AHP와 퍼지이론을 활용한 항공 체계 품질지표 요인 및 등급 결정 방법론
Abstract
Purpose
The purpose of this study is to identify quality indicator factors and their levels for the effective implementation of quality assurance procedures in the defense sector and to propose a systematic methodology for their evaluation. As a preliminary study, the research focuses on the development of quality indicators using an aviation system as a case study.
Methods
This study was conducted with failure mode and effects analysis(FMEA) as its theoretical foundation. First, the factors were derived by applying the analytic hierarchy process(AHP) and fuzzy theory. Furthermore, the prioritization of the quality factor' levels was established through a proposed methodology combining weight sum model and weight product model approaches using expert weights, as well as the center of gravity and the center of area from fuzzy theory.
Results
The 12 quality indicator factors were selected based on the FMEA. The AHP was applied to assess the relative influence among these 12 factors, and quantitative validity of expert judgments was ensured using expert weighting and fuzzy theory. Consistency of the AHP results was verified through the consistency index and consistency ratio. The priority of the quality indicator factors was determined in the order of defect type, manufacturing process step, and defect frequency.
Conclusion
This study identifies quality indicator factors applicable to quality assurance activities through an aviation system case and proposes a methodology for deriving the priorities of levels among these factors. The methodology can be expressed in terms of results corresponding to the severity, occurrence, and detection of FMEA, and it is integrated within a hierarchical structure using AHP and fuzzy theory. In addition, by incorporating expert weights, the study compensates for the limitations associated with expert judgments.
Key words: Quality Indicator Factors, Analytic Hierarchy Process(AHP), Fuzzy Theory
1. 서 론
품질보증 활동은 체계(System)에서 부품, 구성품, 공정 등에 대한 품질이 적합한지 확인하는 것으로, 품질보증 활동 계획을 통해 사용자 요구조건, 규격, 절차, 기준을 만족하는지 확인하는 것이다( Shin et al., 2016). 품질보증 활동 시 축적되는 결함, 공정데이터에 비해 이를 체계적으로 품질지표로 환류하는 연구는 상대적으로 부족하며, 체계의 품질 수준을 확인할 수 있는 품질지표가 필요하다. 품질지표와 관련하여 품질경영 분야에서 다양한 정량적, 정성적 평가기법을 복합적으로 활용한 품질 위험요인과 관리대상의 우선순위를 도출하려는 연구는 꾸준히 수행되고 있다( Sutrisno et al., 2015; Kim, 2020; Falcone et al., 2022). 이러한 연구에서 주로 사용되는 품질관리 도구는 요인과 요인의 등급을 확인할 수 있는 FMEA(Failure mode and effect analysis)가 있다( Cho et al., 2022). FMEA는 세 요인(심각도, 발생도, 검출도)의 등급이 동일 가중치를 갖는 한계점을 가지기 때문에, 정성적인 전문가 집단의 의견을 가중치에 정량적으로 반영하여 전문가 의견의 주관성 한계를 보완하기 위한 다양한 이론을 적용하는 것이 필요하다( Na et al., 2021a). 본 논문은 항공 체계 사례를 통해 품질지표의 요인(Quality indicator factors)을 결정하고 요인의 등급을 결정하는 절차적 방법론을 제시하는 것을 목적으로 한다. 제시한 방법론은 FMEA를 기반으로 접근하면서, 이를 보완하는 방안으로 AHP(Analytic hierarchy process)와 퍼지이론(Fuzzy theory)을 적용하였다. 절차적 방법론의 기반이 되는 FMEA는 세 요인(심각도, 발생도, 검출도)의 곱을 통해 위험도를 선정하고, 우선순위를 도출하는 방법이다. AHP는 다기준 의사결정 방식에 따라 가중치를 부여하는 방법이며, 전문가 집단의 의견으로 도출된 요인들을 서로 비교하여 우선순위를 도출하는 방법이다( Saaty, 1990). 그리고 퍼지이론은 전문가 판단의 모호하고 불확실한 의견을 정량적으로 표현하는 이론이다. FMEA-AHP-퍼지이론을 결합한 절차적 방법론은 FMEA를 기반으로 품질지표 요인을 먼저 선정하고 선정된 요인에 대해 AHP를 수행하면서 전문가 집단의 의견이 반영되는 사항에 대해 퍼지이론을 적용하는 것이 핵심이다. 요인의 등급 결정에 사용된 방법론은 전문가 가중치를 활용한 가중 곱, 가중 합과 퍼지이론을 활용한 무게 중심법, 면적법으로 제시한다. 사례로 선정된 항공 체계는 품질보증 활동 시 전문가 판단에 의존하며 현장에서 축적된 품질데이터를 가지고 있지만, 이를 체계적으로 분석하고 품질지표로 나타내는 연구는 부족하다( Wilke et al., 2014; Bukhman et al., 2024; Kabashkin and Perekrestov, 2025). 항공 체계는 부품, 구성품 수가 다른 체계에 비해 방대하고 상호의존성이 높은 체계이며( Kim and Yoon, 2005), 품질보증 제도, 규격, 운용수명 등의 특수성을 가지기 때문에 정량적이고 수치적인 결과를 통해 품질을 입증하는 노력이 필요하다. 따라서 항공 체계는 품질지표 요인 및 등급 결정 방법론의 타당성을 검증하기 위한 대표 사례로서 연구 대상으로 선정되었다. 본 논문을 통해 제시한 접근법은 전문가 의견에 대한 주관적 판단을 정량화하고 불확실성을 완화하여 품질지표 요인을 객관적으로 제시할 수 있다는 점과 요인 등급이 정성적일 경우 이에 대한 우선순위를 결정할 수 있는 점을 통해 다른 연구와 차별성을 있다고 할 수 있다.
