문서를 불러오는 중입니다.

분석 모델

분석 모델

KRPS는 전자부품 및 기계부품의 고장률 예측, 유사 품목 데이터를 활용한 고장률 보정, 시험·운용 데이터 기반의 통계적 추정, 시스템 상태 전이 분석 및 확률적 신뢰도 분석을 지원하기 위해 다양한 분석 모델과 기법을 제공합니다.


MIL-HDBK-217F Notice 2

개요

MIL-HDBK-217은 미국 국방부에서 1962년 최초 제정한 전자부품 신뢰도 예측 규격으로, 이후 여러 차례 개정을 거쳐 1995년에 F 버전 Notice 2가 발행되었습니다. 전자부품의 고장률 예측 모델을 폭넓게 제공하여 방위산업뿐만 아니라 민수산업에서도 활용되어 왔습니다.

다만 MIL-HDBK-217F Notice 2는 1995년 발행된 규격으로, 이후 개발된 최신 전자부품의 특성과 기술 발전을 충분히 반영하지 못할 수 있다는 한계가 있습니다. 또한 해당 규격의 적용 가능 여부는 예측 대상 부품의 종류와 규격에서 정의한 입력 조건에 따라 달라집니다.

적용 모델: 부품부하분석법(Part Stress Analysis)

KRPS는 MIL-HDBK-217F의 부품부하분석법(Part Stress Analysis)을 지원합니다.

부품부하분석법은 각 부품에 가해지는 전기적·열적 부하와 운용환경에 따른 스트레스 요인을 분석하고, 부품의 품질 수준, 정격 및 기타 특성을 고려하여 고장률을 예측하는 방법입니다.

이를 통해 부품별 사용 조건과 환경적 영향을 반영한 고장률을 산출할 수 있습니다.

지원 범위

KRPS는 MIL-HDBK-217F에서 정의한 11개 Category에 대한 고장률 예측 수식을 제공합니다.


NSWC-11

개요

NSWC-11은 미국 해군 해상전투센터(NSWC, Naval Surface Warfare Center)에서 발행한 기계장비 신뢰도 예측 관련 규격을 기반으로 합니다. 관련 문서인 Handbook of Reliability Prediction Procedures for Mechanical Equipment는 기계장비의 신뢰도 예측을 위한 절차와 모델을 제시합니다.

본 모델은 기계부품의 특성과 사용 조건을 고려하여 고장률을 예측하는 데 활용됩니다.

지원 범위

KRPS는 NSWC-11 규격의 19개 Sub-Category에 대한 고장률 예측 수식을 제공합니다.


3. 혼합모델(Mixed Model)

개발 배경

혼합모델은 MIL-HDBK-217F의 고장률 예측 모델이 갖는 한계를 보완하고, 최신 전자부품의 특성과 실제 운용환경을 보다 현실적으로 반영하기 위해 개발되었습니다.

MIL-HDBK-217F는 1995년 Notice 2 발행 이후 개정되지 않아 이후 등장한 전자부품과 신기술의 특성을 충분히 반영하기 어렵습니다. 또한 규격에서 지원하는 부품 유형과 예측 모델의 적용 범위에도 제약이 있습니다.

운용환경 측면에서도 온도를 주요 환경 입력요소로 고려하고 정상상태(Steady-State)를 가정하는 모델은 실제 운용 중 발생하는 온도 사이클(Temperature Cycling)과 열적 스트레스의 영향을 충분히 반영하지 못할 수 있습니다.

아울러 MIL-HDBK-217F의 일부 부품별 고장률 모델은 여러 영향인자의 곱으로 구성되어 있어 특정 인자의 값이 증가하면 전체 예측 고장률이 크게 변동할 수 있습니다. 이러한 특성은 입력값에 대한 예측 결과의 민감도를 높이며, 실제 운용조건에 대한 적합성 검토의 필요성을 증가시킵니다.

모델 구성 및 특징

이러한 한계를 보완하기 위해 『국과연 RAM 특화연구실』에서는 RiAC-HDBK-217Plus의 부품 데이터와 환경 모델을 기반으로 MIL-HDBK-217F 및 FIDES의 영향인자를 통합한 혼합모델을 개발하였습니다.

