강건 설계

최적설계 통계 시뮬레이션 마지막 수정: 2026-07-30 04:19:33

1. 개요[편집]

강건 설계(robust design)는 통제할 수 없는 변동이 존재하는 조건에서, 성능의 평균값이 아니라 성능이 그 변동에 얼마나 둔감한가를 설계 목표로 삼는 설계 방법론이다. 한 줄로 줄이면 “잘 나오는 설계”가 아니라 “흔들려도 덜 나빠지는 설계”를 찾는 일이다.

명목 조건에서 성능이 가장 좋은 점은 대개 절벽 끝에 있다. 치수가 0.05 mm 어긋나고, 재료 로트가 바뀌고, 사용 환경 온도가 20도 오르면 그 최적점은 그냥 무너진다. 반면 조금 손해 보는 대신 넓고 평평한 고원 위에 앉은 설계는 같은 교란을 맞아도 성능이 별로 안 변한다. 최적설계가 봉우리의 높이를 다투는 학문이라면, 강건 설계는 봉우리의 폭을 다투는 학문이다.¹

2. 인자의 분류 — P-다이어그램[편집]

강건 설계는 세상의 변수를 역할별로 쪼개는 데서 시작한다. 다구치가 정리한 P-다이어그램(parameter diagram)의 네 갈래다.

신호인자(signal): 사용자가 의도적으로 주는 입력. 브레이크 페달 답력, 조향각.
제어인자(control factor): 설계자가 값을 정할 수 있는 것. 두께, 재질, 형상, 공정 온도. 우리가 돌릴 수 있는 손잡이.
잡음인자(noise factor): 통제 불가능하거나 통제 비용이 과한 것. 다시 셋으로 나뉜다 — 외부 잡음(환경 온습도, 사용 습관), 내부 잡음(경년 열화, 마모), 개체 간 잡음(제조 산포, 조립 공차).
**응답(response)**과 오류 상태(error state): 원하는 출력과 원치 않는 출력.

핵심 통찰은 제어인자와 잡음인자의 교호작용에 있다. 잡음의 효과 크기가 제어인자 수준에 따라 달라지는 경우에만 강건한 조건이 존재한다. 이 교호작용이 없으면 아무리 실험을 돌려도 산포는 안 줄어들고, 남은 선택지는 공차를 조이는 것(=돈)뿐이다.

3. 다구치 노선 — 손실함수와 S/N비[편집]

고전 강건 설계의 뿌리는 다구치의 품질 손실함수 $L(y)=k(y-m)^2$ 다. 규격 안이면 합격이라는 계단식 사고를 거부하고, 목표치에서 벗어난 만큼 손실이 제곱으로 커진다고 본다. 기댓값을 취하면

\mathbb E[L]=k\big[(\mu-m)^2+\sigma^2\big]

가 되어 편의(bias)와 분산이 나란히 목적함수에 들어온다. 여기서 “분산을 줄여라”가 자동으로 따라 나온다.

다구치는 이를 직교배열 실험 위에서 신호대잡음비(S/N) 하나로 압축했다. 망목특성이면 $10\log_{10}(\bar y^2/s^2)$ , 망소특성이면 $-10\log_{10}(\frac1n\sum y_i^2)$ , 망대특성이면 $-10\log_{10}(\frac1n\sum y_i^{-2})$ 를 쓰고, S/N을 최대화하는 수준을 인자마다 고른다. 자세한 절차와 직교배열 이야기는 다구치 방법·실험계획법 문서로 넘긴다.

비판도 정확히 짚어 둘 필요가 있다. 평균과 분산을 로그 하나로 묶는 특정 형태에 일반적 정당화가 없다. 망목 S/N이 “평균 조정과 무관한 성능 척도”가 되려면 표준편차가 평균에 비례한다는 오차 구조가 필요한데, 그게 성립하지 않으면 산포를 줄인다고 고른 조건이 실은 평균만 키운 조건일 수 있다. 그래서 현대적 대안은 평균과 분산을 따로 모형화하는 이중 응답면(dual response surface) 접근이다. 반응표면법으로 $\hat\mu(\mathbf d)$ 와 $\hat\sigma(\mathbf d)$ 를 각각 적합한 뒤, 둘을 놓고 절충한다.