2. 이론적 배경 및 방법
2.1 FMEA
FMEA는 제품 및 공정의 잠재적 결함을 사전에 식별하고 그 영향에 대한 우선순위를 도출하는 품질관리 도구 중 하나이다( Yu et al., 2008). FMEA는 세 요인인 심각도(Severity, S), 발생도(Occurrence, O), 검출도(Detection, D) 곱으로 위험 우선순위지수(Risk priority number, RPN)를 계산한다( Baek et al., 2014). 이러한 FMEA는 전문가 의견의 주관성에 따라 정확도가 저하된다는 한계점을 가지며, 이러한 한계점을 줄이기 위해 FMEA 응용연구가 필요하다(Huang et al., 2020). 국내외 연구자들에 의해 FMEA에 AHP를 결합하는 접근은 다음과 같다. 먼저, Falcone et al.(2022)는 FMEA에 AHP와 가중치를 적용하는 방법론을 제안하였다. Kim(2020)은 공정에서 운용 중인 대형 측류형 통풍기에 대한 잠재적 고장모드를 확인하기 위해 FMEA에 AHP를 적용하였고, 유지보수의 우선순위를 결정하였다. Sutrisno et al.(2015)는 유지보수 낭비에 대한 우선순위를 확인하기 위해서 AHP를 적용한 수정 FMEA를 통해 도출하는 방법론을 제안하였다. 국내외 선행연구를 통해 기존 FMEA에 AHP 및 퍼지이론을 적용한 방법론은 품질지표 요인 결정 연구와 적합한 것으로 사료된다. 이러한 연구들은 대부분 특정 설비, 공정 및 부품의 위험도 산정에 초점을 두고 있으며, 각 요인의 등급에 대한 우선순위를 통합적으로 제시한 사례는 제한적이다. 본 연구는 FMEA를 기반으로 품질지표 요인과 등급을 도출하는 모델 구조화를 위해 AHP와 퍼지이론을 결합하여 전문가 판단의 주관성을 완화하는 절차적 방법론을 제시한다는 점에서 실무적 측면에서 의미 있는 기여가 될 수 있다.
2.2 AHP
여기서, 쌍대 비교 행렬 A 에서 aij는 1/ aji , aii는 1을 나타낸 것으로, 행렬의 대각을 중심으로 역수의 형태를 가지고, 쌍대 비교 행렬의 최대 고윳값(Eigenvalue)과 고유벡터(Eigenvector)를 통해 가중치를 부여할 수 있다. 식 2는 쌍대 비교 행렬 A 에 고유벡터 w를 통해 최대 고윳값 λmax을 나타낸 것이다. 여기서 w는 w = ( w1, w2, …, wn ) T 이고, 정규화하여 가중치로 사용한다. AHP는 평가자에 대한 정확한 w를 모르며, 쌍대 비교로 평가하기 때문에 가중치 추정 식을 통해서 도출한다. λmax는 n보다 크거나 같아서 계산된 λmax가 n에 근접하는 값일수록 쌍대 비교 행렬은 일관성을 가진다고 할 수 있다. λmax는 쌍대 비교 행렬과 산출된 중요도 비중을 곱하여 새로운 벡터를 만들게 되는데, 새로운 벡터의 각 요소를 해당 중요도 비중으로 나눠서 평균을 구하면 λmax에 근사할 수 있다. 식 3은 일관성 지수(Consistency index, CI)와 일관성 비율(Consistency ratio, CR)을 나타낸 것이다. 일관성 검토는 일관성 비율이 10% 이내이면 일관성을 인정한다. 여기서, 일관성 지수는 쌍대 비교 행렬을 통해 도출한 최대 고윳값과 항목 수 n을 통해 계산하고, 일관성 비율은 일관성 지수와 난수 지수를 통해 계산한다. 일관성 지수에서 항목 수인 n이 클수록 비일관성에 대한 위험성은 커진다. 표 1은 난수 지수(Random index, RI )를 나타낸 것으로, n개의 항목을 갖는 임의의 쌍대 비교 행렬에서 기대되는 평균 일관성 지수를 나타낸 것이다( Saaty, 1990). AHP는 전문가 집단의 의견을 수치화하기 때문에 가중치를 부여해서 전문성이 높은 의견을 정량적으로 반영하는 것이 필요하다. 전문가 가중치는 전문가 집단의 의견 편차를 조정하는 역할을 하며, 전문가에 대한 정보를 정량화해서 사용하는 방법으로 식 4와 같이 나타낼 수 있다( Chen et al., 2022). 여기서, Ej 는 j번째 전문가에 대한 가중치이며, Poj , Exj , Edj는 각각 직급(Position), 경력(Experience), 학력(Education) 점수를 나타낸 것이다. 전문가 가중치를 활용하는 방법은 유사 집합 모델을 사용할 수 있고( Na et al., 2021a), 가중 합 모델과 가중 곱 모델을 적용할 수 있는데, 본 논문에서는 식 5와 같이 가중 합 모델(Weight sum model, WSM)과 가중 곱 모델(Weight product model, WPM)을 사용하였다. 가중 합 모델과 가중 곱 모델은 여러 평가 기준과 대안을 통해 각 기준에 맞는 가중치를 부여한 뒤 대안의 점수를 더하고, 곱하는 방식이다. 여기서, wj는 기준j의 가중치, aij는 i번째 대안이 기준j에서 받은 점수를 나타낸 것이다. 가중 합 모델은 기준 단위가 일치할 경우 주로 사용할 수 있고, 가중 곱 모델은 기준 단위가 다른 경우 사용할 수 있다.
2.3 퍼지이론
소속함수는 삼각형, 사다리꼴형 등이 있으며, 계산의 용이성을 위해 삼각 퍼지 함수를 주로 사용한다. 식 7과 그림 1은 삼각 퍼지 함수를 나타낸 것이다. 여기서, μA 는 x에 대한 소속도를 나타낸 것이고, ai는 하한값, bi는 중간값, ci는 상한값을 나타낸 것이다. 기본적인 퍼지이론을 기반으로, 퍼지 데이터를 처리하는 방법은 퍼지화(Fuzzification) - 디퍼지화(Defuzzification) - 재디퍼지화(Re-defuzzification)로 구성한다. 먼저, 퍼지화는 입력값을 퍼지 집합의 소속도(Membership degree)로 변환하는 과정이다. 입력값은 높음/중간/낮음 등과 같은 언어적 표현을 사용하는 것으로, 전문가 집단의 의견에 대한 편의성과 분석의 용이성을 높이기 위해 5단계 리커트 척도(Likert scale)를 이용하였다. 그림 2는 식 7을 기반으로 5단계 리커트 척도에 대한 소속도 함수 그래프를 나타낸 것이다.
