분석 실행

업로드된 시험 데이터에 대해 Weibull 분석과 신뢰성 예측을 수행하는 방법을 설명합니다.

Weibull 분석 개요

Weibull 분포는 고장 시간 데이터를 모델링하는 데 가장 널리 사용되는 수명 분포입니다. 두 개의 핵심 모수로 고장 패턴을 설명합니다.

β 값에 따른 고장 메커니즘 해석:

• β < 1: 초기 고장 (Infant Mortality). 제조 결함, 조립 불량이 원인
• β ≈ 1: 우발 고장 (Random Failure). 외부 충격, 과부하 등 무작위 원인
• β > 1: 마모 고장 (Wear-out). 피로, 부식, 절연 열화 등 경년 열화

MTTF (평균 고장 시간)

Weibull 분포의 MTTF는 다음과 같이 계산됩니다.

MTTF = η × Γ(1 + 1/β)

여기서 Γ는 감마 함수입니다. simulation/domain/ 모듈이 이 계산을 자동으로 수행합니다.

시뮬레이션 실행

CLI에서 실행

simulation/runner.py가 분석의 진입점입니다.

cd ev-motor-reliability
source venv/bin/activate

# 기본 Weibull 분석 실행
python -m simulation.runner --input data/test_001.csv --analysis weibull

# 복수 파일 일괄 분석
python -m simulation.runner --input data/*.csv --analysis weibull --batch

# Monte Carlo 시뮬레이션 포함
python -m simulation.runner --input data/test_001.csv --analysis weibull --monte-carlo --iterations 10000

웹 대시보드에서 실행

1. 대시보드에서 분석할 데이터셋을 선택합니다
2. 분석 설정 패널에서 분석 유형과 파라미터를 지정합니다
3. 분석 시작 버튼을 클릭합니다
4. 진행률 표시줄이 나타나며, 완료 시 결과 페이지로 이동합니다

분석 파라미터 설정

기본 파라미터

고장 판정 기준

시험 데이터에서 고장 시점을 판정하는 기준을 설정합니다.

복수 기준을 조합하여 OR/AND 조건으로 설정할 수 있습니다.

# config 예시 (analysis 모듈에 전달)
analysis_config = {
    "confidence_level": 0.90,
    "estimation_method": "mle",
    "failure_criteria": {
        "mode": "or",
        "conditions": [
            {"type": "temperature", "threshold": 180.0},
            {"type": "current_imbalance", "threshold": 0.15},
        ],
    },
}

추정 방법 비교

결과 해석

분석이 완료되면 아래 결과가 생성됩니다.

모수 추정 결과

========================================
Weibull Analysis Result
========================================
Shape (β):     2.45 [1.87, 3.21] (90% CI)
Scale (η):     8,520 h [7,100, 10,220] (90% CI)
MTTF:          7,553 h
B10 Life:      3,012 h
Correlation:   0.987
========================================

• Shape (β) = 2.45: β > 1이므로 마모 고장 패턴. 사용 시간이 길수록 고장률 증가
• Scale (η) = 8,520 h: 전체 시험 유닛의 63.2%가 8,520시간 이내에 고장
• MTTF = 7,553 h: 평균 고장 시간
• B10 Life = 3,012 h: 전체의 10%가 고장나는 시점. 보증 기간 설정에 활용
• Correlation = 0.987: Weibull 적합도. 0.95 이상이면 양호

B-Life 해석

B-Life는 누적 고장 확률이 특정 퍼센트에 도달하는 시점입니다.

고장 예측 모델

Weibull 모수를 기반으로 향후 고장 확률을 예측합니다.

신뢰도 함수

시각 t에서 아직 고장나지 않을 확률:

R(t) = exp(-(t/η)^β)

고장률 함수 (Hazard Function)

시각 t에서의 순간 고장률:

h(t) = (β/η) × (t/η)^(β-1)

잔여 수명 예측

현재 가동 시간 t₀에서 추가로 Δt만큼 생존할 조건부 확률:

R(Δt | t₀) = R(t₀ + Δt) / R(t₀)

이 계산은 analysis/domain/ 모듈에서 제공하며, 결과는 JSON 및 CSV 형태로 내보낼 수 있습니다.

# 예측 결과 내보내기
python -m simulation.runner --input data/test_001.csv --analysis weibull --export results/

results/ 디렉토리에 다음 파일이 생성됩니다:

• weibull_params.json — 추정된 모수 및 신뢰 구간
• reliability_table.csv — 시간별 신뢰도/고장률 테이블
• prediction.csv — 잔여 수명 예측 결과

다음 단계

분석 결과를 차트로 확인하려면 시각화를 참조합니다.