혼합모델은 각 규격의 특성을 결합하여 최신 전자부품의 특성, 다양한 운용환경 및 온도 변화에 따른 열적 스트레스 등을 보다 폭넓게 고려할 수 있도록 설계되었습니다.

적용 규격의 기준 버전은 다음과 같습니다.

  • MIL-HDBK-217F: Notice 2
  • HDBK-217Plus: 2015, Notice 1, 2017년 1월 15일 기준
  • FIDES: FIDES Guide 2009 Edition A

지원 범위

KRPS는 혼합모델의 9개 Category에 대한 고장률 예측 수식을 제공합니다.


K-Factor

개요

K-Factor는 동일하거나 유사한 품목의 예측 데이터 및 야전운용 데이터를 활용하여 분석 대상 품목의 고장률 또는 MTBF(Mean Time Between Failures)를 보정하는 기법입니다.

설계단계에서는 실제 운용 데이터가 충분하지 않을 수 있습니다. 이 경우 기능, 구조, 구성품 및 운용 특성이 유사한 품목의 데이터를 활용하여 부족한 정보를 보완하고, 분석 대상의 특성을 반영한 고장률을 산출할 수 있습니다.

KRPS는 데이터북에 수록된 품목의 운용환경 및 전력분야 특성을 고려하여 K-Factor를 산출하고, 이를 활용해 예측 결과를 분석 대상의 운용조건에 맞게 보정할 수 있도록 지원합니다.

또한 환경 요인뿐 아니라 체계 복잡도(System Complexity), 구성품 수(Number of Parts), 크기 및 구조적 특성 등 다양한 요소를 고려한 정량적·정성적 보정 방법을 제공합니다.

복합요인 기반 보정

복합요인 기반 보정은 기준 품목의 MTBF에 복잡성, 온도 및 운용환경 요인을 반영하여 신규 품목의 MTBF를 산출하는 방법입니다.

기본 산식은 다음과 같습니다.


신규 MTBF = BaseLine MTBF * 복잡성 인자 * 온도인자 * 환경인자


주요 보정 인자는 다음과 같습니다.

  • 복잡성 인자: MTBF 비율, 하위 구성품 수 비율, 크기 비율, 면적 비율, 직경 비율 등
  • 온도 인자: 기준 품목과 분석 대상의 운용온도 차이를 반영하는 인자
  • 환경 인자: 운용환경의 차이를 반영하는 인자. 원문에서는 MIL-HDBK-338B의 Conversion Factor 활용을 제시함


주요 적용 사례와 산식은 다음과 같습니다.

적용 조건
산식 또는 적용 방법
동일 품목을 다른 운용온도에 적용
신규 MTBF = 원본 MTBF × 온도 인자
동일 품목을 다른 운용환경에 적용
신규 MTBF = 원본 MTBF × 환경 인자
분석 품목과 유사 품목의 예측값이 있고, 유사 품목의 야전 분석값이 있는 경우
신규 품목 MTBF = 유사 품목 야전 MTBF × (분석 품목 예측 MTBF / 유사 품목 예측 MTBF)
분석 품목과 유사 품목의 하위 품목 수 및 유사 품목의 야전·예측 분석값이 있는 경우
신규 품목 MTBF = 유사 품목 야전 또는 예측 MTBF × (분석 품목의 구성품 수 / 유사 품목의 구성품 수)
사용자가 별도의 보정 조건을 지정하는 경우
사용자 지정 조건 및 인자 적용

※ 실제 적용 시에는 각 인자의 정의, 단위, 산출 기준 및 적용 방향을 확인해야 합니다. 특히 MTBF 비율과 구성품 수 비율 등을 활용하는 경우 해당 비율이 예측 대상의 특성을 적절하게 반영하는지 검토해야 합니다.


데이터북 기반 유사 품목 보정

데이터북 기반 K-Factor는 분석 대상 품목의 야전운용 분석값이 없거나, 동일 품목의 다른 운용환경 데이터를 분석 대상에 적용해야 하는 경우에 활용할 수 있습니다.

