Dependability Modelling under Uncertainty: An Imprecise Probabilistic Approach

فرایندهای طراحی مکاترونیک کوتاه‌تر و موازی‌تر شده‌اند که ناشی از افزایش فشار زمان تا بازار است. روش هایی که امکان تجزیه و تحلیل کمی را در مراحل اولیه طراحی فراهم می کند، باید مورد نیاز باشد، در صورتی که تجزیه و تحلیل قابلیت اطمینان با هدف تأثیرگذاری بر طراحی باشد. با توجه به مقدار محدود داده در این مرحله، سطح عدم قطعیت بالا است و مدل‌سازی صریح این عدم قطعیت‌ها ضروری می‌شود.

این کار روش‌های جدید قابلیت اطمینان حفظ عدم قطعیت را برای مراحل اولیه طراحی معرفی می‌کند. اینها شامل انتشار عدم قطعیت از طریق مدل‌های قابلیت اطمینان، فعال‌سازی داده‌ها از مؤلفه‌های مشابه برای تجزیه و تحلیل و ادغام پیش‌بینی‌های قابلیت اطمینان نامشخص در یک چارچوب بهینه‌سازی است. نشان داده شده است که نظریه Dempster-Shafer می تواند جایگزینی برای نظریه احتمال در پیش بینی قابلیت اطمینان مراحل اولیه طراحی باشد. برآوردهای خبره را می توان نشان داد، عدم قطعیت ورودی از طریق سیستم منتشر می شود و عدم قطعیت پیش بینی را می توان اندازه گیری و تفسیر کرد. روش منسجم حاصل را می توان برای نشان دادن عدم قطعیت در مدل های قابلیت اطمینان اعمال کرد.

Mechatronic design processes have become shorter and more parallelized, induced by growing time-to-market pressure. Methods that enable quantitative analysis in early design stages are required, should dependability analyses aim to influence the design. Due to the limited amount of data in this phase, the level of uncertainty is high and explicit modeling of these uncertainties becomes necessary.

This work introduces new uncertainty-preserving dependability methods for early design stages. These include the propagation of uncertainty through dependability models, the activation of data from similar components for analyses and the integration of uncertain dependability predictions into an optimization framework. It is shown that Dempster-Shafer theory can be an alternative to probability theory in early design stage dependability predictions. Expert estimates can be represented, input uncertainty is propagated through the system and prediction uncertainty can be measured and interpreted. The resulting coherent methodology can be applied to represent the uncertainty in dependability models.