MTBF란?
MTBF(Mean Time To Failure)는 시스템 또는 제품의 신뢰도를 예측하기 위해 사용된다. MTBF는 고장 시 까지의 평균 작동 시간으로 제품의 기대 수명을 의미하기도 하는데 보통 시간 단위로 표현한다. 예를 들어, MTBF가 1,000시간이면 평균적으로 시스템이 1,000시간 동안 성공적으로 작동한 후 고장이 발생한다는 것을 의미한다. 그러나 이것은 단지 예측된 값일 뿐이며, 해당 시스템이 정확히 1,000시간 후에 고장이 발생한다는 것을 의미하는 것은 아니다.
MTBF는 어떻게 계산되나?
고장률(Failure Rate)과 MTBF는 역수 관계이기 때문에 고장률을 계산할 경우 MTBF 또한 계산이 가능하다. 또한, 신뢰도 공학 분야에서 잘 알려져 있는 분석 기법 및 방법론을 사용하여 전기/전자 제품의 고장률 계산이 가능하다. 고장률 계산 시 가장 잘 알려져 있고 널리 사용되는 접근 방식은 신뢰도 예측이다. 따라서 신뢰도 예측은 MTBF를 계산하는 데 매우 중요하다.
신뢰도 예측은 지속적인 품질 개선 노력의 일환으로 제품 설계 및 개발에 주로 사용되며, 신뢰도 예측의 정량적 평가 지표는 고장률, MTBF 및 기타 신뢰도 관련 지표이다.
MTBF 계산을 위한 신뢰도 예측은 수학 기반 방법론이기 때문에 소프트웨어 도구를 활용하여 손쉽게 분석이 가능하다.
MTBF 예측을 위한 단계 알아보기
MTBF 예측 시 신뢰도 예측 소프트웨어를 사용할 경우 따라야 할 간단한 단계별 프로세스가 있다. 또한, 이 단계별 프로세스는 반복적으로 수행될 수 있으므로 분석 대상 제품이 발전하고 변화함에 따라 동일한 단계를 반복하여 MTBF 결과를 개선하는 것이 가능하다.
MTBF 예측을 위한 6단계 프로세스는 다음과 같다.
- 데이터 수집
- 신뢰도 예측 규격 선택
- 시스템 정의
- 구성품 추가
- MTBF 예측
- 개선을 위한 평가
1단계. 데이터 수집
신뢰도 예측 기법을 사용하여 MTBF를 평가하려면 제일 먼저 제품 또는 시스템에 대한 모든 필요한 정보를 획득해야 하며, 이에 포함되는 내용은 다음과 같다.
- 분석중인 시스템 또는 제품의 전반적인 구조 또는 설계
- 제품의 각 하위시스템 또는 장치에 포함된 구성품
- 환경 및 온도와 같은 제품의 작동 조건
- 전압 및 전류와 같은 구성품의 작동 스트레스
- 가능한 경우, 시험데이터 및 필드데이터(예: CAPA 또는 FRACAS에 누적된 데이터)
이러한 데이터의 대부분은 제품 설계도면, BOM(Bill of Materials) 또는 설계 엔지니어로부터 얻을 수 있다.
MTBF 예측을 위해 모든 시스템 구성품의 작동 스트레스와 같은 상세한 데이터는 필요하지 않다. 신뢰도 예측 소프트웨어 사용 시 파악이 불가한 정보(전압, 전류 등)에 대해서는 기본 값이 사용된다. MTBF 예측을 시작하는 데 필요한 최소값은 일반적으로 BOM을 통해 파악 가능하다.
또한, 현장에서의 시험데이터 또는 필드데이터를 사용하면 MTBF 예측을 더욱 세분화할 수 있다. 이 데이터는 실제 정보를 기반으로 예측 값을 조정하기 위해 설계 데이터와 함께 사용된다.
