Advertisement

Informatik - Forschung und Entwicklung

, Volume 22, Issue 2, pp 85–94 | Cite as

Ein Bayes’scher Ansatz zur Bewertung technischer Risiken im Entwicklungsprozess

  • Michael KempfEmail author
Reguläre Beiträge

Zusammenfassung

Die momentan bekannten Methoden zur Abschätzung des technischen Risikos während eines Entwicklungsprojektes in der industriellen Praxis wie z.B. die Fehlermöglichkeits- und -einflussanalyse, die Fehlerbaumanalyse oder ähnliche Ansätze tragen den Anforderungen an eine effiziente Risikoanalyse nur eingeschränkt Rechnung. Insbesondere die Abhängigkeiten zwischen Ereignissen werden nicht adäquat modelliert, was zu Fehleinschätzungen bei der Risikobewertung führen kann. In diesem Beitrag wird ein Modell zur Risikobewertung auf der Basis der Theorie der Bayes’schen Netze vorgestellt.

Dieses Risikomodell ist relativ einfach generierbar. Zunächst müssen die relevanten, potenziellen Fehlerereignisse und ihre Interdependenzen ermittelt werden. Anschließend müssen die Auftrittshäufigkeiten der jeweiligen Fehler sowie die Stärke der Fehlerrelationen, d.h. wie sicher zieht die Fehlerursache eine bestimmte Fehlerwirkung nach sich, spezifiziert werden. Durch das so generierte, probabilistisch bewertete Fehlernetz ist die Grundlage geschaffen, Risiken realitätsnah abzuschätzen, zu simulieren und zu bewerten. Sogar bei unsicherem Wissen in den frühen Entwicklungsphasen können Fehleranalysen durchgeführt werden, um die potenziellen, schwer zu erkennbaren Risikobereiche rechtzeitig aufzudecken.

Schlagworte

Risikoanalyse Bayes’sche Netze Stochastische Simulation 

Abstract

The currently known methods estimating the technical risk during a design project in industrial application such as e.g. failure mode and effects analysis, fault tree analysis or similar approaches don’t fully meet the requirements of an efficient risk analysis. Especially dependencies between events are not modeled adequately which can result in misinterpretations with risk assessment. In this article a model for risk assessment using the theory of Bayesian Networks is presented.

The risk model is relatively easy to generate. First of all, the relevant potential failure events and their interactions have to be determined. Afterwards the frequencies of occurrence of the respective failures as well as the strength of the failure relations, i.e. how certain does a failure cause result in a specific failure effect, have to be specified. With the resulting probabilistic failure net a sound basis is established to realistically evaluate, simulate and assess risks. Even with uncertain knowledge at early stages of product design, failure analyses can be carried out to reveal potential and hard to detect risks.

