기본 콘텐츠로 건너뛰기

DFMEA Occurrence, 왜 평가할 때마다 달라질까? 정성적 평가를 객관화했던 실무 경험

DFMEA를 실제로 작성하고 여러 사람과 리뷰하다 보면 의외로 많은 시간을 쓰게 되는 항목이 있습니다.

바로 Occurrence(발생도) 입니다.

Severity는 고장이 발생했을 때 고객이나 시스템에 미치는 영향을 기준으로 평가할 수 있고, Detection 역시 현재의 검증 방법과 검출 능력을 기준으로 어느 정도 판단할 수 있습니다.

그런데 DFMEA의 Occurrence는 달랐습니다.

특히 새로운 제품을 개발하는 단계에서는 아직 제품이 양산되지 않았기 때문에 충분한 불량률이나 Field Data를 가지고 있지 않은 경우가 많습니다. 그러다 보니 실제 회의에서는 이런 대화가 자주 생겼습니다.

“이 정도면 Occurrence 4 아닌가요?”
“저는 6 정도라고 생각합니다.”
“기존 제품에서도 사용했던 설계니까 3 정도면 충분하지 않을까요?”

각자의 설명을 들어보면 모두 어느 정도 일리가 있습니다. 문제는 객관적으로 어느 숫자가 맞는지를 명확하게 설명하기 어렵다는 것이었습니다.

저 역시 DFMEA를 실제로 작성하면서 이 부분을 많이 고민했습니다. 정성적인 평가라는 이유로 기준을 느슨하게 적용하기 시작하면 결국 흔히 말하는 ‘귀에 걸면 귀걸이, 코에 걸면 코걸이’ 식의 Rating이 되어버릴 수 있기 때문입니다.

DFMEA와 PFMEA의 Occurrence 평가 관점과 근거의 차이
DFMEA발생도 평가기준


PFMEA Occurrence와 똑같이 생각하면 문제가 생긴다

처음 혼란이 생기는 가장 큰 이유는 DFMEA와 PFMEA 모두 똑같이 Occurrence라는 용어를 사용하기 때문입니다.

하지만 두 Occurrence의 판단 근거는 상당히 다릅니다.

PFMEA에서는 실제 제조공정 데이터를 활용할 수 있습니다. 예를 들면 공정 불량률, Scrap 데이터, SPC 결과, 과거 생산실적, 유사공정의 품질이력, 공정능력, 예방관리의 효과 등이 있습니다.

즉 PFMEA에서는 비교적 직접적으로 다음 질문을 할 수 있습니다.

“이 원인이 실제 공정에서 얼마나 자주 발생하는가?”

반면 DFMEA 단계에서는 아직 제조공정조차 확정되지 않은 경우가 있습니다.

따라서 PFMEA처럼 실제 불량률을 가지고 Occurrence를 평가하려고 하면 근거가 부족할 수밖에 없습니다. 아직 제품을 한 개도 생산하지 않았는데 예상 불량률을 만들어 Occurrence를 정한다면, 숫자로 표현했을 뿐 실제로는 또 다른 정성적 판단일 수 있습니다.

그렇다면 DFMEA의 Occurrence는 무엇을 봐야 할까?

제가 실무적으로 중요하다고 생각하게 된 것은 질문을 바꾸는 것이었습니다.

단순히 “이 고장이 얼마나 자주 발생할까?”라고 묻기보다, “이 Failure Cause를 예방하는 현재의 설계가 얼마나 검증되어 있는가?”라는 관점에서 보는 것입니다.

이렇게 질문을 바꾸면 판단 근거도 훨씬 구체적으로 정리할 수 있습니다.

