Prediction in a Bayesian net framework : methodology and application to life time data

Eine der größten Herausforderungen in der Produktentwicklung von Industrieunternehmen moderner Volkswirtschaften liegt in den hohen Voraussetzungen an Produktqualität und -zuverlässigkeit in Kombination mit zeitlichem Druck bei Planung und Produktion. Mögliche Abweichungen von Produktionsstandards sollten daher in frühen Designstadien festgestellt werden.Die Auswahl passender Modellierungsansätze sowie das Treffen geeigneter Annahmen sind von zentraler Bedeutung für die Zuverlässigkeitsanalyse moderner Industrieunternehmen.Diese Arbeit soll zur Grundlagenforschung dieser Disziplin beitragen und beschäftigt sich mit der Applikation von Bayes'schen Netzen (BN) als Schätzmethode von Systemzuverlässigkeiten.Ziel ist es erklärende Faktoren wie externe Einflüsse und Degradation abzubilden, welche aus Testdaten, Literatur und Experteneinschätzungen abgeleitet werden können. Zudem soll das Verfahren BNs evaluiert werden um Aussagen über die Anwenderfreundlichkeit und Performance zu treffen; Ergebnisse sollen zudem mit einem weiteren Ansatz aus der Literatur verglichen werden.Zwei Beispiele wurden herausgearbeitet um eine Validierung dieses Ansatzes durchzuführen. Zuerst wurde eine Simulationsstudie durchgeführt, welche sich an dem Werk von Aslett et al. (2015) orientiert, um die Durchführbarkeit des Ansatzes zu überprüfen. Anschließend wurde eine Fallstudie bearbeitet, welche auf einer vereinfachten Illustration eines mikroelektronischen Systems beruht und unter Verwendung von Testdaten erstellt wurde.Es kann gezeigt werden, dass BNs geeignete Rahmenbedingungen für die Anwendung in der Zuverlässigkeitsanalyse aufweisen. Sie ermöglichen eine intuitive Darstellung komplexer Systeme sowie deren Komponenten und externer Einflüsse. Des Weiteren verfügen sie über Eigenschaften, welche eine effiziente Darstellung gemeinsamer Verteilungen ermöglichen, wodurch eine Vielzahl von Fragestellungen ohne großen Berechnungsaufwand und Rechnerkapazitäten behandelt werden können.One of the big challenges arising for product development in highly competitive markets are high level requirements for reliability and customer satisfaction combined with fast paced production. Potential failures or derivations from expected standards need to be evaluated or predicted in early design stages. Choosing the right modelling approach combined with suitable assumptions are therefore key criteria for reliability analysis in modern industries.This work aims to contribute to this area of research and proposes the application of Bayesian networks to reliability and lifetime analysis. The main objective will be the prediction of a systems survival, with respect to time and influential environmental factors, based on knowledge about its components as well as prior insights given by literature and experts. Furthermore a review of the approachs usability, performance and a comparison of the results with different methodological approaches shall be provided.To test this approach two examples have been proposed. First a simulation study based on the work of Aslett, Coolen and Wilson (2015) will be considered to establish the feasibility of this approach, before a case study, based on a simplified illustration of a microelectronic system, using real life data will be examined.It can be shown that Bayesian networks provide reliability engineers with a suitable framework, as it enables a lean and intuitive illustration of systems, their components as well as external stresses allowing for an efficient representation of their joint distribution. Powerful “what-if” analyses can therefore be performed requiring relatively small computational efforts.Nicholas Stefan Katz, B. A. (Econ.)Abweichender Titel laut Übersetzung des Verfassers/der VerfasserinZusammenfassung in Deutsch und EnglischKarl-Franzens-Universität Graz, Masterarbeit, 2016(VLID)167880