Keywords

Risk Analysis Bayesian Networks Stochastic Simulation 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Andrews J, Dugan J (2002) Fault Tree Analysis for Reliability and Risk Assessment. Wiley & Sons, ChicesterGoogle Scholar
  2. 2.
    Bedford T, Cooke R (2001) Probabilistic Risk Analysis – Foundations and Methods. Cambridge University Press, CambridgezbMATHGoogle Scholar
  3. 3.
    Bluvband Z, Polak R, Grabov P (2005) Bouncing Failure Analysis (BFA): The Unified FTA-FMEA Methodology. Proceedings of the 51st Annual Reliability and Maintainability Symposium, Alexandria, Virginia, USAGoogle Scholar
  4. 4.
    Buchanan BG, Shortliffe EH (1984) Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley, Reading, MA, USAGoogle Scholar
  5. 5.
    Castillo E, Gutiérrez JM, Hadi AS (1997) Expert Systems and Probabilistic Network Models. Springer, New YorkGoogle Scholar
  6. 6.
    Cowell RG, Dawid AP, Lauritzen SL, Spiegelhalter DJ (1999) Probabilistic Networks and Expert Systems. Springer, New YorkzbMATHGoogle Scholar
  7. 7.
    Feller W (1950) An Introduction to Probability Theory and Applications. Wiley, New YorkzbMATHGoogle Scholar
  8. 8.
    Heckermann D (1986) Probabilistic Inetrpretations for MYCIN’s Certainty Factors. In: Kanal LN, Lemmer JF (eds) Uncertainty in Artificial Intelligence. Elsevier Science Publishers, North Holland, pp 167–196Google Scholar
  9. 9.
    Herb R, Herb T, Kratzer M (1998) Potentielle Fehler vollständig erfassen – Qualitative Fehlerbäume als Methode zur Kreativitätsförderung und Strukturierung von FMEA. Qualität und Zuverlässigkeit 43(2):183–184, 186–187Google Scholar
  10. 10.
    Jensen FV (2001) Bayesian Networks and Decision Graphs. Springer, New YorkzbMATHGoogle Scholar
  11. 11.
    Lauritzen SL, Spiegelhalter DJ (1988) Local Computations with Probabilities on Graphical Structures and Their Application to Expert Systems. J Roy Stat Soc B 50:157–224zbMATHMathSciNetGoogle Scholar
  12. 12.
    Liggesmeyer P, Mäckel O (2000) Automatisierung erweiterter Fehlerbaumanalysen für komplexe technische Systeme. Automatisierungstechnik - at 48(2):67–76CrossRefGoogle Scholar
  13. 13.
    Neapolitan RE (1990) Probabilistic Reasoning in Expert Systems: Theory and Algorithms. Wiley, New YorkGoogle Scholar
  14. 14.
    Neapolitan RE (2004) Learning Bayesian Networks, Prentice Hall Series in Artificial Intelligence. Pearson, New JerseyGoogle Scholar
  15. 15.
    Pearl J (1986) Fusion, Propagation and Structuring in Belief Networks. Artif Intell 29:241–288zbMATHCrossRefMathSciNetGoogle Scholar
  16. 16.
    Pearl J (1987) Evidential Reasoning Using Stochastic Simulation of Causal Models. Artif Intell 32:245–257zbMATHCrossRefMathSciNetGoogle Scholar
  17. 17.
    Pearl J (1988) Probabilistic Reasoning in Intelligent Systems – Networks of Plausible Inference. Morgan Kaufmann Publishers, San Mateo, CaliforniaGoogle Scholar
  18. 18.
    Pickard K, Müller P, Bertsche B (2005) Multiple Failure Mode and Effects Analysis – An Approach to Risk Assessment of Multiple Failures with FMEA, Proceedings of the 51st Annual Reliability and Maintainability Symposium, Alexandria, Virginia, USAGoogle Scholar
  19. 19.
    Sihn W, Schloske A (2001) Combined Design and Availability Failure Modes and Effects Analysis (CDA-FMEA). In: Cummings Gerard F (ed) IMC – 18 Competitive Manufacturing in 2001: Proceedings of the International Manufacturing Conference 18, 5th–7th September, pp 443–449, Dublin, Gemini InternationalGoogle Scholar
  20. 20.
    Shortliffe EH, Buchanan BG (1975) A Model of Inexact Reasoning in Medicine. Math Biosci 23:351–377CrossRefMathSciNetGoogle Scholar
  21. 21.
    VDA 4 Teil 2 (1996) Sicherung der Qualität vor Serieneinsatz. System-FMEA. Eigen-Verlag, FrankfurtGoogle Scholar
  22. 22.
    Woollons DJ, Hawkins PG (1998) Failure Modes ans Effects Analysis of Complex Engineering Systems using Functional Models. Artif Intell Eng 12:375–397CrossRefGoogle Scholar

Copyright information

© Springer-Verlag 2007

Authors and Affiliations

  1. 1.Institut für Industrielle Fertigung und FabrikbetriebUniversität StuttgartStuttgartGermany

Personalised recommendations