와이블 분포, 고장 데이터로 칩의 수명을 읽는 법

사과 한 상자를 서늘한 창고에 두고 매일 들여다보며, 썩은 사과가 나온 날짜를 하나씩 적어 본다고 생각해 봅시다. 처음 며칠은 흠집 난 사과가 먼저 상하고, 한동안 잠잠하다가, 시간이 오래 지나면 멀쩡하던 사과들도 줄줄이 무르기 시작하죠. 이 기록을 잘 정리하면 상자 전체가 언제쯤 절반 넘게 상할지 미리 짐작할 수 있습니다.

신뢰성 엔지니어가 칩의 고장 시간을 다루는 방식도 이와 같습니다. 고장 난 시간을 모아 하나의 분포로 맞추면, 고장이 초기에 몰리는지 아니면 마모로 늘어나는지까지 읽을 수 있죠. 이때 가장 널리 쓰는 도구가 와이블 분포입니다. 이 글에서는 그 의미와 와이블 플롯으로 데이터를 분석하는 순서를 계산 예시와 함께 정리합니다.

와이블 분포란 무엇인가

와이블 분포(Weibull Distribution)는 시간 t까지 고장 난 비율을 F(t) = 1 − exp[−(t/η)^β]로 나타내는 확률 분포입니다. 모수가 두 개뿐인데도 고장률이 줄어드는 경우, 일정한 경우, 늘어나는 경우를 모두 표현할 수 있어 수명 데이터 분석의 표준 도구로 자리 잡았죠.

척도 모수(η, Scale Parameter)는 특성 수명이라고도 부릅니다. t = η를 식에 넣으면 F = 1 − e⁻¹ ≈ 0.632가 되므로, η는 β 값과 상관없이 전체의 63.2%가 고장 나는 시간이죠. 형상 모수(β, Shape Parameter)는 고장률이 시간에 따라 어떻게 변하는지를 정합니다.

순간 고장률은 h(t) = (β/η) × (t/η)^(β−1)로 쓸 수 있습니다. β가 1이면 지수 부분이 사라져 고장률이 1/η로 일정해지는데, 이것이 MTTF 계산에서 흔히 쓰는 지수 분포와 같은 경우입니다. 와이블 분포는 지수 분포를 특별한 경우로 품고 있는 더 넓은 틀이라고 볼 수 있죠.

형상 모수 β가 알려 주는 고장의 성격

β가 1보다 작으면 시간이 지날수록 고장률이 줄어듭니다. 약한 개체가 먼저 고장 나 걸러지고 튼튼한 개체만 남는 초기 고장의 모습이죠. 공정 결함이 원인인 경우가 많아, 번인 같은 선별 공정의 필요성을 판단하는 근거가 됩니다.

β가 1 근처면 고장률이 거의 일정한 우발 고장입니다. 고장이 나이와 상관없이 무작위로 일어난다는 뜻이죠. β가 1보다 크면 시간이 갈수록 고장률이 커지는 마모 고장으로, 전자이동이나 절연막 파괴, 솔더 접합의 피로처럼 손상이 쌓이는 메커니즘에서 주로 나타납니다.

사과 상자에 빗대면, 흠집 난 사과가 먼저 상하는 시기는 β가 1보다 작은 구간이고, 오래 두어 멀쩡하던 사과까지 무르는 시기는 β가 1보다 큰 구간입니다. 다만 사과는 한 상자의 기록으로 끝나지만, 칩은 고장 메커니즘마다 β가 달라 원인별로 나눠 분석해야 한다는 점이 다르죠.

와이블 플롯, 곡선을 직선으로 펴는 원리

이 분포의 식은 곡선이지만, 로그를 두 번 취하면 직선이 됩니다. F(t) 식을 정리하면 ln[−ln(1 − F)] = β × ln t − β × ln η가 되죠. 가로축에 ln t, 세로축에 ln[−ln(1 − F)]를 놓으면 데이터가 와이블 분포를 따를 때 점들이 직선 위에 놓입니다.

이렇게 그린 그래프를 와이블 플롯(Weibull Plot)이라고 부릅니다. 직선의 기울기가 곧 β이고, 세로축 값이 0이 되는 지점, 즉 F가 63.2%인 지점의 시간이 η죠. 점들이 직선에서 크게 휘어 있다면 와이블 분포 하나로는 설명되지 않는 데이터라는 신호로 읽습니다.

문제는 각 고장 시점의 F 값을 어떻게 정하느냐입니다. 시료 10개 중 첫 번째 고장이 났다고 F를 그대로 10%로 두면 표본이 작을 때 치우침이 생기므로, 중앙 순위(Median Rank)를 씁니다. 실무에서는 고장 순번 i와 전체 시료 수 n으로 계산하는 Bernard의 근사식 (i − 0.3) / (n + 0.4)가 널리 쓰이죠.

