고전적인 방식이면서도 여전히 그 유용성을 인정받으며 쓰이고 있는 고장 형태 영향 분석(Failure Mode and Effects Analysis)은 제품이나 공정에서 발생할 수 있는 잠재적인 고장(Failure)를 미리 예측하고, 그 고장이 미치는 영향(Effects)을 분석하여 리스크를 줄임으로써 비용(Cost)과 시간(Time)을 절약할 수 있는 체계적인 방법론입니다.
이런 특징 덕분에 자동차 업계에서도 각 회사가 자기 나름대로의 방식대로 사용해 왔으나 자동차 산업이 더 이상 특정 지역에 국한되는 것이 아니라 국제화(Global)로 나아가면서 국제 표준(Global Standard)의 필요성이 대두되었습니다. 이에 미국 자동차 산업 협회(AIAG)와 독일 자동차 산업 협회(VDA)가 서로의 FMEA 분석 방식을 통합하여 2019년에 ‘AIAG-VDA FMEA’라는 형태로 발표하였습니다. <AIAG-VDA FMEA란?>
<AIAG-VDA FMEA의 공식 핸드북>
오늘은 저희 브이웨이(VWAY)의 AIAG-VDA FMEA와 AI기술을 활용하여 기존 분석의 취약점을 어떻게 보완하고 사용자를 보조해야 하는지, 분석 도구가 나아가야 할 미래의 방향성에 대해 소개해보겠습니다.
1. FMEA의 난제: 분석 수행자의 주관(Subjectivity)에 따른 데이터 신뢰성 저하
- AIAG-VDA FMEA의 7단계 프로세스 중 5단계인 '리스크 분석(Risk Analysis)'은 앞서 도출된 고장 네트워크를 바탕으로 심각도(Severity), 발생도(Occurrence), 검출도(Detection)를 평가하고, 이를 통해 조치 우선순위(AP, Action Priority)를 결정하는 핵심 과정입니다.
- 하지만, 이 과정은 평가자의 주관이 가장 많이 개입되는 단계이기도 합니다. 동일한 고장 모드라 할지라도 평가에 참여하는 엔지니어의 성향이나 경험, 혹은 그 날의 컨디션에 따라 같은 항목에 대해서 어떤 사람은 7점을, 어떤 사람은 5점을 부여하는 등 점수의 편차가 발생합니다. 이러한 평가 기준의 불일치(Inconsistency)는 결국 AP 결과의 신뢰도를 떨어뜨리고, 조직 전체의 리스크 관리 기준을 모호하게 만드는 원인이 됩니다.
<동일한 고장에 대해서 평가자별로 각자 다른 주관적 기준을 가지고 평가한다.>
2. 핵심 대응 방안: AI 판단 기반의 객관적 SOD 등급 제안과 근거 제시 로드맵
- VisualPro에서는 향후 구현할 AI 기능 중 하나로, 이러한 주관성의 문제를 해결하기 위해, 작성된 고장 정보를 AI가 자연어 처리(NLP) 기술로 분석하여 가장 적합한 SOD 등급을 추천하고, 그 판단 근거(Rationale)를 제시하는 기능을 제공하려고 합니다. 아래는 구현될 기능의 예시입니다.
- 문맥 기반의 심각도(Severity) 판단 : AI는 '고장 영향(Failure Effect)'에 기술된 텍스트의 뉘앙스를 분석합니다. 예를 들어 "운전자의 생명에 위협"이나 "규제 위반"과 같은 치명적인 키워드가 감지되면 AIAG-VDA 기준에 따라 9~10점의 심각도를 제안하며, 단순한 "외관 손상"이나 "소음 발생"의 경우 낮은 등급을 제안하여 평가의 일관성을 확보합니다.
- 예방/검출 조치와 연계된 발생도(O) 및 검출도(D) 제안 : 엔지니어가 입력한 '현재의 예방 조치(Prevention Control)'와 '검출 조치(Detection Control)'의 수준에 따라 입력된 조치 사항이 기술적으로 얼마나 성숙한 방법인지(예: 육안 검사 vs 자동화 센서 검사)를 판단하여, 핸드북 기준에 부합하는 등급을 제안 합니다.