  • 설계의 신규성(Newness): 완전히 새로운 기술인지, 기존 기술의 응용인지, 기존 설계의 단순 변경인지
  • 적용 환경의 변화: 하중, 온도, 속도, 수명, 사용환경 등이 기존과 같은지
  • 유사 설계 경험: 동일하거나 유사한 설계를 실제 제품에 적용한 경험이 있는지
  • 시험 및 검증 결과: CAE, Simulation, DV Test, 내구시험 등 설계를 뒷받침하는 결과가 있는지
  • Field History: 동일하거나 유사한 설계가 실제 고객 환경에서 충분한 기간 동안 문제없이 사용되었는지
  • Prevention Control: 설계표준, 재료규격, 계산기준, Safety Factor, Design Guideline 등 원인을 예방할 수 있는 관리가 존재하는지

이 기준을 먼저 확인하면 Occurrence를 단순한 ‘감’으로 결정하는 것보다 훨씬 구체적인 토론이 가능합니다.

제가 사용했던 방법: 숫자를 먼저 정하지 않는다

DFMEA 회의를 하면서 특히 문제가 되는 경우가 있었습니다.

누군가 처음부터 “Occurrence는 4로 하죠.”라고 말하면 이후 토론이 4라는 숫자를 중심으로 흘러갑니다.

한 사람은 4를 방어하고 다른 사람은 5나 6을 주장하게 됩니다. 결국 기술적인 Risk 분석보다 숫자 협상이 되어버립니다.

그래서 저는 반대로 접근하는 것이 훨씬 효과적이라고 생각했습니다.

먼저 Rating을 정하지 않고 다음 질문부터 확인하는 것입니다.

  • 이 설계는 기존에 사용한 적이 있는가?
  • 동일한 Material인가?
  • 동일한 Application인가?
  • Load와 Duty Cycle도 동일한가?
  • 기존 제품에서 충분한 Field History가 있는가?
  • 설계 변경점은 무엇인가?
  • 이 Failure Cause를 예방하기 위한 Design Prevention Control은 무엇인가?
  • 그 Control의 효과가 실제로 검증되었는가?

이 질문에 대한 Evidence를 먼저 정리한 후 Rating Table에 대입하는 방식입니다.

Rating → 근거 찾기가 아니라
Evidence → Rating 순서가 되어야 합니다.

저에게는 이 작은 차이가 DFMEA Rating의 일관성을 높이는 데 상당히 효과적이었습니다.

열처리 경도를 예로 들어보자

산업용 나이프를 예로 들어보겠습니다.

어떤 Cutting Knife의 날부 경도가 열처리 후 58~62 HRC가 되어야 한다고 가정해 보겠습니다.

Failure Mode와 관련된 Cause 중 하나가 목표 경도를 만족하지 못하는 것이라면 DFMEA와 PFMEA의 접근은 달라집니다.

DFMEA에서는 먼저 “이 Steel Grade에 58~62 HRC라는 경도를 적용하는 설계가 충분히 검증되어 있는가?”를 봐야 합니다.

동일한 재질과 경도 범위를 기존 제품에 오랫동안 사용했고, 동일한 Duty Cycle에서 충분한 Field History가 있으며 문제가 없었다면 설계 자체의 불확실성은 상대적으로 낮게 볼 수 있습니다.

반대로 새로운 Steel Grade를 처음 적용하면서 기존보다 높은 경도를 요구하고 충격하중까지 증가했다면 이야기가 달라집니다.

공장에서 열처리를 아무리 잘하더라도 새로운 재질·경도·사용조건의 조합이 실제 사용환경에서 충분히 검증되지 않았다면 DFMEA 관점의 불확실성은 높습니다.

PFMEA에서는 질문이 달라집니다. “실제 열처리 공정이 58~62 HRC를 얼마나 안정적으로 만들어내는가?”를 봅니다.

이때는 Furnace, Loading Pattern, 열처리 조건, 공정능력, SPC, 과거 경도 불량률 등의 실제 제조 데이터가 중요한 Evidence가 됩니다.

따라서 동일한 ‘경도 부족’ 문제라도 DFMEA와 PFMEA의 Occurrence는 서로 다를 수 있습니다.