계산 예시로 따라가는 분석 순서

칩 10개로 가속 수명 시험을 하다가 800시간에 시험을 멈췄고, 그 사이 5개가 고장 났다고 가정해 봅시다. 고장 시간은 250, 400, 520, 610, 700시간이고, 나머지 5개는 800시간까지 살아남았죠.

순번 i	고장 시간 t	중앙 순위 F	ln t	ln[−ln(1 − F)]
1	250시간	6.7%	5.52	−2.66
2	400시간	16.3%	5.99	−1.72
3	520시간	26.0%	6.25	−1.20
4	610시간	35.6%	6.41	−0.82
5	700시간	45.2%	6.55	−0.51

다섯 점에 직선을 맞추면 기울기 β는 약 2.1, 특성 수명 η는 약 910시간이 나옵니다. 첫 점과 마지막 점만으로 기울기를 어림해도 2.15 ÷ 1.03 ≈ 2.1로 비슷하죠. β가 1보다 뚜렷이 크므로 이 시험에서 나온 고장은 마모형 고장으로 읽을 수 있습니다.

분포가 정해지면 원하는 누적 고장률의 시간도 계산할 수 있습니다. 전체의 10%가 고장 나는 시간인 B10 수명은 η × (−ln 0.9)^(1/β)로 구하며, 이 예시에서는 약 310시간이죠. 다만 이 숫자는 가속 조건의 시간이므로, 사용 조건의 수명으로 바꾸려면 가속 계수를 곱해야 합니다.

중도 절단 데이터와 분석할 때 주의할 점

앞의 예시에서 800시간까지 살아남은 5개는 고장 시간을 모르는 데이터입니다. 이런 데이터를 중도 절단(Censoring) 데이터라고 하죠. 흔히 고장 나지 않은 시료는 분석에서 빼도 된다고 생각하지만, 이들을 빼면 n이 5로 줄어 고장률을 크게 부풀리게 됩니다.

살아남은 시료도 “최소한 800시간은 버텼다”는 정보를 담고 있으므로 전체 시료 수 n에 반드시 포함해야 합니다. 이 예시처럼 생존 시료가 모두 마지막 고장 뒤에 있으면 중앙 순위를 그대로 쓰면 되고, 시험 중간에 빼낸 시료가 섞여 있으면 순위를 조정하는 방법을 쓰죠. 중도 절단이 많거나 데이터가 적을 때는 최대우도추정(MLE, Maximum Likelihood Estimation)이 더 안정적인 결과를 주는 경우가 많습니다.

플롯이 중간에 꺾여 두 개의 직선처럼 보이면 서로 다른 고장 메커니즘이 섞였을 가능성이 큽니다. 이때는 고장 분석으로 원인을 먼저 나눈 뒤 메커니즘별로 따로 맞춰야 하죠. 또 시료가 적을수록 β와 η의 불확실성이 커지므로, 점추정만이 아니라 신뢰 구간을 함께 제시하는 것이 바른 보고 방식입니다.

형상 모수 β 범위별 비교 표

구분	β < 1	β ≈ 1	β > 1
고장률 변화	시간이 갈수록 감소	거의 일정	시간이 갈수록 증가
욕조 곡선 구간	초기 고장	우발 고장	마모 고장
대표 원인	제조 결함, 오염, 약한 접합	외부 과전압, 우연한 충격	전자이동, 절연막 파괴, 솔더 피로
와이블 플롯 기울기	완만함	1에 가까움	가파름
주된 대응	번인과 공정 개선	보호 설계와 사용 환경 관리	설계 마진과 수명 규격 관리

핵심 정리

와이블 분포는 척도 모수 η와 형상 모수 β 두 개로 초기 고장부터 마모 고장까지 표현하는 수명 분포입니다. 고장 시간을 중앙 순위로 바꿔 와이블 플롯에 찍으면 직선의 기울기가 β, 63.2% 지점이 η가 되고, 살아남은 시료도 n에 포함해야 고장률을 바르게 추정할 수 있죠.

사과가 썩은 날짜를 꼼꼼히 적어 두면 상자 전체의 운명을 짐작할 수 있듯, 고장 시간 기록은 칩 집단의 수명을 알려 줍니다. 데이터를 받으면 먼저 플롯이 한 직선으로 놓이는지부터 보고, 그다음에 β와 η를 해석하는 순서를 지키면 실수를 크게 줄일 수 있습니다.

면접 대비 질문