Ⅰ. 신뢰성 기본이론

1. 신뢰도 함수(Reliability Function)

신뢰도 함수는 어떤 설비나 부품이 주어진 운전조건에서 특정 시간까지 고장 없이 요구된 기능을 수행할 확률을 나타내는 기본적인 신뢰성 지표이다. 일반적으로 운전시간을 $t$라 하면 신뢰도 함수는 $R(t)$로 표현하며, 시간에 따른 설비의 생존 가능성을 정량적으로 나타낸다.

수명확률변수 $T$를 설비가 고장에 도달하는 시간이라고 정의하면 신뢰도 함수는 다음과 같이 표현할 수 있다.$$R(t)=P(T>t)$$

즉, 설비의 고장시간 TT가 기준시간 tt보다 클 확률이다. 따라서 $R(t)$는 해당 시간까지 설비가 정상적으로 기능을 유지할 가능성을 의미하며, 수명분포를 이용한 신뢰성 분석의 출발점이 된다.

---

1-1. 신뢰도 함수와 누적고장확률의 관계

신뢰도 함수와 누적분포함수 $F(t)$는 서로 보완적인 관계를 가진다.$$F(t)=P(T\leq t)$$

여기서 $F(t)$는 시간 $t$ 이전에 설비가 고장날 누적확률을 의미한다. 따라서 두 함수 사이에는 다음과 같은 관계가 성립한다.$$\boxed{R(t)=1-F(t)}$$

이 관계는 실제 설비 수명분석에서 매우 중요하다.

예를 들어 특정 운전시간에서$$R(t)=0.90$$

이라면 해당 시간까지 90%의 설비가 고장 없이 기능을 유지할 확률을 의미하며, 반대로$$F(t)=0.10$$

이므로 동일한 시간까지 고장이 발생할 누적확률은 10%가 된다.

따라서 신뢰성 분석에서는 신뢰도 감소를 고장위험 증가의 반대 관점에서 해석할 수 있다.

---

1-2. 시간에 따른 신뢰도의 변화

이상적인 신뢰성 분석에서 설비의 신뢰도는 시간이 증가할수록 일반적으로 감소하는 방향으로 나타난다.$$R(0)=1$$

즉, 분석 시작 시점에는 설비가 정상 상태라고 가정하면 신뢰도는 100%이다.

시간이 경과하면서 고장이 누적되면$$R(t)\downarrow$$

하고, 이에 따라 누적고장확률은 증가한다.$$F(t)\uparrow$$

따라서 신뢰도 곡선은 단순히 하나의 수치를 제시하는 것이 아니라 설비가 시간에 따라 어느 정도의 생존 가능성을 유지하는지를 보여주는 수명 특성으로 볼 수 있다.

---

1-3. 신뢰도 함수와 생존분석

신뢰도 함수는 통계학의 생존함수(Survival Function)와 동일한 개념으로 볼 수 있다.

수명분포의 확률밀도함수를 $f(t)$라고 하면,$$R(t)=\int_t^\infty f(x)\,dx$$

로 나타낼 수 있다.

이는 특정 시점 이후까지 생존할 가능성을 전체 수명분포에서 적분하여 구한다는 의미이다.

또한$$F(t)=\int_0^t f(x)\,dx$$

이므로,$$R(t)=1-\int_0^t f(x)\,dx$$

가 된다.

이러한 관계를 이해하면 이후에 학습하게 될 지수분포, Weibull 분포, 정규분포, 로그정규분포 등의 수명분포를 신뢰도 함수로 변환하여 비교할 수 있다.

---

1-4. 신뢰도 함수와 고장률의 관계

신뢰도 함수는 단독으로 사용되는 지표가 아니다. 고장률 함수 h(t)h(t)와 연결하면 시간에 따른 고장위험을 더욱 구체적으로 분석할 수 있다.

