{\beta}{\eta} \left(\frac{t}{\eta}\right)^{\beta-1}$$

이다.

따라서 β가 고장률의 형태를 결정한다.

β < 1

시간이 지나면서 고장률이 감소한다.

초기 제작불량이나 설치·조립상의 문제가 집중되는 경우 등을 조사할 수 있다.

β ≈ 1

고장률이 시간에 따라 크게 변하지 않는 형태다.

이 경우 예방교체가 실제 고장 감소에 효과적인지 별도로 검토해야 한다.

β > 1

시간이 증가할수록 고장률이 증가한다.

이 경우

• 마모
• 피로
• 부식
• 절연열화
• 윤활상태 저하

등 시간에 따라 누적될 수 있는 열화요인을 조사할 필요가 있다.

---

8. 고장률을 실제 설비 고장원인과 연결

여기서부터 통계분석과 설비 신뢰성공학이 연결된다.

예를 들어 베어링 데이터의 Weibull 분석 결과가$$\beta=3.2$$

라고 하자.

이 결과만으로 “베어링은 3.2의 수명을 가진다”고 해석하면 잘못이다.

정확한 접근은 다음과 같다.

β > 1

↓

시간에 따른 고장률 증가

↓

열화성 고장 가능성 조사

↓

고장품 분석

↓

실제 고장모드 확인

↓

열화원인과 비교

예를 들어 고장품의 표면에서 피로박리가 반복적으로 확인된다면 베어링의 반복하중과 수명 증가형 고장률 사이의 관계를 검토할 수 있다.

반대로 윤활유 오염이 주된 원인으로 확인된다면 단순한 “베어링 수명” 문제가 아니라 윤활관리와 오염관리 문제일 수 있다.

즉,

β는 원인을 직접 알려주는 값이 아니라, 원인을 조사해야 할 방향을 제시하는 통계적 단서다.

이 관점이 중요하다.

---

9. Weibull 결과를 정비전략으로 연결

최종 목적은 β와 η를 계산하는 것이 아니다.

분석결과를 실제 정비정책에 활용해야 한다.

초기고장 특성이 강한 경우

$$\beta<1$$

→ 설치·조립 품질 점검

→ 시운전 절차 개선

→ 초기 검사 강화

→ 제작품질 및 정비품질 확인

우발고장 특성이 강한 경우

$$\beta\approx1$$

→ 예방교체 효과 검토

→ 상태감시 가능성 검토

→ 고장 발생 시 신속복구 체계 강화

열화고장 특성이 강한 경우

$$\beta>1$$

→ 열화상태 감시

→ 예방정비 주기 검토

→ 교체기준 설정

→ 예비품 확보

→ 수명연장 가능성 평가

이렇게 해야 Weibull 분석이 실제 설비관리와 연결된다.

---

10. 가장 중요한 분석 흐름

실제 사이트에서는 다음 흐름을 하나의 핵심 프레임으로 사용할 수 있다.$$\boxed{ \text{고장시간 수집} \rightarrow \text{데이터 정리} \rightarrow \text{검열자료 확인} \rightarrow \text{Weibull 적합} }$$$$\boxed{ \rightarrow \text{Weibull Plot 확인} \rightarrow \beta,\eta\text{ 추정} \rightarrow \text{고장률 형태 판단} }$$$$\boxed{ \rightarrow \text{고장모드·원인 분석} \rightarrow \text{열화상태 확인} \rightarrow \text{정비전략 결정} }$$

이 구조를 사이트의 핵심 분석체계로 잡으면 좋다.

---

실무에서 특히 주의해야 할 5가지

① β만 보고 고장원인을 확정하지 않는다

β는 통계적 고장률 특성을 나타내는 값이지 고장원인을 직접 측정한 값이 아니다.

② η를 교체주기로 바로 사용하지 않는다

특성수명과 실제 교체시점은 동일한 개념이 아니다.

③ 고장한 설비만 분석하지 않는다

아직 고장하지 않은 설비의 검열정보도 수명분석에 중요한 데이터다.

④ 서로 다른 고장모드를 무조건 합치지 않는다

고장모드가 다른 데이터를 하나의 Weibull 분포로 처리하면 결과 해석이 어려워질 수 있다.

⑤ 통계결과와 현장 물리현상을 함께 확인한다

Weibull 분석에서 나온 β와 η는 고장기록·검사결과·정비이력·운전조건과 함께 해석해야 한다.

---

결론

Weibull 분석의 전문성은

“β가 몇인가?”

를 계산하는 데 있지 않다.

진정한 분석은

고장시간을 정확히 정의하고 → 데이터를 동일한 모집단으로 정리하고 → 검열자료를 구분하고 → Weibull 적합성을 확인하고 → β·η를 추정하고 → 고장률 변화를 해석하고 → 실제 고장모드와 원인을 조사하고 → 정비전략을 결정하는 것

까지 이어져야 한다.