2단계. 신뢰도 예측 규격 선택
MTBF 예측을 위해 사용할 신뢰도 예측 규격을 결정하는 것이 항상 필요한 것은 아니다. 예를 들어, 계약상 요구되는 신뢰도 예측 규격이 있거나, 고객사에서 규격을 지정할 수 있다. 이러한 상황에서는 요구사항을 준수해야 한다.
다만, 명시적으로 지정된 요구사항이 없는 경우 아래와 같이 일반적으로 많이 사용되는 신뢰도 예측 규격을 선택하여 사용 가능하다.
- MIL-HDBK-217F Notice 2
- ANSI/VITA 51.1
- Telcordia SR-332
- 217Plus
또한 NPRD/EPRD 데이터베이스는 신뢰도 예측을 수행할 때 신뢰도 예측 규격과 함께 사용되는 경우가 많다. 이러한 데이터베이스는 실제 누적데이터를 기반으로 고장률 정보를 제공한다.
고장률 계산식
각 신뢰도 예측 규격은 다양한 전기/전자, 기계류 부품의 고장률을 계산하는 데 사용되는 계산식을 제공한다. 이러한 계산식은 오랜 시간에 걸쳐 방대한 양의 현장 데이터를 분석하여 구축되었다. 이 후 축적된 데이터의 고장 특성을 모델링하는 계산식을 개발하기 위해 통계 분석이 수행되었다.
예를 들어 집적 회로(IC)에 대한 MIL-HDBK-217의 계산식은 다음과 같다.
λp = (C1 * πT + C2 * πE) * πQ * πL
- λp = Failure Rate in Failures/Million Hours (또는 FPMH)
- C1 = 게이트 또는 트랜지스터의 수와 같은 장치의 복잡성에 영향
- πT = 주변 온도 및 장치와 관련된 온도 상승의 요인
- C2 = 장치 패키지 또는 표면 장착, 밀봉된 표면과 같이 시스템이 제조 및 배치되는 방법에 영향
- πE = 우주, 항공기와 같이 장치가 작동하는 환경 고려
- πQ = 조달 방법에 따라 장치의 품질 결정
- πL = 장치 제조 기간에 영향
위와 같이 계산식은 매우 복잡하다. 또한 각 신뢰도 예측 규격 및 부품의 유형에 따라 다르다. 예를 들어, 전기 저항기에 대한 계산식은 위에 예제로 나온 IC에 대한 계산식과 다른데, 특정 Pi 팩터(π)와 이들이 의존하는 데이터는 기기 유형에 따라 다르기 때문이다. 여기서 효율적인 MTBF 예측을 수행하기 위해 신뢰도 예측 소프트웨어를 사용해야 하는 이유를 알 수 있다.
시스템 내 각 구성품의 고장률은 이러한 계산식을 사용하여 분석되며, 모든 구성품 고장률의 합은 시스템 전체의 고장률이다.
MIL-HDBK-217
MIL-HDBK-217 또는 Military Handbook : Reliability Prediction of Electronic Equipment는 가장 널리 사용되고 인정받는 신뢰도 예측 규격 중 하나이다. 이 모델은 최초로 개발된 모델 중 하나였으며, 오늘날 이용 가능한 대부분의 다른 신뢰도 규격은 MIL-HDBK-217에 뿌리를 두고 있다. 초기에는 국방 분야에 사용하도록 설계되었으나 현재는 모든 산업 분야에서 널리 사용되고 있다. 최신 버전은 MIL-HDBK-217F Notice 2이다.
ANSI/VITA 51.1
ANSI/VITA 51.1 또는 American National Standards Institute VITA 51 : Reliability Prediction MIL-HDBK-217 Subsidiary Specification은 MIL-HDBK-217F Notice 2에 대한 권장 수정 사항을 제공하는 규격이다. ANSI/VITA 51.1은 MIL-HDBK-217의 개정판이 아니라 MTBF의 일관성을 제공하기 위해 MIL-HDK-217F Notice 2 계산에 대한 입력의 규격화이다.