표 2는 그림 2의 5단계의 소속도 함수의 X축 값을 정리한 것이다.
여기서, i는 리커트 척도를 나타낸 것이고, Li 는 언어적 변수를 나타낸 것이다. 리커트 척도는 5단계로 영향성이 매우 작음( L1)부터 매우 큼( L5)으로 구성하였다. X축은 평가 변수인 퍼지 수를 나타낸 것으로 0~10으로 구성되어 있고, Y축은 해당 x가 소속도 함수에 얼마나 속하는지를 의미하는 소속도를 나타낸 것이다. 5단계 리커트 척도에 대한 소속도 함수는 평균 간격에 따라 나누는 균등 간격법과 전문가의 모호함을 반영하기 위해 겹침을 고려하였다. 다음, 디퍼지화는 여러 퍼지 집합의 소속도 값을 하나의 실수인 크리스프(Crisp) 값으로 도출하는 과정이다. 식 8과 식 9는 디퍼지화 방법 중 무게 중심법(Center of gravity, CoG)과 면적법(Center of area, CoA을 나타낸 것이다. 여기서, Z는 퍼지 집합의 대푯값을 나타낸다. ai , bi , ci는 퍼지 함수의 하한값, 중간값, 상한값을 나타낸 것이고, gi는 ai , bi , ci에 대한 평균값을 나타낸 것이다. w (i)는 각 퍼지 수에 대한 가중치, N 은 전문가 인원수, Ai 는 삼각 퍼지 수의 면적을 나타낸 것이다. 면적이 겹치는 구간에 대해서 중복으로 계산한다. 높이는 소속도의 최댓값인 1로 설정하였다. 다음, 재디퍼지화는 디퍼지화로 도출된 값을 다시 크리스프 값으로 활용하는 방법으로, 소속도 함수를 통해서 계산한다.
2.4 연구 모델
품질지표 요인 결정을 위한 연구 모델은 표 3과 같이 연구 범위 선정, 가중치 결정, AHP 수행 및 퍼지이론을 통한 전문가 의견 보정, 우선순위 계산 순서로 수행한다. 연구 범위는 선정된 체계에 대한 품질데이터를 수집하고, 수집된 데이터를 통해 품질지표 요인을 확인한다. 품질지표 요인은 FMEA를 기반으로 심각도, 발생도, 검출도 등 기본 품질 관리와 관련된 요인으로 나열한다. 전문가 가중치는 전문가의 지표별 중요도를 통해 상대적 점수를 부여한다. AHP 수행은 품질지표 요인을 쌍대 비교 행렬을 통해 요인의 우선순위를 결정하는데, 전문가 평가가 수행되는 부분은 퍼지이론을 적용한다. 퍼지이론을 적용하는 방법은 AHP 수행 시 두 요인의 상대적인 중요도 평가를 전문가들이 수행하고, 전문가 의견을 전문가 가중치, 삼각 퍼지 수, 퍼지 가중 평균을 활용하여 하나의 수치로 도출한다. 도출된 수치는 5단계 삼각 소속도 함수 중 가장 가까운 등급을 확인하여 해당 등급을 상대적인 중요도로 제시한다. 요인에 대한 우선순위는 일관성 검증을 통해 신뢰성을 확보한다. 추가로 요인의 등급은 전문가 가중치 및 퍼지이론을 통해 정성적인 등급에 대한 우선순위를 결정하는 방법을 제시한다. 이러한 절차적 방법론은 품질지표 요인 집합을 구조화하고 AHP, 퍼지이론, 전문가 가중치를 통합하여 요인 및 등급에 대한 계층적 우선순위를 도출하며 이를 통해 품질보증 계획과 검사, 유지보수 전략 수립에 직접 활용 가능한 실무지향적 의사결정 도구로 제시한다.
3. 사례 연구
3.1 연구 범위
본 연구의 분석대상은 OO기관의 2013–2022년 XX 항공 체계의 품질데이터이며, 도면번호, 품명, 품번, 공정단계 등으로 구성된 데이터이다. 품질데이터는 고장 분석 보고서, 시정조치 보고서, 고객 불만 보고서, 개발 결함 사항 보고서 등으로 구성되어 있으며, 이에 대한 분석을 통해 품질지표 요인과 등급으로 구성할 수 있는 후보를 도출하였다. 품질데이터의 세부 항목은 결함 유형, 결함 원인, 발생 시점, 공정단계, 시정조치 결과 등으로 구성된다. 표 4는 품질 지표 요인을 품질관리 관점에서 확인하기 위해 결함 유형, 체계 의존성, 유지 가능성 등 FMEA에 기반하여 주요 요인 12가지를 제시한 것이다. 12가지 주요 요인은 FMEA의 기본 요소인 심각도, 발생도, 검출도를 항공 체계 특성과 FMEA 평가 항목을 고려하여 세분화한 결과이다. 심각도에 해당하는 요인은 결함 유형, 체계 의존도, 비용, 배송 영향, 유지 관리 가능성, 복구 시간으로 RAM(신뢰도, 가용도, 정비도) 관점을 반영하여 구성하였고, 발생도에 해당하는 요인은 결함 빈도, 과거 자료, 사용 빈도, 환경 민감성으로 품질관리에서 사용되는 품질데이터를 기준으로 참조하였다. 검출도는 자동 검사, 공정 단계로 검사 방법 및 공정단계 정보에 근거하여 구성하였다( Kim et al., 2010; Salah et al., 2023).
