Eine Neuro-Fuzzy-Zuverlässigkeitsoptimierungsmethode bezüglich Lebenszykluskosten unter Implementierung zeitabhängiger Ausfallraten

Sicherheits- und Zuverlässigkeitsanforderungen werden unter Berücksichtigung der Verfügbarkeit und Instandhaltbarkeit als Elemente des RAMS-Prozesses (Reliability, Availability, Maintainability, Safety) verstanden und müssen aufgrund ihrer jeweiligen wirtschaftlichen Auswirkungen hinsichtlich der Lebenszykluskosten (LCC) optimiert werden. Konventionelle Optimierungsmethoden setzen genaue Datenkenntnis voraus, wobei die Zielfunktionen und Restriktionen genau definiert sind. In der Regel sind jedoch viele Produkte auf Grund ihrer langen Lebenszyklen (z. B. Kraftwerke und Schienenfahrzeuge bis zu 30 Jahre, Kraftfahrzeuge und Elektrogeräte ca. 10 bis 15 Jahre), mit unvollständigen und vagen Daten behaftet, sodass probabilistische und deterministische Ansätze nicht zum Ziel führen. Der Schwerpunkt dieser Arbeit liegt in der Entwicklung einer neuen Optimierungsmethode, die einen indeterministischen Ansatz verfolgt und den gesamten Lebenszyklus berücksichtigt. Das Optimierungsproblem wird aus der Perspektive der Fuzzy-Logik formuliert; ein entscheidendes Problem in der praktischen Anwendung der Fuzzy-Mengen besteht darin, eine entsprechende Zugehörigkeitsfunktion zu finden. In dieser Arbeit werden künstliche neuronale Netze mit dem Backpropagation-Algorithmus vorgestellt, die zur Generierung von Zugehörigkeitsgraden verwendet werden. Die vorgeschlagene Optimierungsmethode stellt eine kooperative Neuro-Fuzzy-Methode unter Implementierung zeitabhängiger Ausfallraten dar. Um den Grundgedanken dieser Methode zu illustrieren, werden zwei Brake-by-Wire-Systeme in Form der elektrohydraulischen Bremse (EHB) und der elektromechanischen Bremse (EMB) dargestellt durch ein vereinfachtes Blockschaltbild analysiert.