주요 적용 절차는 다음과 같습니다.

  1. 분석 대상 품목의 운용환경과 전력분야 특성을 확인합니다.
  2. 데이터북에서 동일하거나 유사한 품목을 선정합니다.
  3. 선정된 유사 품목의 운용환경별 고장률 데이터를 확인합니다.
  4. 동일 운용환경과 다른 운용환경의 고장률 비율을 산출하여 보정에 활용합니다.
  5. 적용한 품목, 운용환경, 데이터 출처 및 보정 근거를 기록합니다.

주요 고려사항은 다음과 같습니다.

  • 동일 품목의 운용환경 분류는 원문 기준으로 MIL-HDBK-217F의 Environment 분류체계를 따릅니다.
  • 유사 품목의 동일 운용환경 및 비교 대상 운용환경에 대한 데이터가 확보되어야 합니다.
  • 유사 품목 선정의 타당성과 환경 차이에 따른 보정의 적절성을 검토해야 합니다.


MCMC(Markov Chain Monte Carlo)

개요

MCMC(Markov Chain Monte Carlo)는 사전정보와 시험·운용 데이터를 결합하여 고장률의 사후분포를 추정하는 통계적 기법입니다.

KRPS에서는 예측 고장률을 사전정보로 활용하고, 시험 또는 야전운용에서 확보한 고장 기록 및 고장 간 시간 데이터를 반영하여 사후분포를 추정할 수 있습니다. 이를 통해 기존 예측값에 실제 관측 데이터의 정보를 반영한 신뢰도 분석을 수행할 수 있습니다.

분석 절차 및 주요 입력정보

MCMC 기반 분석은 베이지안 추론에 따라 사전분포와 데이터의 우도함수를 결합하여 사후분포를 구성하고, MCMC 샘플링을 통해 사후분포의 특성을 추정하는 방식으로 수행됩니다.

주요 요소는 다음과 같습니다.

  • 사전분포(Prior Distribution): 기존 예측 결과 또는 사전정보를 반영한 고장률 분포
  • 시험·운용 데이터: 고장 기록, 고장 간 시간 등 실제 관측 자료
  • 우도함수(Likelihood Function): 관측 데이터가 주어질 확률을 나타내는 함수
  • MCMC 샘플링: 마르코프 체인 기반의 몬테카를로 표본 추출을 통해 사후분포를 추정하는 절차

​

​image.png


분석 결과의 신뢰성은 사전분포의 적절성, 데이터의 품질과 양, 확률모델의 가정 및 샘플링의 수렴 여부 등에 영향을 받습니다.


CTMC(Continuous-Time Markov Chain)

개요

CTMC(Continuous-Time Markov Chain)는 시스템의 상태 변화가 연속적인 시간에 따라 발생하는 것으로 모델링하여 신뢰도를 분석하는 기법입니다.

복잡한 시스템의 구성품 고장, 중복설계, 공유 부하(Shared Load), 수리정책, 성능 저하, 유발고장 및 종속고장 등 다양한 요소를 상태 전이 모델로 표현할 수 있습니다. 이를 통해 시스템의 시간에 따른 상태 변화와 신뢰도 특성을 분석할 수 있습니다.

모델 구성 및 분석 절차

CTMC 분석에서는 시스템 또는 조립체의 구성과 동작 특성을 바탕으로 상태(State)를 정의하고, 상태 간 전이(Transition)를 연결하여 모델을 구성합니다. 이후 각 상태 전이의 발생률과 운용시간 등의 조건을 적용하여 분석을 수행합니다.

주요 입력정보는 다음과 같습니다.

  • 시스템 또는 조립체의 하위 조립체 및 구성품 정보
  • 구성품별 고장률((\lambda))
  • 수리시간(MTTR)
  • 구성품의 직렬·병렬 구조 및 시스템 구성정보
  • 운용·정비 시나리오(OMS/MP) 등 임무 관련 정보


​image.png


CTMC 모델의 정확도는 상태 정의, 전이 조건, 고장 및 수리 가정의 적절성에 영향을 받으므로, 분석 목적에 부합하는 모델 구성과 입력자료 검토가 필요합니다.