3.2 전문가 가중치
표 5는 연구 모델에서 전문가 가중치를 위한 기준에 따른 점수를 직위, 경력, 학력에 따라 나타낸 것이다. 전문가는 항공 체계 품질 분야의 업무 종사자 10명(전직 항공기 조종사, 항공기 개발 경력자, 연구원 등)으로 구성하였고, 품질지표 요인 도출을 위한 설문 조사(2025년)에 참여하였다. 전문가 집단 규모는 항공품질 분야의 유사 연구( Lee et al., 2017; Na et al., 2021b)에서 7~12명을 활용한 사례를 근거로 설정하였다. 점수 체계는 Chen et al.(2022)의 전문가 신뢰도 평가모델을 참고하였으며, 점수는 1–5등급 리커트 척도를 기반으로 하였다.
여기서, 전문가 집단의 의견을 통합할 때, 모든 전문가에게 동일 가중치를 부여하면 전문가별 전문성 차이가 반영되지 않아 평가의 신뢰도가 저하될 수 있다. 따라서 전문가 정보를 활용하여 전문가 가중치를 별도로 산정하는 방법이 제안되며, Chen et al.(2022)은 직무 경험과 지식수준을 반영한 통합 전문가 가중치 모델을 통해 평가 정확도가 향상되었음을 보였다. 항공 체계 품질보증 활동에서 실제 의사결정 권한과 경험을 잘 대변할 수 있는 지표로 선택하고 각 항목을 이산형 수준으로 정량화한 것이다. 점수 체계는 전문가 실제 업무 경험과 책임 수준을 일관되게 반영하기 위한 현실적 근사치로 볼 수 있다. 이는 다양한 결함 사례와 품질 이슈에 대한 경험이 축적되고, 이해도를 일정 수준 이상 보장하는 지표로 활용할 수 있다. 표 6은 10명의 전문가에 대한 가중치를 나타낸 것이다.
3.3 AHP 및 퍼지이론을 통한 품질지표 요인 결정
AHP는 12개의 요인에 대해 서로 얼마나 영향을 미치는지 확인하는 것으로, 표 7과 같은 기준 비교를 통해 평가한다. AHP 비교 등급은 5단계로 설정하였고, μl는 행 기준이고, μm 은 열 기준을 나타낸 것이다. 전문가는 μl 에 대한 μm 의 영향력의 크기에 따라 L1~ L5의 등급을 부여하였고, 등급별 평가를 책정하여 쌍대 비교 행렬을 구성한다. F1에 대한 F2의 영향성은 L5로 부여했을 경우 3점이 책정되며, F2에 대한 F1의 영향성은 자동으로 L1인 1/3점으로 책정하여 쌍대 비교 행렬을 구성하게 된다. 표 8은 F1에 대한 F2의 영향성을 분석하기 위해 전문가 10명이 설문한 결과와 전문가 가중치를 나타낸 것이다. 여기서, ei는 전문가 가중치를 나타낸 것이고, gi는 ai , bi , ci에 대한 평균, 중심값을 나타낸 것이다. 10명의 의견을 종합하는 방법은 퍼지 가중 평균을 통해서 Crisp 값을 도출하였다. 퍼지 가중 평균은 하나의 수치로 도출하는 간단한 방법으로 전문가 가중치와 퍼지 중심값을 활용하여 도출한다. F1에 대한 F2의 영향성의 퍼지 가중 평균을 통해 도출된 크리스프 값은 7.72이며, 7.72를 L1~ L5에 해당하는 소속도 함수에 대입하여 가장 가까운 등급으로 도출한다. 식 10은 식 7과 표 2의 소속도 함수 통해 가장 가까운 등급을 확인하는 수식을 나타낸 것이다. 퍼지적으로 해석하면, F1에 대한 F2의 크리스프 값은 L4와 L5에 중첩된 상태이지만, 소속도 함수 대입 결과에 따라 L5에 소속하는 정도가 L4보다 강하기 때문에 L5로 재디퍼지화 하였다. 표 9는 같은 방법으로 12개의 요인을 각각 비교해서 도출한 결과를 나타낸 것이고, 표 10은 품질지표 요인에 대한 우선순위 결과를 나타낸 것이다. 품질지표 요인의 우선순위 높은 항목은 결함 유형 - 공정단계 - 결함 빈도로 도출되었다. 이를 통해 전문가는 품질관리 관점에서 비용, 사용 빈도, 환경 민감성보다는 결함 발생과 관련된 사항의 중요성이 강조된 것으로 볼 수 있다. 또한, 항공 체계 품질지표 요인은 결함의 유형과 발생 위치, 반복 발생 여부에 의해 관리되고 있음을 의미한다. 이는 실제 현장에서 품질 문제 분석 및 개선 활동이 공정에서 반복적으로 발생하는 결함 유형을 중심으로 수행되는 점과 일치한다( Meissner et al., 2021; Prakash et al., 2023).
그림 3은 일관성 검토 결과를 그래프로 나타낸 것으로, X축은 차수, Y축은 AHP 결과를 나타낸 것이다.
일관성 검토 결과에서 차수는 8번 진행하였고, 난수 지수 n은 항목 수와 같은 12이다. 식 11은 일관성 검토 결과를 수식으로 나타낸 것이다. 여기서, λmax는 최대 고윳값을 나타낸 것이고, 난수 지수인 RI 는 12×12 행렬의 난수 지수인 1.54로 계산한다. 차수는 8차 진행하였고, 일관성 비율인 CR 은 0.08로 기준인 0.1 이하로 도출되었고, 일관성을 확인하였다.
3.4 품질 요인 등급
결정된 품질 요인의 세부 등급이 필요하다. 사례 연구에서 1순위로 도출한 결함 유형을 5가지 세부적인 등급으로 나누게 되면, 인적, 장비, 자재, 방법, 설계 5가지로 선정할 수 있다. 5가지 등급을 정량적으로 결정하기 위해서, 10명의 전문가의 설문 조사 결과를 통해 도출하였다. 표 11은 전문가 10명에 대한 가중치와 결함 유형에 대한 전문가 설문 조사 결과를 나타낸 것이다. 여기서, L1~ L5에 해당하는 점수는 1~5점으로 배정하였다.