4. 평균-분산 다목적 정식화[편집]

전산 해석 시대의 강건 설계는 대개 이 형태로 쓰인다. 설계변수 $\mathbf d$ , 잡음변수 $\mathbf Z$ 에 대해

\min_{\mathbf d}\ \Big[\ \mu_f(\mathbf d),\ \sigma_f(\mathbf d)\ \Big],\qquad \mu_f=\mathbb E_{\mathbf Z}[f],\quad \sigma_f^2=\mathrm{Var}_{\mathbf Z}[f]

두 목적을 가중합 $\mu_f+k\,\sigma_f$ 로 묶으면 스칼라 문제가 되고( $k$ 는 보통 2~3), 그대로 두면 다중기준 방법의 파레토 전선 문제가 된다. 파레토 전선을 그려 보면 “산포를 30% 줄이는 데 평균 성능 2%를 낸다” 같은 교환비가 눈에 보이는데, 이게 경영진 설득에 가장 잘 먹히는 그림이다.

분산을 싸게 추정하려면 1차 섭동(델타 방법)이 국룰이다.

\sigma_f^2\approx\sum_i\left(\frac{\partial f}{\partial z_i}\right)^2\sigma_{z_i}^2 +2\sum_{i<j}\frac{\partial f}{\partial z_i}\frac{\partial f}{\partial z_j}\,\mathrm{Cov}(z_i,z_j)

기울기만 있으면 되니 자동 미분이나 민감도 해석의 수반법과 궁합이 좋다. 다만 $f$ 가 잡음 범위 안에서 심하게 휘면 이 근사는 무너진다. 비선형이 강하면 불확실성 정량화의 다항식 카오스 전개를 쓰는 편이 낫다 — 정규직교 기저로 전개하면 $\mu_f=c_0$ , $\sigma_f^2=\sum_{k\ge1}c_k^2$ 로 계수에서 바로 읽힌다.

5. RBDO와의 차이[편집]

가장 자주 혼동되는 지점. 둘 다 확률을 다루지만 보고 있는 곳이 다르다.

구분	강건 설계	RBDO
관심 영역	분포의 중심	분포의 꼬리
정식화	분산·산포 최소화	확률 제약 $P[g<0]\le P_f^{\text{target}}$
대표 지표	$\sigma$ , S/N비	신뢰도 지수 $\beta$
필요한 표본 수	적음(중심 통계량)	많음(희귀 사건)
전형적 목적	품질·수율	안전·인증

산포를 줄여도 꼬리가 규격을 넘을 수 있고, 반대로 파괴확률을 $10^{-6}$ 으로 맞춰도 양산 산포가 커서 수율이 바닥일 수 있다. 그래서 실무에서는 둘을 함께 건다 — 목적함수에는 $\mu+k\sigma$ 를, 제약에는 확률 제약을. 이때 필요한 U-공간 사상과 MPP 탐색은 신뢰성 해석과 로젠블랫 변환 참고.

6. 최악경우와 구간 기반 강건 최적화[편집]

확률분포를 아예 모르거나 믿을 수 없을 때 쓰는 노선. 잡음이 불확실성 집합 $\mathcal Z$ 안 어딘가에 있다고만 가정하고

\min_{\mathbf d}\ \max_{\mathbf z\in\mathcal Z}\ f(\mathbf d,\mathbf z)

를 푼다. 미니맥스(최악경우) 정식화다. 후회를 최소화하는 미니맥스 리그렛 변형도 흔하다. 이 노선의 매력은 볼록 최적화 이론과 맞물린다는 점이다. 벤탈-네미로프스키의 강건 대응문제(robust counterpart) 이론에 따르면, 선형계획의 계수가 타원체 불확실성 집합 안에서 움직이는 문제는 **2차 원뿔 계획(SOCP)**으로 정확히 바뀐다. 즉 최악경우를 고려하고도 다항시간에 정확히 풀린다. 볼록 최적화·반정부호 계획법 참고.