DFMEA Occurrence를 객관화하는 핵심은 ‘정량화’보다 ‘근거화’다

처음에는 저도 DFMEA Occurrence를 좀 더 객관적으로 만들려면 모든 것을 숫자로 바꿔야 한다고 생각했습니다.

하지만 실무 경험이 쌓이면서 생각이 조금 달라졌습니다.

정성적인 평가를 억지로 정량평가처럼 만드는 것이 반드시 객관적인 것은 아닙니다.

실제 데이터가 없는데도 1/1,000, 1/10,000, 1/100,000과 같은 확률을 만들어낸다고 해서 그 평가가 더 과학적이 되는 것은 아닙니다.

오히려 중요한 것은 왜 그 Rating을 선택했는지를 다른 엔지니어가 추적할 수 있도록 만드는 것이라고 생각합니다.

기존 동일 재질 및 동일 경도 사양을 3개 제품군에서 사용. 유사 Duty Cycle에서 5년 이상 Field History 확보. 이번 설계 변경은 형상 일부에 한정되며 재질·경도·주요 하중조건에는 변화 없음.

이런 근거를 남기고 Occurrence 4를 선택하는 것과 단순히 Occurrence = 4만 기록하는 것은 전혀 다릅니다.

두 경우 모두 숫자는 ‘4’이지만 두 번째 방식은 왜 4인지 설명하고 다시 검증할 수 있습니다.

이것이 제가 생각하는 DFMEA Occurrence 객관화의 핵심입니다.

같은 조건이면 다른 팀도 비슷한 Rating을 내릴 수 있어야 한다

DFMEA의 Rating이 완전히 수학적인 값이 될 수는 없습니다. 어느 정도 Engineering Judgment는 반드시 들어갑니다.

하지만 그렇다고 평가자마다 같은 조건을 보고 3, 5, 7처럼 크게 달라져도 괜찮다는 의미는 아닙니다.

좋은 평가 기준이라면 담당 엔지니어가 바뀌더라도 동일한 Evidence를 보았을 때 비슷한 결론에 도달할 수 있어야 합니다.

그래서 조직 차원에서도 Rating Table만 배포하기보다 Rating + Required Evidence + 실제 사례를 함께 관리하는 것이 효과적입니다.

과거 DFMEA에서 어떤 조건에 Occurrence 3을 주었고 어떤 조건에서 6을 주었는지 사례를 축적하면 새로운 DFMEA를 작성할 때 중요한 기준점이 됩니다.

결국 조직의 FMEA 수준은 Rating Table 자체보다 그 Rating을 뒷받침하는 Engineering Knowledge가 얼마나 축적되어 있는가에 따라 달라진다고 생각합니다.

Occurrence 숫자를 놓고 싸우고 있다면 질문을 바꿔보자

DFMEA 회의에서 “3이 맞다.” “아니다. 5가 맞다.”라는 논쟁이 길어진다면 숫자에 대한 토론을 잠시 멈추는 것이 좋습니다.

대신 “우리가 가지고 있는 Evidence가 무엇인가?”, 그리고 “이 설계가 충분히 검증됐다고 말할 수 있는 근거가 무엇인가?”를 확인해야 합니다.

근거가 충분하면 Rating의 범위는 자연스럽게 좁혀집니다.

반대로 근거가 없다면 높은 Rating 자체가 문제라기보다 설계에 아직 해결해야 할 불확실성이 남아 있다는 사실을 발견한 것이 더 중요할 수 있습니다.

저에게 DFMEA Occurrence는 오랫동안 애매한 항목이었습니다.

하지만 결국 중요한 것은 정성적인 판단을 없애는 것이 아니라, 정성적인 판단에도 일관된 Evidence를 요구하는 것이라는 결론에 도달했습니다.

