AFT 모형

같은 기종의 산업용 기계인데 어떤 기계는 300시간 만에 고장 나고, 어떤 기계는 900시간 이상 정상 작동하는 이유는 무엇일까요? 작동 온도가 높으면 고장까지 걸리는 시간이 줄어들까요? 정기적인 유지보수는 기계의 수명을 얼마나 늘릴 수 있을까요?

이처럼 특정 사건이 발생하기까지 걸리는 시간이 여러 조건에 따라 어떻게 달라지는지 분석하는 방법이 가속수명모형(AFT, Accelerated Failure Time Model)입니다.

고장 여부만 분석하면 언제 고장이 발생했는지에 대한 정보가 사라집니다. Cox 비례위험모형이 순간적인 위험의 상대적 크기를 위험비(HR)로 설명한다면, AFT 모형은 사건까지 걸리는 시간 자체가 몇 배가 되는지를 시간비(Time Ratio, TR)로 설명합니다. 관찰 기간 안에 고장 나지 않은 기계의 기록도 검열 자료로 활용할 수 있습니다.

기계·설비의 신뢰성 분석부터 의료 분야의 생존기간, 고객 이탈까지 걸리는 시간까지 폭넓게 활용됩니다. 이번 글에서는 산업용 기계의 고장 사례를 바탕으로 AFT 모형의 원리, 시간비 해석, 수명 분포 선택, Cox 모형과의 차이, 실제 결과를 보고할 때 주의할 점까지 살펴보겠습니다.

AFT 모형은 사건 발생까지의 시간에 로그를 취한 값을 설명변수로 설명하는 모수적 생존분석 모형입니다. 흔히 log(T) = β₀ + β₁X₁ + ··· + βₖXₖ + σϵ 형태로 표현하며, 오차항 분포에 대한 가정을 둡니다.

예를 들어 동일한 조건에서 유지보수를 받은 기계가 그렇지 않은 기계보다 고장까지 걸리는 시간이 더 길다면, 이를 시간비가 1보다 큰 결과로 나타낼 수 있습니다. 다만 효과는 모형이 가정하는 분포와 변수의 코딩 방식에 따라 해석해야 합니다.

가령 기계 A는 300시간에 고장 났지만 기계 B는 시험이 끝난 800시간까지 정상적으로 작동했습니다. B의 정확한 고장 시점은 알 수 없지만 적어도 800시간은 작동했다는 유용한 정보를 가지고 있습니다.

AFT 모형에서 다른 조건이 같을 때 설명변수가 한 단위 증가하면 전형적인 사건 발생시간의 배율은 exp(β)로 나타납니다. 이를 시간비(TR) 또는 가속계수(acceleration factor)라고 부릅니다. 기준 조건과 비교하여 시간축이 늘어나거나 줄어드는 것으로 이해하면 됩니다.

이 표는 모형의 시간 배율이 어떻게 적용되는지 보여주는 개념 예시입니다. 실제 개별 기계가 정확히 해당 시간에 고장 난다는 뜻은 아닙니다.

동일 기종의 산업용 기계 240대를 최대 1,000시간까지 관찰했다고 가정합니다. 각 기계에 대해 관찰 종료 시점까지의 작동 시간과 고장 여부를 기록하고, 작동 온도·부하 수준·유지보수 주기를 설명변수로 사용합니다.

아래에서 제시하는 시간비와 신뢰구간은 분석 결과를 설명하기 위한 가상 수치입니다. 240대의 실제 측정자료를 적합해 얻은 추정치는 아닙니다.

높은 부하의 시간비가 0.72라면, 다른 변수들을 같게 둔 상황에서 고장까지의 시간이 기준 부하의 약 72% 수준이라는 의미입니다. 즉, 모형에서 시간축이 약 28% 짧아지는 것으로 해석할 수 있습니다.

검열 자료는 관찰한 기간까지 고장 나지 않았다는 정보를 제공합니다. 고장 시점이 관측되지 않았다고 해당 기계를 임의로 1,000시간에 고장 난 것으로 입력해서는 안 됩니다. 또한 추적 중단이 기계 상태와 관련되어 있다면 일반적인 독립 검열 가정이 타당한지 확인해야 합니다.