표 12는 전문가 가중치 및 점수로 환산한 값에 대해 가중 합(WSM)과 가중 곱(WPM)을 통해서 도출한 결과이다.
가중 합 결과는 설계-방법-장비-인적-재료 순으로 영향성이 높고, 가중 곱 결과는 설계-방법-장비-재료-인적 순으로 결과를 도출하였다. 두 결과를 비교하면, 설계-방법-장비에 대한 순위는 같고, 인적과 재료 요인에서 순위 차이가 있다. 가중 곱 결과에서 인적과 재료 요인에 대한 점수 차이는 거의 없는 것으로 나타났다.
표 13은 삼각 퍼지 수를 활용해서 무게 중심법과 면적법을 통해 도출한 결과이다. 두 방법의 결과는 설계-방법-장비-재료-인적 순으로 영향성 우선순위가 도출되었다.
표 14는 품질 요인 등급에 대해 전문가 가중치를 활용한 가중 합과 가중 곱의 결과와 퍼지이론을 활용한 무게 중심법, 면적법의 결과를 나타난 것이다. 이를 통해 결함 유형에 대한 우선순위는 설계-방법-장비-재료-인적 사항으로 등급의 순위를 결정하였다.
결함 유형의 세부 등급에서 설계 - 방법 순으로 높게 나타난 것은 항공 체계의 품질 문제가 단순히 조립 불량보다는 설계 단계의 요구사항 미반영, 공정 방법의 부적절성 등과 밀접하게 관련되어 있음을 시사한다. 따라서 본 결과는 설계 검토, 형상관리 등 품질보증 활동의 중요성을 정량적으로 뒷받침할 수 있으며, 품질 문제가 발생하게 되면 먼저 검토해야 할 영역으로 볼 수 있다.
4. 결 론
본 연구는 항공 체계 사례를 통해 품질보증 활동에서 활용 가능한 품질지표 요인을 체계적으로 도출하고, 요인의 등급 중 정성적인 사항에 대해 우선순위를 도출하기 위한 방법론을 제시하였다. 방법론은 FMEA를 기반으로 AHP와 퍼지이론을 결합한 방법을 구축하였다. 항공 체계의 품질데이터는 결함 유형, 공정단계, 결함 빈도 등 주관적인 변수가 복합적으로 존재하기 때문에, 단순 통계분석만으로는 품질 위험요소 간의 상호의존성과 불확실성을 설명하기 어렵다. 이러한 데이터의 특성을 고려할 때, 잠재적 결함요인을 구조적으로 식별하는 FMEA, 요인 간 상대적 중요도를 정량화하는 AHP, 전문가 의견의 모호성을 수학적으로 보완하는 퍼지이론의 결합은 필수적이며 당위성을 가진다.
결과적으로 연구 결과는 계층적 구조 내에서 FMEA-AHP-퍼지이론을 유기적으로 통합하고, 전문가 가중치를 반영함으로써 기존 FMEA 연구의 한계를 보완하였다. 추가로 품질지표 요인 등급이 정성적일 경우에 대한 우선순위를 도출하는 방법을 통해 단순 가중치 산출을 넘어, 전문가 판단의 객관성 확보 및 불확실성 완화라는 실질적 차별성을 제시하였다. 따라서 연구의 차별성은 FMEA의 구조적 체계성과 AHP 및 퍼지이론의 정량적·불확실성 보정 기능을 통합한 점에 있으며, 이는 향후 복합적인 시스템의 품질평가, 유지보수 우선순위 결정 등으로 확장될 수 있다. 또한, 제시한 방법론은 항공 분야뿐만 아니라 다른 분야의 품질관리 도구로 적용 가능할 것으로 사료된다. 이러한 점에도 불구하고 연구의 한계점은 사례 분석이 하나의 항공 체계와 특정 기간의 품질데이터에 한정되어있는 것으로 타 항공기, 시스템, 산업에 적용하기 위해 추가적인 검증이 필요하다. 또한, 전문가 집단의 규모는 유사 연구 사례를 통해 10명으로 선정하였지만, 이를 확장할 필요성이 있다. 향후 연구 방향은 본 연구의 지표 체계를 바탕으로 하나의 항공 체계에 대해 개발 시제기와 양산 납품 호기(생산 및 운용 단계)에 대한 품질지표 점수를 결정하고, 획득단계별로 이를 비교할 계획이다. 이를 통해 개발단계에서부터 양산단계까지 품질 변화 추이를 정량적으로 평가하고, 품질보증 활동에 효과적으로 활용할 수 있을 것으로 기대한다.