고장률 함수는 다음과 같이 표현된다.$$h(t)=\frac{f(t)}{R(t)}$$

또는 신뢰도 함수만을 이용하면$$\boxed{h(t)=-\frac{d}{dt}\ln R(t)}$$

로 표현할 수 있다.

여기서 중요한 차이가 있다.

신뢰도 R(t)R(t)는
→ 특정 시간까지 고장 없이 생존할 확률을 나타내고,

고장률 h(t)h(t)는
→ 해당 시점까지 생존한 설비가 이후 짧은 시간 동안 고장에 이를 위험의 정도를 나타낸다.

따라서 신뢰도 곡선이 감소한다는 사실만 보는 것보다 신뢰도 감소속도와 고장률의 변화까지 함께 분석해야 설비의 열화 특성을 제대로 파악할 수 있다.

---

1-5. Weibull 분포에서의 신뢰도 함수

설비 신뢰성공학에서 자주 활용되는 Weibull 분포에서는 2모수 Weibull을 기준으로 신뢰도 함수가 다음과 같이 표현된다.$$\boxed{ R(t)=\exp\left[-\left(\frac{t}{\eta}\right)^\beta\right] }$$

여기서

• $t$ : 설비 운전시간
• $\beta$ : 형상모수
• $\eta$ : 척도모수

이다.

특히 β는 신뢰도가 감소하는 형태와 고장률의 변화 특성에 영향을 주며, η는 수명분포의 규모를 결정한다.

따라서 실제 설비 고장데이터에서 β와 η를 추정하면 단순히 과거의 고장횟수를 확인하는 수준을 넘어 미래 특정 시간에서의 신뢰도를 추정할 수 있다.

---

1-6. 신뢰도 함수를 이용한 예방정비 기준 설정

신뢰도 함수의 중요한 실무적 활용은 정비시점 결정이다.

예를 들어 특정 설비의 목표 신뢰도를 95%로 설정했다면,$$R(t)\geq0.95$$

를 만족하는 운전시간을 정비기준으로 설정하는 방법을 검토할 수 있다.

다만 실제 정비시점은 신뢰도 하나만으로 결정해서는 안 된다. 설비 중요도, 고장 영향도, 정비비용, 생산손실, 부품 교체비용, 상태데이터 등을 함께 고려해야 한다.

즉,

신뢰도 함수 → 목표 신뢰도 설정 → 허용 가능한 고장위험 결정 → 정비주기 검토

라는 구조로 연결하는 것이 신뢰성공학적인 접근이다.

---

1-7. 신뢰도 함수에서 반드시 구분해야 할 개념

전문적인 분석에서는 다음 세 가지를 명확하게 구분해야 한다.

구분	수학적 표현	의미
신뢰도	$R(t)$	t까지 고장 없이 작동할 확률
누적고장확률	$F(t)$	t까지 고장이 발생할 확률
고장률	$h(t)$	특정 시점에서의 순간적인 고장위험

이 세 가지를 연결하면$$\boxed{R(t)=1-F(t)}$$

그리고$$\boxed{h(t)=\frac{f(t)}{R(t)}}$$

라는 관계를 통해 설비 수명 → 고장확률 → 고장위험 → 정비전략으로 분석을 확장할 수 있다.

핵심 정리

신뢰도 함수는 단순히 “설비가 얼마나 오래 사용할 수 있는가”를 나타내는 지표가 아니다. 정확하게는 특정 운전시간까지 요구된 기능을 고장 없이 유지할 확률을 시간의 함수로 표현한 것이다.

따라서 신뢰성공학에서는 $R(t)$ 자체뿐 아니라 F(t)F(t), f(t)f(t), h(t)h(t)와의 수학적 관계를 함께 이해하는 것이 중요하다. 이 기초가 갖춰지면 이후 Weibull 모수 추정 → 고장률 분석 → 예방정비 주기 → 예지정비 → RUL 추정까지 하나의 논리로 연결할 수 있다.