따라서 설비 신뢰성공학에서 Weibull 분포는 단순한 통계공식이 아니라,$$\boxed{ \text{고장데이터} \rightarrow \text{수명특성} \rightarrow \text{고장률} \rightarrow \text{열화판단} \rightarrow \text{정비의사결정} }$$

을 연결하는 수명데이터 분석 도구로 이해하는 것이 가장 적절하다.

---

7. 고장하지 않은 설비도 데이터다

현장에서 자주 발생하는 문제가 있다.

100대의 설비를 조사했는데 20대만 고장하고 80대는 아직 운전 중이라고 생각해 보자.

80대의 데이터를 단순히 버리면 안 된다.

아직 고장하지 않았다는 사실 자체도 수명정보를 가지고 있기 때문이다.

이러한 데이터를 검열자료(Censored Data)라고 한다.

NIST의 Weibull 분석에서도 고장 여부를 나타내는 검열정보를 함께 활용할 수 있으며, Weibull Plot이나 관련 분석기법은 이러한 자료를 다루는 데 사용된다.

따라서 현장 데이터에서는

“고장한 설비의 시간”

만 기록하는 것이 아니라

“현재까지 고장하지 않은 설비가 얼마 동안 운전되었는가”

도 함께 관리해야 한다.

이 부분이 실제 현장 Weibull 분석에서 상당히 중요한 차이를 만든다.

---

8. 평균수명만 보면 놓치는 것이 있다

예를 들어 두 설비군의 평균수명이 모두 5,000시간이라고 하자.

평균만 보면 두 설비의 수명특성이 동일해 보인다.

그러나 Weibull 분석 결과가

• A 설비: β = 0.8
• B 설비: β = 3.5

라면 이야기가 달라진다.

A는 시간이 지나면서 고장률이 감소하는 특성을 보이는 반면, B는 시간이 지날수록 고장률이 증가하는 형태다.

따라서 평균수명이 같더라도 고장 발생의 시간적 구조가 완전히 다를 수 있다.

이것이 설비 신뢰성 분석에서 Weibull을 사용하는 중요한 이유 중 하나다.

---

9. Weibull 분석을 정비주기에 연결하기

Weibull 분석의 최종 목적은 그래프나 β값을 계산하는 데 있지 않다.

결과를 실제 설비관리 의사결정으로 연결해야 한다.

예를 들어 β가 지속적으로 1보다 큰 값을 나타내고 고장률이 증가한다면 다음과 같은 검토가 가능하다.

고장데이터

→ β 증가

→ 고장률 증가

→ 열화 가능성 확인

→ 상태감시 강화

→ 예방정비 주기 검토

→ 부품 교체시점 검토

→ 재고 및 예비품 계획

즉 Weibull 분석은 고장 이후의 원인분석뿐 아니라 고장 이전의 정비전략을 결정하는 자료로 활용될 수 있다. IEEE 역시 life data analysis가 검사주기와 교체정책 같은 신뢰성 의사결정에 활용된다고 설명한다.

---

10. 이 사이트에서 Weibull을 다르게 다루는 이유

일반적인 Weibull 설명은

β란 무엇인가?
η란 무엇인가?
β가 1보다 크면 마모고장이다.

정도에서 끝나는 경우가 많다.

하지만 설비 신뢰성공학에서는 여기서 끝내지 않는다.

다음 단계까지 연결한다.$$\boxed{ 고장데이터 \rightarrow Weibull\ 적합 \rightarrow \beta,\eta \rightarrow 고장률 변화 \rightarrow 고장단계 판단 \rightarrow 열화원인 조사 \rightarrow 정비전략 결정 }$$

이 연결이 이 사이트의 전문적인 방향이다.

---

핵심 정리

Weibull 분포에서 가장 중요한 것은 복잡한 수식을 암기하는 것이 아니다.

β가 설비의 시간에 따른 고장률 변화를 어떻게 나타내는지 이해하는 것이다.

그리고 실제 분석에서는 β와 η만 보고 결론을 내리지 않고,

데이터의 적합성 → 검열자료 → 고장모드 → 운전조건 → 열화상태 → 정비이력

을 함께 검토해야 한다.

특히 Weibull 분석에서 데이터가 하나의 분포에 잘 맞지 않거나 서로 다른 고장모드가 섞여 있다면 단일 Weibull 모델을 강제로 적용하는 것은 잘못된 판단으로 이어질 수 있다. 실제 Weibull 분석의 대표적인 오류로 검열자료를 무시하거나 고장모드가 다른 데이터를 하나로 처리하는 문제가 지적되어 왔다.

따라서 설비 신뢰성공학에서 Weibull의 진정한 가치는 수명을 계산하는 데 있는 것이 아니라 고장시간 데이터를 이용해 설비의 고장특성을 해석하고 정비 의사결정으로 연결하는 데 있다.