REFERENCES
Baek, M. S., Jang, H. A., and Kwon, H. M. 2014. A Modified Metric of FMEA for Risk Evaluation Based on ASIL of Safety System. Journal of Korean Society for Quality Management 42(4):543-562.  Bukhman, S., Brito, M., and Sung, M. C. 2024. Quantifying civilian aircraft vulnerability: A data-driven approach in geo-political conflict zones for improved risk assessment of aircraft shot-down. Journal of Air Transport Mangement 121(1):102674. Cho, S. W., Lee, H. S., and Kang, J. Y. 2022. A Study on the Common RPN Model of Failure Mode Evaluation Analysis(FMEA) and its Application for Risk Factor Evaluation. Journal of Korean Society for Quality Management 60(1):126-138.  Falcone, D., Di Bona, G., and Forcina, 2022. A new method for risk assessment in industrial processes. IFAC PapersOnLine 55–19: 1-6. Gnanavelbabu, A., and Arunagiri, P. 2017. Ranking of MUDA using AHP and Fuzzy AHP algorithm. Materials Today: Proceedings 5: 13406-13412. Huang, J., Yu, J. X., Liu, H. C., and Song, M. S. 2020. Failure mode and effect analysis improvement: A systematic literature review and future research agenda. Reliability Engineering and System Safety 199(1):106885. Kabashkin, I., and Perekrestov, V. 2025. Integrating big data and artificial intelligence in aircraft maintenance for enhanced efficiency and reliability. Transportation Reserach Procedia 83(1):601-608. Kim, T. H. 2020. Evaluation of RPN in FMEA with AHP Method : Case Study. Journal of Korean Society of Mechanical Technology 22(4):627-635. Kim, T. H., Jang, J. S., and Lee, E. Y. 2010. Practical Criteria for Process FMEA. Journal of Applied Reliability 10(2):123-135. Kim, Y. H., and Yoon, H. S. 2005. Assessing the Importance of Product Elements for Aircraft Manufacturing and Sale Using AHP : Fixed-Wing Combat Aircraft Case of k-Company. Journal of Industrial Innovation 34(3):245-264. Lee, C. S., Yoon, J. W., Chun, J. H., and Lee, S. J. 2017. A Study on the Prioritization of Medical Device using Fuzzy-AHP. Management and Information Systems Review 36(1):147-179. Meissner, R., Rahn, A., and Wicke, K. 2021. Developing prescriptive maintenance strategies in the aviation industry based on a discrete-event simulation framework for post-prognostics decision making. Reliability Engineering and System Safety 214(1):107812. Na, S. H., and Lee, G. E. 2021b. Fuzzy FMEA for Rotorcraft Landing System. Journal of the Korea Academia-Industrial cooperation Society 22(1):751-758. Na, S. H., Lee, G. E., and Koo, J. M. 2021a. Risk Analysis for the Rotorcraft Landing System Using Comparative Models Based on Fuzzy. Journal of the Korean Society of Safety 36(2):49-57. Oh, J. T., and Lee, S. Y. 2020. A Movie Recommendation System based on Fuzzy-AHP and Word2vec. Journal of Digital Convergence 18(1):301-307. Prakash, N., Nieberl, D., Mayer, M., and Schuster, A. 2023. Learning defects from aircraft NDT data. NDT&E International 138(1):102885. Saaty, T. L. 1990. How to make a decision: The analytic hierarchy process. European Journal of Operational Research 48(1):9-26.  Salah, B., Alnahhal, M., and Ali, M. 2023. Risk prioritization using a modified FMEA analysis in industry 4.0. Journal of Engineering Research 11(1):460-468. Shin, B. C., Hwang, W. Y., Ahn, N. S., Kim, D. H., Lee, G. L., Jang, B. K., and Byun, J. H. 2016. Suggestions on Enhancing the Effectiveness of Government Quality Assurance Activities for Military Supplies in Production Stage. Journal of Korean Society for Quality Management 44(1):153-166. Sutrisno, A., Gunawan, I., and Tangkuman, S. 2015. Modified failure mode and effect analysis(FMEA) model for accessing the risk of maintenance waste. Procedia Manufacturing 4: 23-29. Wilke, S., Majumbar, A., and Ochieng, W. Y. 2014. A framework for assessing the quality of aviation safety databases. Satety Science 63(1):133-145. Yu, J. H., Song, J. W., and Kim, C. D. 2008. Construction Safety Management Using FMEA Technique for Selecting Priority order. Korean Journal of Construction Engineering and Management 9(6):185-193. Zadeh, L. A. 1965. Fuzzy Sets. Informantion and Control 8: 338-353. Zandi, P., Rahmani, M., Khanian, M., and Mosavi, A. 2020. Agricultural Risk Management Using Fuzzy TOPSIS Analytical Hierarchy Process(AHP) and Failure Mode and Effects Analysis(FMEA). Agriculture 10(11).