그렇게 접근하기 시작하면서 DFMEA의 Occurrence는 단순히 1에서 10 사이의 숫자를 채우는 항목이 아니라, 우리가 이 설계를 얼마나 잘 알고 있고 얼마나 확실하게 검증했는지를 묻는 항목으로 보이기 시작했습니다.

댓글

이 블로그의 인기 게시물

SPC 매뉴얼 2026년 개정 총정리

SPC 매뉴얼, 왜 새로 통합되었나 자동차 업계에서는 오랫동안 미국 AIAG의 SPC 매뉴얼과 독일 VDA의 SPC 관련 지침이 함께 사용되어 왔습니다. 두 체계는 통계적 공정관리라는 같은 목적을 갖고 있었지만 용어와 통계적 접근에 차이가 있어, 글로벌 공급망에서는 고객과 지역에 따라 서로 다른 방식으로 결과를 해석하거나 보고해야 하는 경우가 있었습니다. AIAG와 VDA는 2026년 6월 30일 새로운 공동 SPC 매뉴얼의 발간을 발표했으며, AIAG에서는 7월부터 1st Edition을 공식 제공하고 있습니다. 새 매뉴얼의 핵심은 기존 접근법을 하나의 국제적인 체계로 조화시키고 ISO 22514 및 ISO 3534 시리즈와의 정합성을 높여, 자동차 공급망에서 보다 일관된 SPC 적용과 의사소통이 가능하도록 하는 데 있습니다. 성능(Performance)과 능력(Capability)의 명확한 구분 이번 통합 매뉴얼에서 실무적으로 특히 중요한 부분은 Performance와 Capability를 구분해서 적용하는 것입니다. Pp·Ppk와 Cp·Cpk는 모두 규격 대비 공정 변동을 평가하지만, 적용 조건과 해석은 같지 않습니다. 공정의 안정성이 아직 입증되지 않았거나 통계적 관리 상태에 있지 않은 경우에는 Performance 지수인 Pp·Ppk를 사용합니다. 반대로 관리도 등을 통해 공정이 통계적 관리 상태에 있음이 확인된 경우에는 Capability 지수인 Cp·Cpk를 적용할 수 있습니다. 따라서 Cpk 값 자체가 안정성을 증명하는 것은 아니며, Cpk를 공정능력으로 해석하려면 먼저 공정 안정성에 대한 근거가 있어야 합니다. 공정능력지수, 두 가지 계산 접근을 하나의 체계에서 다룬다 새 매뉴얼은 공정성능·공정능력 지수를 평가할 때 일반 기하학적 방법(General Geometric Method)과 Z-스코어(Bothe) 방법을 구분해서 사용할 수 있도록 제시합니다. 일반 기하학적 방법은 ISO 22514 계열의 접근과 연결되며 분포의 분위수...