Telcordia SR-332
Telcordia는 Bellcore로 처음 제정되었으며, Bellcore/Telcordia 규격은 전기 통신 산업에서 사용하기 위해 개발되었다. 오늘날 Telcordia는 다양한 산업 분야에서 사용되고 있으며, Telcordia Issue 4가 최신 Telcordia 신뢰도 예측 규격이다.
217Plus
217Plus™는 Quanterion Solutions에서 개발했다. 217Plus에 대한 작업은 국방부와 RAC(Reliability Analysis Center) 및 RIAC(Reliability Information Analysis Center)의 계약에 따라 시작되었으며, 원래 PRISM이라는 이름으로 출시되었다. 217Plus의 고장률 모델은 MIL-HDBK-217에 뿌리를 두고 있지만 운용 프로파일, 환경 인자 및 프로세스 등급이 신뢰도에 미치는 영향을 포함하도록 개선되었다. 최신 버전은 217Plus 2015 Notice 1이다.
NPRD/EPRD 데이터베이스
NPRD(Non-electronic Parts Reliability Data) 및 EPRD(Electronic Parts Reliability Data)는 고장률 계산식에 기초한 규격이 아니라 광범위한 전기/전자, 기계 부품 및 실제 운용정보에 기초한 고장 데이터를 포함하는 데이터북이다. NPRD 및 EPRD는 계산식으로 모델링 되지 않은 장치에 대한 추정치를 제공할 수 있다. 이러한 데이터베이스의 최신 버전인 NPRD2016 및 EPRD2014는 신뢰도 예측 규격과 함께 사용할 수 있다.
3 단계. 시스템 정의
분석을 시작하기 위한 기초 작업(필요한 데이터 수집 및 사용할 규격 선택)이 완료되면 3단계에서 MTBF 예측이 본격적으로 시작된다.
시스템 정의를 위해서는 먼저 제품 또는 시스템의 전반적인 구조를 검토해야 하며, 분석하려는 항목의 계층적 표현을 정의하는 것이 시작점이다. 계층구조로 시스템을 정의하면 전체 고장률에 대한 개별 서브시스템의 기여도를 쉽게 확인할 수 있다. 이러한 방식에는 다음과 같은 이점이 있다.
- 첫째, 한 번에 하나의 서브시스템에 집중할 수 있도록 하여 작업을 보다 효율적으로 구성할 수 있다.
- 둘째, 팀 구성원 간에 업무를 분담하여 작업 시간을 최소화할 수 있다.
- 마지막으로, 개선 작업으로 이동함에 따라 어느 부분에 가장 노력을 기울여야 하는지 쉽게 결정할 수 있다.
예를 들어 드론을 분석하면 드론을 드론 본체와 지상 컨트롤러의 서브시스템으로 분해할 수 있다. 다음으로 드론 본체를 마더 보드, GPS 그리고 카메라로 더 세분화할 수 있다.
Example system breakdown for analyzing a drone
4 단계. 구성요소 추가
서브시스템이 정의되면 각 서브시스템을 구성하는 모든 부품을 추가한다. 예를 들어 회로 기판의 경우 해당 회로 기판의 모든 구성품을 추가해야 한다. 이 목록에는 저항, 캐패시터, IC 등과 같은 모든 장치가 포함된다.
이 정보는 BOM에서 얻을 수 있다. 대부분의 경우 BOM에 입력된 데이터를 신뢰도 예측 소프트웨어로 직접 가져올 수 있어서 데이터를 훨씬 빠르고 쉽게 입력할 수 있다.
Example BOM which can be imported into Relyence Reliability Prediction software
위에서 언급한 바와 같이, 각 부품 유형에는 기기 고장률을 계산하는 데 사용되는 여러 특정 데이터 파라미터가 있다. 각 구성품이 분석에 포함되면 입력 가능한 특정 데이터를 최대한 입력해야 한다.