구간 산술 기반의 구간 해석도 같은 계보인데, 연산을 거칠 때마다 구간이 실제보다 부풀어 오르는 포장 효과(wrapping effect) 때문에 자유도가 큰 유한요소 문제에는 그대로 쓰기 어렵다.

중간 지대가 분포적 강건 최적화로, “분포는 모르지만 평균과 공분산은 안다” 또는 “참 분포가 경험분포에서 바서슈타인 거리 $\varepsilon$ 이내에 있다”처럼 분포 자체의 모호집합을 잡고 최악의 분포에 대비한다. 최악경우의 과보수성과 확률 접근의 과신 사이를 잇는 다리다.

7. 대리모델 기반 워크플로[편집]

해석 한 번에 몇 시간씩 걸리는 CAE 문제에서 이중 루프(설계 반복 × 잡음 표본)를 그대로 돌리면 답이 없다. 그래서 표준 절차는 이렇게 굳었다.

잡음 모델링: 어떤 변수가 잡음인지, 분포·상관·범위가 무엇인지 못 박는다. 이 단계가 부실하면 뒤의 정교함은 전부 장식이다.
실험계획법: 설계변수와 잡음변수를 합친 공간에서 라틴 하이퍼큐브나 소볼 수열로 훈련점을 뿌린다. 결정적으로, 잡음변수도 함께 실험 공간에 넣어야 교호작용이 잡힌다.
대리 모델 적합: 크리깅(가우시안 프로세스)이나 PCE. 크리깅은 예측 분산을 주므로 적응 표본추출이 가능하다.
통계량 계산: 대리 모델 위에서 잡음에 대한 $\mu_f,\sigma_f$ 를 몬테카를로로 싸게 뽑거나 PCE 계수에서 해석적으로 읽는다.
최적화: 유전 알고리즘 등으로 파레토 전선을 얻는다.
검증: 얻은 강건 설계점 근처에서 실제 해석을 다시 돌려 대리 모델의 예측을 확인한다. 이 단계를 건너뛰면 검증 및 확인의 정신을 배신하는 것이다.

8. 실무에서 자주 깨지는 것들[편집]

분산은 평균보다 훨씬 비싸다. 평균 추정 오차는 $\sigma/\sqrt N$ 이지만 분산 추정의 상대오차는 꼬리 모양에 민감해 표본이 몇 배 더 필요하다. 예산은 여기서 터진다.
잡음을 모델에 안 넣으면 강건해지지 않는다. 결정론적 해석 결과에 사후로 안전계수를 곱하는 건 강건 설계가 아니다. 잡음이 해석 입력으로 실제로 흔들려야 한다.
강건해는 명목 최적보다 항상 나쁘다. 그건 실패가 아니라 보험료다. 이 프레이밍을 미리 공유하지 않으면 설계 리뷰에서 “왜 성능이 떨어졌냐”는 질문에 답할 수 없다.
공차 설계와 함께 가야 한다. 강건 설계로 산포에 둔감한 지점을 먼저 찾고(파라미터 설계), 그래도 남는 산포는 공차를 조여 잡는다(공차 설계). 순서가 반대면 돈만 쓴다.²³

9. 관련 문서[편집]

최적화 강의에서 “전역 최적해를 찾았습니다”라고 발표하면 지도교수가 “그 근처는 어떻게 생겼는데?”라고 되묻는 순간이 온다. 폭 0.1 mm짜리 바늘 끝 최적해는 도면으로 나가는 순간 사라진다. 강건 설계는 그 질문을 목적함수 안으로 집어넣은 것이다. ↩
공차를 조이는 비용은 보통 공차의 역수에 가깝게 올라간다. 0.1 mm를 0.05 mm로 조이는 데 드는 돈이면, 애초에 0.1 mm 산포에 둔감한 형상을 찾는 해석을 몇 번은 돌릴 수 있다. 그래서 순서가 중요하다는 얘기가 계속 나온다. ↩
현장에서 가장 흔한 강건 설계 실패담은 “잡음변수를 평균값으로 고정하고 해석했다”이다. 그러면 정의상 분산이 0으로 나오고, 모든 설계점이 완벽하게 강건해진다. 리포트는 아름답고 양산은 지옥이 된다. ↩