가상 결과에서는 높은 온도와 높은 부하가 짧은 고장 시간과 관련되며, 매월 유지보수는 상대적으로 긴 고장 시간과 관련됩니다. 신뢰구간에 1이 포함되는지, 추정치의 크기가 실무적으로 의미 있는지 함께 살펴봐야 합니다.

이 값들은 해석 연습을 위해 설정한 일관된 예시이며 실제 모형 추정이나 분포 적합성 검정 결과를 의미하지 않습니다.

AFT는 사건 발생시간의 분포를 가정합니다. 흔히 Weibull, 로그정규(log-normal), 로그로지스틱(log-logistic) 분포를 사용하며, 고장 메커니즘과 자료의 형태에 따라 비교합니다.

AIC나 로그우도만으로 기계적인 결론을 내리기보다 잔차, 적합된 생존곡선, 검열 패턴과 현장 지식을 함께 확인하는 것이 좋습니다.

기계가 얼마나 오래 버티는지 직접 설명하고 싶을 때는 AFT의 시간비가 직관적일 수 있습니다. 반면 특정 시점에서의 상대적인 고장 위험을 비교하려면 Cox 모형이 적합할 수 있습니다. AFT가 항상 더 정확하거나 Cox의 가정 위반을 자동으로 해결하는 것은 아닙니다.

분포 가정: 선택한 Weibull·로그정규·로그로지스틱 분포가 실제 고장시간 패턴과 맞지 않으면 시간비와 예측 수명이 왜곡될 수 있습니다.

검열과 관찰 시작점: 시험 종료와 기록 중단의 이유, 시험 시작 시점, 관찰 이전부터 작동한 장비의 처리 방식(좌측 절단 여부)을 확인합니다.

작동 조건과 시간 변화: 온도나 부하가 추적 중 변한다면 단순한 기준 시점 변수만으로 그 변화를 충분히 설명할 수 있는지 검토합니다.

인과 해석: 유지보수 주기가 짧은 기계가 원래 더 위험한 환경에 배치되었을 수 있습니다. 관찰자료에서 시간비는 조건부 연관성을 뜻하며 유지보수의 인과효과가 자동으로 입증되지는 않습니다.

특히 반복 고장자료를 단순히 여러 독립 기계의 첫 고장시간과 동일하게 다뤄서는 안 됩니다. 수리 이후 위험 변화와 기계 내부의 반복 측정 구조를 반영해야 합니다.

보고서에는 기계 수와 관찰기간, 고장 사건 정의, 검열 비율, 선택한 수명 분포, 설명변수의 단위 및 기준범주, 시간비와 95% 신뢰구간을 제시합니다. 실제 분석에서는 분포 적합성 진단도 함께 설명합니다.

위 문장의 수치는 학습용 가상 결과입니다. 실제 연구에서는 적합한 분포의 이름, 사건 수와 검열 수, 모형 진단 결과를 확인한 뒤 추가해야 합니다.

AFT 모형은 사건이 발생했는지만 보는 대신 발생까지 걸린 시간을 활용하여 조건별 시간 차이를 분석합니다. 산업용 기계 예제에서는 온도, 부하 수준, 유지보수 주기가 고장시간과 어떻게 연관되는지 시간비(TR)로 설명했습니다. 특히 TR이 1보다 작으면 사건까지의 시간이 짧고, 1보다 크면 길다는 점이 핵심입니다.

다만 시간비를 고장 확률이나 순간 위험비로 바꿔 해석해서는 안 됩니다. 검열 자료가 어떻게 발생했는지 확인하고, 선택한 수명 분포가 자료를 적절히 설명하는지 검토해야 합니다. AFT의 강점은 수명의 연장 또는 단축을 직관적으로 전달할 수 있다는 데 있으며, 그 해석도 모형 가정과 연구 설계의 범위 안에서 이루어져야 합니다.