신뢰도 예측 소프트웨어에는 이러한 작업을 더 쉽게 할 수 있는 많은 기능이 있다. 예를 들어, Relyence Reliability Prediction에는 이 프로세스를 간소화하는 기능이 포함되어 있다.
- 부품에 대한 정보가 부족할 경우 적절한 기본값 사용이 가능하다.
- 광범위한 라이브러리가 자동으로 활성화되어 전압비, 핀 수 등과 같은 데이터의 파라미터 사용이 가능하다.
- 고유한 Intelligent Part MappingTM 기능을 통해 부품 설명을 디코딩하여 최대한으로 많은 정보 검색이 가능하다.
- 쉽게 검색하고 재사용 할 수 있도록 자신만의 구성품 라이브러리를 만들고 지속적으로 업데이트 할 수 있다.
- NPRD 및 EPRD 데이터베이스를 포함한 모든 라이브러리를 쉽게 검색하여 부품 데이터를 조회하고 검색할 수 있다.
- Knowledge Bank 기능을 사용하면 전체 서브시스템을 저장하여 다른 분석 수행 시 재사용할 수 있다.
5 단계. MTBF 예측
이제 모든 데이터를 입력했으므로 MTBF 예측을 수행할 수 있다. 신뢰도 예측 소프트웨어를 사용할 경우, 계산 엔진을 작동하면 모든 부품 고장률을 체계적으로 계산하고 시스템 구조를 기반으로 고장을 적절히 Roll Up하며 필수 MTBF 메트릭을 생성한다.
Example results of Reliability Prediction analysis
설계가 진행됨에 따라 설계 변경이 발생하고 더 많은 데이터를 사용할 수 있게 되면 새로 획득한 정보로 신뢰도 예측 내용을 업데이트할 수 있다. 그런 다음 고장률과 MTBF 값을 재계산하여 시스템 신뢰도에 대한 변경 사항을 지속적으로 추적할 수 있다.
6 단계. 개선을 위한 평가
MTBF 예측이 완료되면 결과를 검토한다. 시스템의 MTBF를 개선하기 위한 노력이 필요할 수도 있는데, 예를 들어 특정 MTBF 목표를 충족하기 위한 계약 요구 사항이 있을 수 있거나 충족해야 하는 품질 목표에 대한 내부 요구 사항이 있을 수 있다.
개별 부품과 관련된 π 팩터를 보면 특정 설계 변경이 얼마나 효과적인지 확인할 수 있다. 예를 들어, 특정 장치의 πT 계수가 매우 높은 경우에는 장치 온도(πT의 결정 계수)를 낮추면 고장률이 감소한다. 이 구성요소에 팬을 추가하면 작동 온도가 낮아져 MTBF가 향상될 수 있다.
Example Pi factor calculation
What-if 분석은 전반적인 시스템 신뢰도를 개선하기 위해 다양한 설계 옵션을 고려할 수 있는 유용한 방법이다. What-if 분석을 통해 데이터 파라미터를 변경하고 고장 메트릭에 대한 결과를 신속하게 평가할 수 있다.
대시보드는 시스템 신뢰도 지표를 손쉽게 확인 가능하다. 예를 들어, 전체 고장률이 가장 높은 구성품을 포함하는 차트나 원형 차트를 통해 각 서브시스템의 전체 시스템 고장률에 대한 기여도를 쉽게 볼 수 있다. 이러한 정보를 통해 개선에 가장 큰 영향을 미칠 수 있는 영역을 신속하게 파악할 수 있다.
Example Relyence Reliability Prediction Dashboard
Relyence Reliability Prediction Software
Relyence Reliability Prediction은 신뢰도 예측 규격을 기반으로 MTBF 예측을 수행하기 위한 효율적인 플랫폼을 제공한다. 모든 규격에 대한 지원 외에도 Relyence Reliability Prediction은 탁월한 효율성으로 분석을 수행할 수 있는 다양한 기능을 가지고 있다.