공정능력지수 계산법, 두가지 방식

이번 글에서는 공정능력지수를 실제로 계산하는 두 가지 방법을 더 깊이 다룹니다. 이 주제와 관련된 게시글은 이 글의 맨 아래 링크를 참조하시기 바랍니다. 공정능력지수 계산법, 왜 두 가지로 나뉘었나 2026년 AIAG·VDA 통합 SPC 매뉴얼의 중요한 변화 중 하나는 기존 AIAG와 VDA·ISO 계열에서 사용해 온 서로 다른 통계적 접근을 하나의 체계 안에서 다룬다는 점입니다. AIAG와 VDA는 새 매뉴얼을 통해 기존에 달랐던 SPC 접근법과 용어를 조화시키고, 공정 특성·데이터 유형·모니터링 목적에 따라 적절한 방법을 선택하도록 안내하고 있습니다. 공정성능·공정능력 지수를 평가할 때는 일반 기하학적 방법(General Geometric Method)과 Z-스코어(Bothe) 방법을 구분해서 이해할 필요가 있습니다. 중요한 것은 어느 한쪽이 항상 맞고 다른 쪽이 틀린 것이 아니라, 데이터의 분포 특성과 고객 요구사항, 기존 보고 체계 등을 고려해 적절한 방법을 선택하고 사용한 계산방법을 명확히 식별하는 것입니다. 공정능력지수 2가지 계산법 일반 기하학적 방법(General Geometric Method) 일반 기하학적 방법은 분포의 분위수와 규격 한계의 상대적 위치를 이용해 공정성능 또는 공정능력을 평가하는 접근입니다. 대표적으로 0.135%, 50%, 99.865% 분위수를 이용하며, 정규분포만을 전제로 하는 전통적인 6σ·3σ 표현을 보다 일반적인 분포 형태로 확장할 수 있다는 장점이 있습니다. 데이터가 정규분포를 따르는 경우에는 해당 분위수가 평균을 중심으로 약 ±3σ 위치에 대응하므로 전통적인 지수와 같은 개념으로 연결됩니다. 반면 비정규 데이터에서는 실제 분포 형태에 맞는 분위수를 이용함으로써 단순히 정규분포를 가정하는 데서 생길 수 있는 왜곡을 줄일 수 있습니다. Z-스코어(Bothe) 방법은 무엇인가 Z-스코어(Bothe) 방법은 규격 하한과 상한을 벗어나는 비율을 표준정규분포의 Z값으로 환산한 뒤 이를 이용해 성능지수...

품질관리와(QC)와 품질보증(QA) 근본적 차이는?

품질관리(QC)와 품질보증(QA), 무엇이 다른가? 현장에서는 QC(Quality Control)와 QA(Quality Assurance)를 각각 ‘검사’와 ‘예방’으로 단순하게 구분하는 경우가 많습니다. 이해하기 쉬운 설명이지만 실제 품질경영에서는 두 기능의 범위가 더 넓습니다. ISO 9000에서 QC는 품질 요구사항을 충족하는 데 초점을 둔 품질경영의 일부 , QA는 품질 요구사항이 충족될 것이라는 신뢰를 제공하는 데 초점을 둔 품질경영의 일부 로 구분합니다. 따라서 QC와 QA는 어느 한쪽이 상위 개념이거나 서로 경쟁하는 기능이 아닙니다. QC가 제품과 공정의 현재 상태를 확인하고 이상을 검출·조치하는 데 강점이 있다면, QA는 그러한 품질이 반복적으로 확보될 수 있도록 프로세스와 시스템을 구축하고 유지하는 데 더 큰 비중을 둡니다. 결국 두 기능 모두 더 넓은 품질경영(Quality Management)의 일부입니다. QC는 단순한 최종검사가 아니다 QC의 대표적인 활동은 검사, 측정, 시험을 통해 제품이 도면과 규격을 만족하는지 확인하는 것입니다. 하지만 QC를 완성품 검사만으로 한정해서는 안 됩니다. 생산 중 공정 특성을 측정하고 SPC와 관리도로 이상을 모니터링하거나, 부적합품을 식별·격리하고 추가 유출을 막기 위한 조치를 취하는 것도 QC의 중요한 역할입니다. 예를 들어 샤프트의 치수와 경도를 검사해 규격 적합성을 판단하고 이상 로트를 격리하는 것은 전형적인 QC 활동입니다. 여기서 중요한 것은 불량을 발견했다는 사실 자체가 아니라, 부적합 제품이 다음 공정이나 고객에게 넘어가지 않도록 통제하는 것입니다. QC는 문제가 발생했을 때 고객을 보호하는 가장 직접적인 방어선 역할을 합니다. QA는 품질이 반복될 수 있는 시스템을 만든다 QA는 QC보다 ‘한 단계 높은 활동’이라기보다 초점이 다른 기능입니다. 품질 요구사항이 지속적으로 충족될 것이라는 신뢰를 확보하기 위해 품질계획, 표준과 절차, 공정감사, 교육, 공급업체 관리, 시정...