- 판단 근거(Rationale) 제시를 통한 의사결정 지원 : 단순히 점수만 던져주는 것이 아니라 "왜 이 점수를 제안했는지"에 대한 근거를 핸드북의 기준과 매핑하여 보여줍니다. 엔지니어는 AI의 제안을 참고하여 최종 결정을 내리기만 하면 되므로, 평가 시간을 획기적으로 단축하고 근거 있는 데이터를 남길 수 있으며 자산으로써 데이터가 누적되게 됩니다.
<문맥 기반의 S, O, D 판단 후 제안>
3. 보안 위협에 대한 걱정이 없는 AI 환경 구축: On-Premise & Frontier Models
- 브이웨이(VWAY)에서는 고객사의 데이터 보안 정책과 요구에 맞춰 두 가지 AI 연동 방식을 지원합니다.
- Frontier Model 연동: 최신 고성능 AI 모델(GPT-5, Claude 등)과 API 연동을 통해 최고의 성능을 제공합니다.
- 내부 폐쇄망(On-Premise) 구축: 데이터 유출이 민감한 분야(국방, 자동차, 항공 등)의 고객을 위해, 고객사 내부 서버에 보안이 강화된 sLLM(Smaller Large Language Model, 소형 언어 모델)을 구축하여 외부와의 데이터 교환 없이 로컬(Local)로 안전하게 AI 기능을 지원합니다.
4. 결론: 안전 분석의 미래, VisualPro와 함께
- STPA, FMEA, FTA, TARA 등 다양한 안전 분석 기법을 지원하는 VisualPro는 이제 단순한 ‘도구’를 넘어 엔지니어(Engineer)의 ‘지능형 파트너’로 진화하고 있습니다.
- 반복적이고 복잡한 작업은 AI의 도움을 받아 시간과 절차를 절약하고, 그렇게 확보된 시간에 엔지니어는 더 중요한 업무인 안전 설계와 검증에 집중하십시오. 브이웨이(VWAY)가 고객사의 데이터 환경에 최적화된 가장 편리하고 안전한 AI 분석 환경을 구축해드립니다.
<TUV-SGS 인증 ‘ISO26262 기능 안전 분석 지원을 위한 소프트웨어 VisualPro’>
고전적인 방식이면서도 여전히 그 유용성을 인정받으며 쓰이고 있는 고장 형태 영향 분석(Failure Mode and Effects Analysis)은 제품이나 공정에서 발생할 수 있는 잠재적인 고장(Failure)를 미리 예측하고, 그 고장이 미치는 영향(Effects)을 분석하여 리스크를 줄임으로써 비용(Cost)과 시간(Time)을 절약할 수 있는 체계적인 방법론입니다.
이런 특징 덕분에 자동차 업계에서도 각 회사가 자기 나름대로의 방식대로 사용해 왔으나 자동차 산업이 더 이상 특정 지역에 국한되는 것이 아니라 국제화(Global)로 나아가면서 국제 표준(Global Standard)의 필요성이 대두되었습니다. 이에 미국 자동차 산업 협회(AIAG)와 독일 자동차 산업 협회(VDA)가 서로의 FMEA 분석 방식을 통합하여 2019년에 ‘AIAG-VDA FMEA’라는 형태로 발표하였습니다. <AIAG-VDA FMEA란?>
<AIAG-VDA FMEA의 공식 핸드북>
오늘은 저희 브이웨이(VWAY)의 AIAG-VDA FMEA와 AI기술을 활용하여 기존 분석의 취약점을 어떻게 보완하고 사용자를 보조해야 하는지, 분석 도구가 나아가야 할 미래의 방향성에 대해 소개해보겠습니다.
1. FMEA의 난제: 분석 수행자의 주관(Subjectivity)에 따른 데이터 신뢰성 저하
<동일한 고장에 대해서 평가자별로 각자 다른 주관적 기준을 가지고 평가한다.>
2. 핵심 대응 방안: AI 판단 기반의 객관적 SOD 등급 제안과 근거 제시 로드맵
<문맥 기반의 S, O, D 판단 후 제안>
3. 보안 위협에 대한 걱정이 없는 AI 환경 구축: On-Premise & Frontier Models
4. 결론: 안전 분석의 미래, VisualPro와 함께
<TUV-SGS 인증 ‘ISO26262 기능 안전 분석 지원을 위한 소프트웨어 VisualPro’>