베이지안 네트워크(Bayesian Network, BN)

개요

베이지안 네트워크(BN)는 변수 간 확률적 의존관계를 방향성 비순환 그래프(Directed Acyclic Graph, DAG)와 조건부 확률분포로 표현하는 분석 기법입니다. 제한된 정보에서도 구성품과 시스템 간 관계를 모델링하고, 설계 데이터에 내재된 불확실성을 고려하여 시스템의 신뢰도를 분석할 수 있습니다.

KRPS에서는 시스템의 구조정보를 바탕으로 베이지안 네트워크를 구성하고, 각 노드의 조건부 확률표(Conditional Probability Table, CPT)를 설정하여 시스템 신뢰도를 예측합니다. 또한 임무준비태세(Mission Readiness) 부호 등에 따른 다중상태(Multi-State) 특성을 반영할 수 있도록 구성하였습니다.

시스템 구조 모델링

시스템의 구성품 중 하나 이상에서 고장이 발생하면 상위 시스템의 고장으로 이어지는 직렬(Series) 구조는 OR Gate 형태로 모델링할 수 있습니다.

그러나 실제 시스템에서는 중복설계(Redundancy), 고장허용(Fault Tolerance) 및 구성품 간 상호작용 등의 영향으로 하위 구성품의 고장이 반드시 상위 시스템의 고장으로 이어지지는 않을 수 있습니다. 따라서 단순한 OR Gate만으로는 실제 시스템의 불확실성과 고장 전파 특성을 충분히 표현하기 어려울 수 있습니다.

이러한 한계를 보완하기 위해 KRPS에서는 Noisy-OR Gate 및 Noisy-OR Leak Gate를 적용합니다.

Noisy-OR Gate

일반적인 OR Gate는 하나 이상의 하위 구성품 또는 서브시스템에 고장이 발생하면 상위 시스템도 고장 상태가 된다고 가정합니다.

반면 Noisy-OR Gate는 각 하위 구성품의 고장이 상위 시스템의 고장을 유발하는 확률을 개별적으로 설정합니다. 이에 따라 하위 구성품의 고장이 상위 시스템의 고장으로 이어지는 관계를 확률적으로 표현할 수 있습니다.

이 모델은 구성품별 영향의 차이와 시스템의 불확실성을 반영하는 데 유용합니다. 다만 실제 시스템의 중복설계 및 고장허용 특성을 반영하려면 이에 적합한 네트워크 구조와 조건부 확률을 설정해야 합니다.

Noisy-OR Leak Gate

설계 단계에서 식별된 구성품과 고장 관계만으로는 실제 운용환경에서 발생할 수 있는 모든 고장모드(Failure Mode)와 원인을 완전하게 설명하기 어렵습니다.

Noisy-OR Leak Gate는 모델에 명시적으로 포함되지 않은 잠재적 고장원인이 존재할 가능성을 확률적으로 반영하는 기법입니다. 이에 따라 모든 하위 구성품이 정상 상태인 경우에도, 모델에 포함되지 않은 원인으로 인해 상위 시스템에 고장이 발생할 가능성을 고려할 수 있습니다.

이를 통해 시스템 구조도나 구성품 목록만으로는 충분히 설명하기 어려운 잔여 고장 가능성을 모델에 반영할 수 있습니다.

적용 시 고려사항

베이지안 네트워크의 분석 결과는 네트워크 구조와 CPT 설정에 영향을 받습니다. 따라서 구성품 간 인과관계, 고장 전파 구조, 다중상태 정의 및 확률값의 산출 근거를 명확히 해야 합니다.

또한 Noisy-OR Gate 및 Noisy-OR Leak Gate를 적용할 때는 각 구성품의 고장 영향과 미모델링 고장원인의 의미를 구분하고, 중복 반영이나 확률 설정의 불일치가 발생하지 않도록 검토해야 합니다.