Figure 1
Triangular fuzzy function 
Figure 2
Fuzzy membership functions of 5-level 
Figure 3
Table 1
|
n
|
RI
|
n
|
RI
|
|
1 |
0 |
7 |
1.32 |
|
2 |
0 |
8 |
1.41 |
|
3 |
0.58 |
9 |
1.45 |
|
4 |
0.90 |
10 |
1.49 |
|
5 |
1.12 |
11 |
1.51 |
|
6 |
1.24 |
12 |
1.54 |
Table 2
Fuzzy membership functions of 5-level
|
A
|
ai
|
bi
|
ci
|
|
Ll
|
0 |
2 |
4 |
|
L2
|
1 |
3.5 |
6 |
|
L3
|
2 |
5 |
8 |
|
L4
|
4 |
6.5 |
9 |
|
L5
|
6 |
8 |
10 |
Table 3
|
Step |
Process |
Description |
|
1 |
Define research scope and quality data. |
Define the target aviation system, analysis period, and quality data fields. |
|
2 |
Derive and select candidate quality indicator factors based on FMEA. |
Identify candidate factors from the perspectives of severity, occurrence, and defection. |
|
3 |
Select experts and determine expert weights. |
Select aviation quality experts and calculate their weights based on position, experience, and education. |
|
4 |
Design AHP structure and conduct pairwise comparison survey. |
Build AHP for the factors and conduct pairwise comparison survey. |
|
5 |
Apply fuzzy theory and adjust expert judgments. |
Apply fuzzification, defuzzifization, and re-defuzzification to integrate the adjust experts' linguistic judgments into crisp values. |
|
6 |
Derive factor priorities and verify consistency. |
Obtain factor weights from fuzzy theory, AHP and verify consistency index and ratio. |
|
7 |
Evaluation quality factor levels using weight model and fuzzy theory. |
For qualitative levels, calculate scores and priorities using WSM, WPM, CoG, CoA). |
|
8 |
Obtain priorities of quality indicator factors and their levels. |
Integrate the priorities of the factors and their levels to construct the quality indicator framework. |
Table 4
Description of potential quality indicator factors
|
No. |
Factor |
Description |
|
S |
1 |
F1 |
Defect type(5M1E) |
Potential effect on man, machine, material, method, measurement, environment in the event of a failure |
|
2 |
F2 |
System dependency |
Degree of interdependence with other components or systems |
|
3 |
F3 |
Cost |
Cost of the component itself or associated repair/replacement cost |
|
4 |
F4 |
Impact on delivery schedule |
Effect of failure on production timeline or delivery delays |
|
5 |
F5 |
Maintainability |
Ease of maintenance, repair, or replacement |
|
6 |
F6 |
Recovery time |
Time required to recover or restore system function after failure |
|
O |
1 |
F7 |
Defect frequency |
Frequency of failures based on historical data or expected usage |
|
2 |
F8 |
Quality defect history |
Historical defect rate |
|
3 |
F9 |
Usage frequency |
How frequently the component is used in regular operation |
|
4 |
F10 |
Environmental sensitivity |
Susceptibility to environmental stress (temperature, humidity, vibration, etc.) |
|
D |
1 |
F11 |
Automatic inspection |
Automatic inspection possibility |
|
2 |
F12 |
Manufacturing process step |
Possibility of finding in the manufacturing process |
Table 5
Criteria and scores for expert's weights
|
Criteria |
Classification |
Scores |
|
Position |
Senior academic / Technician |
5 |
|
Junior academic |
3 |
|
Engineer |
1 |
|
Experience |
> 30 years |
5 |
|
20–30 years |
4 |
|
10–20 years |
3 |
|
6–9 years |
2 |
|
< 6 years |
1 |
|
Education |
Ph. D |
5 |
|
Master |
3 |
|
Bachelor |
1 |
Table 6
|
Expert |
Position |
Experience |
Education |
Weight |
|
E1 |
5 |
5 |
3 |
0.12 |
|
E2 |
5 |
5 |
3 |
0.12 |
|
E3 |
3 |
3 |
3 |
0.09 |
|
E4 |
5 |
5 |
5 |
0.14 |
|
E5 |
3 |
4 |
3 |
0.10 |
|
E6 |
5 |
5 |
3 |
0.12 |
|
E7 |
5 |
5 |
3 |
0.12 |
|
E8 |
1 |
3 |
1 |
0.05 |
|
E9 |
1 |
3 |
1 |
0.05 |
|
E10 |
3 |
3 |
3 |
0.09 |
Table 7
Comparison of Assessment Factors for AHP
|
Li
|
Comparison |
Rate |
|
L1
|
μm is much more influential than μl
|
μl << μm
|
1/3 |
|
L2
|
μm is more influential than μl
|
μl < μm
|
1/2 |
|
L3
|
μl has similar influence as μm
|
μl ≈ μm
|
1 |
|
L4
|
μl is more influential than μm
|
μl > μm
|
2 |
|
L5
|
μl is much more influential than μm
|
μl >> μm
|
3 |
Table 8
