Beschreibung

Zuverlässigkeitsmodellierung, Ähnlichkeitsanalyse und Optimierung von mechatronischen Systemen

Zuverlässigkeitsprognosen mechatronischer Projekte unterliegen gerade in frühen Projektphasen hoher Unsicherheit. Unsichere Daten (z.B. FMEA oder Herstellerangaben) führen unvermeidbar zu vagen Prognosegrundlagen. Gerade in dieser Phase werden jedoch maßgebliche Designentscheidungen getroffen, die durch quantitative Prognosen abgesichert werden müssen. Ziel des Projektes ist die robuste Zuverlässigkeitsvorhersage mit integrierter Designoptimierung unter Erschließung neuer Datenquellen wie Ähnlichkeitsrelationen. Das Projekt unterteilt sich in drei Arbeitspunkte: Modellierung unter Unschärfe: Um eine „ehrliche“ Prognose zu ermöglichen, bedarf es der Darstellung, Einfluss- und Ausbreitungsbetrachtung der Unsicherheiten durch Systemmodelle. Hierzu besonders geeignet sind impräzise Wahrscheinlichkeiten wie z.B. Dempster-Shafer-Modelle. Datenfusionsalgorithmen sollen die Datenquellen aggregieren und so Parameterunsicherheit reduzieren. Ähnlichkeitsbetrachtungen in der Zuverlässigkeitsprognose: Neue Systeme werden heute selten „auf der grünen Wiese“ entwickelt. Meist existiert Zuverlässigkeitswissen über Vor-gänger oder ähnliche Komponenten. Automatisierte Verfahren zur Erfassung und kombinierten Verwendung von Vorwissen in quantitativer und qualitativer Form werden geschaffen. Computational Intelligence Methoden wie Neuronale Netze und Gaußsche Prozesse finden Verwendung, um mittels Ähnlichkeitsrelationen Prognosen zu Systemstruktur und Komponentenausfällen zu geben. Design Screening und Strukturoptimierung: Multikriterielle Evolutionäre Algorithmen (MOEAs) haben ihre Effizienz in praktischen Anwendungen unter Beweis gestellt. Durch die populationsbasierte Suche sind MOEAs in der Lage, ohne eine a Priori definierte Benutzerpräferenz zu einer Menge guter Lösungen zu gelangen. So können exponentielle Designmengen nach guten Designs gescreent werden. Diese können im weiteren Projektverlauf genauer analysiert werden. Für unscharfe Modelle und partielle Userpreferenzen bedarf es der Ent-wicklung neuer MOEAs. Um die Anwendbarkeit in der Praxis zu gewährleisten, müssen Designoptimierungsprobleme mittels Featuremodellierung effizient spezifiziert werden können. Ergebnis ist die Entwicklung eines einfach handhabbaren Tools, das eine effiziente Zuverlässigkeitsvorhersage erlaubt und anhand dieser Vorschläge zuverlässiger Designs erzeugt.

Projektorganisation

Laufzeit

01.01.2005 -

Projektleitung im Fachgebiet

Prof. Dr.-Ing. Hans-Dieter Kochs

Projektbearbeitung

Dipl.-Inform. Philipp Limbourg, wiss. Mitarb.

Zusammenarbeit intern

-

Zusammenarbeit extern

-

Förderung

Förderer

-

Förderart

-

Förderkennzeichen

-

Schlagworte

Imprecise probabilities, Dempster-Shafer, Evidence theory, uncertainty modelling, mechatronics, similarity analysis, gaussian processes, neural networks, probabilistic reg-ression, evolutionary algorithms, multi-objective, design optimization, design for reliability