동적 고장 트리 희귀 사건 추정 및 중요도 샘플링 최적화

본 논문은 동적 고장 트리(Dynamic Fault Tree, DFT)의 희귀 사건 확률을 효율적으로 추정하기 위한 새로운 몬테카를로 시뮬레이션 알고리즘을 제안한다. 전통적인 고장 트리 분석 방법은 최소 절단 집합(Minimal Cut Sets)이나 마코프 체인 기반의 해석적 기법에 의존한다. 그러나 이러한 방법은 동적 게이트(PAND, SEQ, SPARE 등)가 포함된 복잡한 트리 구조에서는 상태 공간이 급격히 증가하고, 고장 확률이 10⁻⁸ 이하와 같이 매우 작은 경우 직접 Monte‑Carlo 시뮬레이션이 실질적으로 불가능해진다. 이를 해결하고자 저자는 중요도 샘플링(Importance Sampling, IS) 기법을 DFT에 맞게 재구성한다. 먼저, 기본 이벤트는 비복구성이며, 고장 시간은 일반적인 확률분포(지수, Weibull, 정규, 로그정규 등)를 가질 수 있다. 각 기본 이벤트 i에 대해 실제 PDF f_i(t)와 CDF F_i(t)를 정의하고, 고장 확률 p_i = F_i(T) 를 사용한다. 기존 IS는 p_i 를 직접 변형하여 샘플링 효율을 높였지만, 동적 게이트에서는 고장 시간 자체가 연산에 직접 사용되므로 단순히 “고장 여부”만을 고려하는 것은 부정확하다. 따라서 저자는 식 (6)–(8)에서 제시된 수정된 IS 식을 도입한다. 이 식은 t_i < T 인 경우 실제 PDF f_i(t_i)를 사용하고, t_i ≥ T 인 경우 1‑F_i(T) 로 대체함으로써, “시간이 T 이후인 이벤트는 고장 여부만이 중요”라는 가정을 수학적으로 반영한다. 다음으로, IS에 사용할 참조 분포 g_i(t)를 정의한다. 두 가지 변환 방법, 스케일링과 평행 이동을 제시했으며, DFT에서는 스케일링이 더 효과적이라고 판단한다. 스케일링은 g_i(t) = f_i(t / v_i)·(1/v_i) 형태이며, 여기서 v_i는 제어 파라미터이다. 지수분포와 Weibull분포에 대해 각각 로그식 형태의 해를 도출하여 v_i 를 계산한다(식 (9)–(11)). 최적의 v_i 를 찾는 절차는 다음과 같다. 초기에는 모든 기본 이벤트에 동일한 v_i 를 부여하고, K_prelim(보통 1 000) 회의 사전 시뮬레이션을 수행한다. 시뮬레이션 결과로 얻은 AmPos(희귀 사건 발생 횟수)를 기준으로 보조 파라미터 D를 조정한다. AmPos가 사전 설정된 구간(A_mPos_Dn ≤ AmPos ≤ A_mPos_Up) 안에 있으면 현재 v_i 를 최적값으로 채택하고, 그렇지 않으면 D를 증가·감소시켜 v_i 를 재계산한다. 이 과정을 반복하면서 IC(Iteration Counter)를 증가시켜 최적 파라미터를 찾는다. 알고리즘 흐름은 그림 1에 요약되어 있다. 최종적으로 최적화된 v_i 를 사용해 K(보통 10⁵) 회의 본 시뮬레이션을 수행하고, 수정된 IS 식을 이용해 고장 확률 P_TOP을 추정한다. 수치 예제로 N=4, 각각 평균 고장 시간이 u_i = 1000·i 인 기본 이벤트와 AND·PAND 조합으로 구성된 트리를 분석한다. 사전 시뮬레이션 결과 AmPos가 0이었으므로 D를 2.0으로 설정하고, 식 (10)·(11)을 이용해 v_i 를 계산한다. 본 시뮬레이션(K=100 000)에서 P_TOP = 3.2×10⁻¹⁴, 표준편차 4.9×10⁻¹⁶을 얻어 99.9% 신뢰구간