AHP Example : expert evaluation for F1–F2
|
μl
|
μm
|
E1 |
E2 |
E3 |
E4 |
E5 |
E6 |
E7 |
E8 |
E9 |
E10 |
|
F1 |
F2 |
L5
|
L5
|
L4
|
L5
|
L4
|
L5
|
L5
|
L5
|
L5
|
L5
|
|
ei
|
0.12 |
0.12 |
0.09 |
0.14 |
0.10 |
0.12 |
0.12 |
0.05 |
0.05 |
0.09 |
|
gi
|
8 |
8 |
6.5 |
8 |
6.5 |
8 |
8 |
8 |
8 |
8 |
|
∑i=110(ei×gi)
|
7.72 |
Table 9
Pairwise comparison matrix
|
Case |
F1 |
F2 |
F3 |
F4 |
F5 |
F6 |
F7 |
F8 |
F9 |
F10 |
F11 |
F12 |
|
F1 |
1 |
3 |
2 |
2 |
3 |
2 |
2 |
3 |
2 |
3 |
3 |
1 |
|
F2 |
1/3 |
1 |
2 |
1 |
2 |
1 |
1/3 |
2 |
1 |
2 |
1 |
1/2 |
|
F3 |
1/2 |
1/2 |
1 |
1 |
1/2 |
1 |
2 |
2 |
1 |
2 |
1 |
1/2 |
|
F4 |
1/2 |
1 |
1 |
1 |
1 |
1 |
1/3 |
1 |
2 |
2 |
1 |
1/3 |
|
F5 |
1/3 |
1/2 |
2 |
1 |
1 |
1 |
1/3 |
1/3 |
1 |
3 |
1 |
1/3 |
|
F6 |
1/2 |
1 |
1 |
1 |
1 |
1 |
1/3 |
1/3 |
1/3 |
2 |
1 |
1/2 |
|
F7 |
1/2 |
3 |
1/2 |
3 |
3 |
3 |
1 |
1 |
3 |
3 |
1 |
2 |
|
F8 |
1/3 |
1/2 |
1/2 |
1 |
3 |
3 |
1 |
1 |
1/3 |
3 |
2 |
1/3 |
|
F9 |
1/2 |
1 |
1 |
1/2 |
1 |
3 |
1/3 |
3 |
1 |
3 |
1/3 |
1/3 |
|
F10 |
1/3 |
1/2 |
1/2 |
1/2 |
1/3 |
1/2 |
1/3 |
1/3 |
1/3 |
1 |
1/3 |
1/2 |
|
F11 |
1/3 |
1 |
1 |
1 |
1 |
1 |
1 |
1/2 |
3 |
3 |
1 |
1/3 |
|
F12 |
1 |
2 |
2 |
3 |
3 |
2 |
1/2 |
3 |
3 |
2 |
3 |
1 |
Table 10
|
Case |
Criteria |
Values |
Rank |
|
F1 |
Defect type(5M1E) |
0.151 |
1 |
|
F2 |
System dependency |
0.074 |
7 |
|
F3 |
Cost |
0.077 |
5 |
|
F4 |
Impact on delivery schedule |
0.064 |
9 |
|
F5 |
Maintainability |
0.058 |
10 |
|
F6 |
Recovery time |
0.052 |
11 |
|
F7 |
Defect frequency |
0.129 |
3 |
|
F8 |
Quality defect history |
0.078 |
4 |
|
F9 |
Usage frequency |
0.074 |
6 |
|
F10 |
Environmental sensitivity |
0.032 |
12 |
|
F11 |
Automatic inspection |
0.073 |
8 |
|
F12 |
Manufacturing process step |
0.139 |
2 |
Table 11
|
E1 |
E2 |
E3 |
E4 |
E5 |
E6 |
E7 |
E8 |
E9 |
E10 |
|
ei
|
0.12 |
0.12 |
0.09 |
0.14 |
0.10 |
0.12 |
0.12 |
0.05 |
0.05 |
0.09 |
|
Man |
L3
|
L4
|
L5
|
L4
|
L5
|
L4
|
L4
|
L1
|
L3
|
L5
|
|
Machine |
L4
|
L5
|
L3
|
L4
|
L4
|
L3
|
L5
|
L5
|
L3
|
L3
|
|
Method |
L4
|
L4
|
L4
|
L4
|
L5
|
L3
|
L3
|
L5
|
L4
|
L4
|
|
Material |
L5
|
L3
|
L4
|
L5
|
L4
|
L3
|
L4
|
L3
|
L3
|
L5
|
|
Design |
L3
|
L5
|
L5
|
L5
|
L5
|
L4
|
L5
|
L5
|
L4
|
L5
|
Table 12
|
E1 |
E2 |
E3 |
E4 |
E5 |
E6 |
E7 |
E8 |
E9 |
E10 |
WSM |
WPM |
|
Man |
0.37 |
0.50 |
0.17 |
0.57 |
0.48 |
0.50 |
0.50 |
0.05 |
0.14 |
0.17 |
3.44 |
3.23 |
|
Machine |
0.50 |
0.62 |
0.26 |
0.57 |
0.38 |
0.37 |
0.62 |
0.10 |
0.14 |
0.26 |
3.81 |
3.71 |
|
Method |
0.50 |
0.50 |
0.34 |
0.57 |
0.48 |
0.37 |
0.37 |
0.24 |
0.19 |
0.34 |
3.90 |
3.85 |
|
Material |
0.25 |
0.37 |
0.34 |
0.71 |
0.38 |
0.37 |
0.50 |
0.14 |
0.14 |
0.17 |
3.38 |
3.24 |
|
Design |
0.37 |
0.62 |
0.43 |
0.71 |
0.48 |
0.50 |
0.62 |
0.24 |
0.19 |
0.17 |
4.32 |
4.18 |
Table 13
|
i
|
Li
|
ai
|
bi
|
ci
|
gi
|
wi
|
Ai
|
CoG |
CoA |
Rank |
|
Man |
1 |
L1
|
0 |
2 |
4 |
2.0 |
1 |
2 |
5.3 |
5.3 |
5 |
|
2 |
L2
|
1 |
3.5 |
6 |
3.5 |
2 |
2.5 |
|
3 |
L3
|
2 |
5 |
8 |
5.0 |
2 |
3 |
|
4 |
L4
|
4 |
6.5 |
9 |
6.5 |
4 |
2.5 |
|
5 |
L5
|
6 |
8 |
10 |
8.0 |
1 |
2 |
|
Machine |
1 |
L1
|
0 |
2 |
4 |
2.0 |
0 |
2 |
5.9 |
5.75 |
3 |
|
2 |
L2
|
1 |
3.5 |
6 |
3.5 |
1 |
2.5 |
|
3 |
L3
|
2 |
5 |
8 |
5.0 |
4 |
3 |
|
4 |
L4
|
4 |
6.5 |
9 |
6.5 |
3 |
2.5 |
|
5 |
L5
|
6 |
8 |
10 |
8.0 |
2 |
2 |
|
Method |
1 |
L1
|
0 |
2 |
4 |
2.0 |
0 |
2 |
6.5 |
6.38 |
2 |
|
2 |
L2
|
1 |
3.5 |
6 |
3.5 |
0 |
2.5 |
|
3 |
L3
|
2 |
5 |
8 |
5.0 |
2 |
3 |
|
4 |
L4
|
4 |
6.5 |
9 |
6.5 |
6 |
2.5 |
|
5 |
L5
|
6 |
8 |
10 |
8.0 |
2 |
2 |
|
Material |
1 |
L1
|
0 |
2 |
4 |
2.0 |
0 |
2 |
5.5 |
5.37 |
4 |
|
2 |
L2
|
1 |
3.5 |
6 |
3.5 |
2 |
2.5 |
|
3 |
L3
|
2 |
5 |
8 |
5.0 |
4 |
3 |
|
4 |
L4
|
4 |
6.5 |
9 |
6.5 |
3 |
2.5 |
|
5 |
L5
|
6 |
8 |
10 |
8.0 |
1 |
2 |
|
Design |
1 |
L1
|
0 |
2 |
4 |
2.0 |
0 |
2 |
6.9 |
6.77 |
1 |
|
2 |
L2
|
1 |
3.5 |
6 |
3.5 |
1 |
2.5 |
|
3 |
L3
|
2 |
5 |
8 |
5.0 |
1 |
3 |
|
4 |
L4
|
4 |
6.5 |
9 |
6.5 |
2 |
2.5 |
|
5 |
L5
|
6 |
8 |
10 |
8.0 |
6 |
2 |
Table 14
|
WSM |
WPM |
CoG |
CoA |
Rank |
Level |
|
Man |
4 |
5 |
5 |
5 |
5 |
1 |
|
Machine |
3 |
3 |
3 |
3 |
3 |
3 |
|
Method |
2 |
2 |
2 |
2 |
2 |
4 |
|
Material |
5 |
4 |
4 |
4 |
4 |
2 |
|
Design |
1 |
1 |
1 |
1 |
1 |
5 |
|
|
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation 
Print 
