Minitab 블로그

제품 고장을 예측하고 방지하는 방법 How to Predict and Prevent Product Failure

Written by Minitab Guest Blogger | 2020. 11. 24 오전 5:12:35

새로 산 차가 60마일(약 96km) 주행 후 고장 난다고 상상해 보십시오. 엔진 확인 표시등이 켜지면 차를 수리하기 위해 견인해야 합니다. 이는 보증뿐만 아니라 제품의 신뢰성 결여로 인한 현장 문제이기도 합니다.

신뢰성은 시간 경과에 따른 제품 품질이라고 정의되며, 통계적으로는 정해진 기간 동안 제품이 고장 나지 않을 확률을 의미합니다.

이 글은 Six Sigma Black Belt 인증 및 Shainin RedX 마스터인 Mr. Serhan Anac와 공동으로 작성되었습니다. Serhan Anac은 터키의 Robert Bosch에서 11년 동안 경력을 쌓은 문제 해결 전문가입니다.

고객 품질 프로젝트를 지휘하는 Serhan은 연구 개발에도 참여하고 있으며, 신뢰성 외에 몬테카를로(Monte Carlo) 시뮬레이션 및 기타 분석 엔지니어링 방법에도 관심을 기울이고 있습니다.

통계학자이자 데이터 과학 및 Minitab 애호가인 Serhan은 소속 기업이 공정을 개선하고 제조 문제에서 반복적으로 일어나는 문제를 해결하는 솔루션을 찾도록 돕고, 이를 다른 품질 전문가들이 배우고 성장할 수 있도록 자신의 모범 사례를 공유합니다.

고장 위험

이런 사례에서 문제의 원인은 보통 OEM(Original Equipment Manufacturer, 주문자 상표 부착 생산업체)에 있습니다. 이 경우 OEM은 근본 원인을 빠르게 찾고 현장에 있는 다른 차량의 고장 위험을 확인하여, 동일한 문제로 반품될 차량의 수 또는 정상적으로 주행을 계속할 차량(생존 제품이라고도 함)의 수를 예측할 수 있어야 합니다. 위험 수준이 매우 높은 경우 해당 시장에서 차량을 리콜 해야 할 수 있습니다.

O고장 부품을 찾은 후에는 해결되지 않은 위험 요소*를 확인하고 일정 기간 동안의 확률을 계산하기 시작합니다. 수명 데이터(예: 주기, 주행 거리, 주행 시간)는 정규 분포에 적합하지 않은 경우가 많기 때문에, Minitab Statistical Software를 통해 신뢰성을 분석하고 예측하려면 Weibull 분포 모형을 사용하는 것이 좋습니다.

관련 블로그: 고장 및 생존 위험 요소 정량화의 중요성

Minitab Statistical Software에서 신뢰성을 분석하려면 다음의 데이터가 필요합니다.

  • 고장 수량

  • 고장 시 주행 거리

  • 고장 날짜

  • 고장 부품의 생산 날짜

  • 차량 등록 날짜

  • 위험 기간 동안 생산된 수량

위의 데이터로부터 Minitab Statistical Software에서 분석을 진행할 때 필요한 입력 값을 얻을 수 있습니다.

데이터 자세히 살펴보기

연료 분사 장비의 오작동으로 인해 42대의 차량이 주행 중에 고장 났습니다. OEM(Original Equipment Manufacturer, 주문자 상표 부착 생산업체)에서 해당 사례를 보고했습니다. 조기 고장, 즉 초기 파손율도 기록되었기 때문에 생산 된 부품 수는 1,190만 개에 비해 낮게 나타납니다.

일부 부품은 고장 났지만 생존 차량은 주행을 계속하고 있습니다. 생존 차량의 수량 및 현재까지의 주행 거리를 고려해야 합니다.

신뢰성 분석 실행

모수 분포 분석은 고장 확률이 높은 차량의 수를 계산하는 데 유용합니다.


Graph: Weibull Probability Plot

 

신뢰성 분석에 대해 자세히 알아보고 싶으신가요? 전 세계로 제공되는 Minitab 교육 과정에 참가해 보세요. 과정에 대한 설명을 읽고 지금 문의하세요!

 

고장 확률이 높은 차량은 몇 대일까요?

자동차는 1년에 평균 45,000km를 주행합니다. 45,000km 및 135,000km까지의 추정 누적 확률을 아래의 표에서 확인할 수 있습니다.

표: 누적 고장 확률

생산된 부품은 1,190만 개입니다. 95% 신뢰 수준 상한에서 최대 예상 고장 반환율은 0.0000037로 추정됩니다. 따라서 100만 개의 부품 중 3.7개가 고장 날 것이라고 예측할 수 있습니다.

1,190만 대의 차량 중 고장 날 확률이 높은 차량은 44대입니다.

부품 1,190만 개 x 3.7ppm = 고장 확률이 높은 부품 44개

42대의 차량이 이미 고장 났고, 45,000km 미만에서 반품될 수 있는 차량은 2대로 예상됩니다.

OEM(주문자 상표 부착 생산업체)은 보통 부품 공급업체들과 정해진 기간 동안 부품이 고장 나지 않아야 한다는 보증 계약을 체결합니다.

이러한 데이터 기반 접근 방식은 다양하게 활용될 수 있습니다.

Minitab Statistical Software는 제품 신뢰성 계산을 위한 다양한 기능을 제공하며, 일부 기능이 이번 예시에서 시연되었습니다.

* 참고: 위험 요소는 질적 및 양적으로 모두 측정되지만, 이 블로그에서는 양적 측면에만 초점을 맞췄습니다.

사례 연구:
출시 시간 및 신뢰성을 위한 설계를 빛의 속도로 실현한 Signify

전구가 켜지는 순간을 준비하세요! 출시 시간과 제품의 신뢰성이 경쟁 우위로 직결되는 급속도로 변화하는 산업 현장에서 세계 1위 조명 회사인 Signify가 새로운 혁신을 빠르게 검증하는 방법에 대해 알아보세요. 1시간 동안 진행되는 이 웨비나에서 W.D. van Driel 교수와 P. Watté 박사가 이전 Philips Lighting의 Signify에서 Minitab Statistical Software를 사용해 신뢰성을 위한 설계 (DfR)를 실현하는 방법에 대해 설명합니다. 실제 사례를 통해 Signify에서 개발 비용을 낮추고 설계의 성능과 규정 준수를 개선하고 제품 설계 신뢰성 테스트의 속도를 높이는 방법에 대해 알아보세요. 앞으로 높은 사양의 제품을 개발할 예정이 있다면, 귀사 및 귀사의 고객을 위해 위험 요소와 제품 고장 및 클레임으로 인한 부담을 줄이는 방법을 배울 수 있습니다.