Franere Ausgabe: 12.85 ure, Dassldod 1999, 2 beslehen durch Beuh Varig GmbH, 10772 Bertin ~ Ale Rechte vrbehaon © Verein Deutscher Inger VEREIN VDI-RICHTLINIEN DEUTSCHER Monte-Carlo-Simulation INGENIEURE Monte-Carlo-Simulation Inhalt 1 Zweck und Anwendungsbereich 2 Mathematische Grundlagen der Monte-Carlo-Methode 2. Allgemeines Schema der Monte-Carlo-Methode 22. Statistische Sicherung von Monte-Carlo-Ergebnissen 23. Notwendige Anzahl von Durchlaufen bei vorgegebener Genauig- keitsforderung 2.4 Methoden zur Modellierung allgemeiner Verteilungen Varianzreduzierende Monte-Carlo-Verfahren Anwendung der Monte-Carlo-Methode zur Ermittlung der Zuverlassig- keitsmerkmale technischer Systeme 2 3.1 Modelle zur Simulation des Ausfallverhaltens eines Systems mit Hilfe der Monte-Carlo-Methode. See RD 3.2. Auswertung von Simulationsabliufen 7 33. Einspezieller Algorithmus zur Berechnung der Unverfigharkeit U (0) 19 3.4 MaBnahmen zur Herabsetzung der Dauer eines Monte-Carlo- Durchlaufs . : 20 3.5. Anwendung varianzreduzierender Verfahren 2 4 Anwendung des Monte-Carlo-Vertahrens zur Beriicksichtigung von Unsicherhelten der Eingangsdaten bei Zuverlissigkeitsuntersuchungen 24 4.1 Modellbeschreibung . 25 42. Statistische Sicherung und Interpretation der gewonnenen Ergeb- nisse 6 5 Anwendung von Monte-Carlo-Verfahren zur Ermittlung der mechani- ‘schen Zuverlassigkeit von Strukturen 28 Formelzeichen 30 Schriftum . . . . 30 VDI-Gesellschatt Systementwicklung und Projektgestaltung -ussch Teensche Zoverssghet \VDI-Handbuch Technische Zuverlassigkelt April 1999 VDI 4008 Blatt 6 the Zwecke — nicht gestattet Vervielfaltigung ~ auch far innerbetrVDI 4008 Blatt 6 1 Zweck und Anwendungsbereich Die Monte-Carlo-Methode kann als Methode zur Modellierung von ZufallsgrBen mit dem Ziel, spezielle Eigenschaften ihrer Verteilungen zu berechnen, defi- niert werden, In der Regel wird diese Modellierung auf Personal-Computern verwirklicht, obwohl in einigen Fallen die Methode auch ,von Hand unter Zubilf nahme einer Aufstellung von Zufallsziffemn angewandt werden kann, Die Monte-Carlo-Methode zeichnet sich dadurch aus, daB sie einfach und allgemein verwendbar ist. Gegen- liber anderen numerischen Verfahren zeichnet sie sich ferner dadurch aus, daB sie die Lsung sehr komplexer Aufgaben gestattet. Das zu untersuchende System kann leichzeitig Elemente mit stetiger und diskreter Wir- kung enthalten, es kann dem Einflu8 vielfiltiger Fakto- ren komplizierter Natur unterworfen sein, es kann durch tiberaus umfangreiche Wechselbezichungen be- schrieben sein usw. In Zusammenhang mit Problemen aus der Zuverkissig- keitstheorie konnen Fragestellungen wie zB. — beschriinkte Wartungs- und Reparaturkapazititen, — Abhiingigkeiten zwischen dem Ausfall- und Repara- turverhalten von Systemkomponenten, — belicbige Ausfall- und Reparaturverteilungsfunktio- nen der Systemkomponenten, — komplizierte Wartungs- und Reparaturstrategien, systemgetreu modelliert werden. Der wesentliche Nachteil der Methode ist die langsame Konvergenz, die allerdings unter bestimmten Voraus- setzungen durch entsprechende Modifikationen verbes- sert werden kann. Dabei wird allerdings die numerische Prozedur komplizierter und nihert sich in ihrer Kom- pliziertheit anderen Prozeduren der numerischen Ma- thematik an. ‘eben dem erwiihnten Nachteil der schwachen Kon- vergenz, ist die Monte-Carlo-Methode, wie jede nume- rische Methode, mit einem weiteren Nachteil behaftet Die Lésung tragt immer speziellen Charakter; sie entspricht namlich den fixierten Werten der System- parameter und Anfangsbedingungen, Umein System zu analysieren, mu8 sein Funktionsproze8 mehrmals mo- delliert werden, indem die Ausgangsdaten der Aufgabe jeweils veriindert werden. ‘le Rechte vorbehatan © Verein DautscerIngenieur, Dasseldo 1998 Ungeachtet dieser Nachteile bleibt die Monte-Carlo- Methode bisweilen die einzige praktisch zugiingliche Methode zur Untersuchung komplexer Systeme, be- sonders im Stadium ihrer Projektierung. Dabei mu bemerkt werden, daB der Aufwand an Arbeitszeit und ‘materiellen Mitteln fiir die Realisierung statistischer Modelle im allgemeinen unbedeutend ist im Vergleich zu den Anforderungen, die mit natiirlichen Experimen- ten verbunden sind, Beim Vergleich der Anwendungsbereiche der Monte- Carlo-Methode mit den Anwendungsbereichen der in den Richtlinien VDI 4008 BI. 2 Boolesches Modell VDI 4008 BI. 3 Markoff-Zustandsiinderungs- modelle mit endlich vielen Zustanden VDI 4008 BI. 5 ZustandsfluBgraphen VDI 4008 BL. 7 Strukturfunktionen und ihre Anwendung behandelten rein analytischen Methoden der quantita- tiven Zuverlissigkeitsanalyse, liBt sich generell sagen, daB analytische und simulative Methoden sich derart erginzen, Bild 1, da bei schr kleinen Eintrittswahr- scheinlichkeiten die analytischen Verfahren vorteilhat- ter sind, da sie von statistischen Unsicherheiten des Monte-Carlo-Verfahrens frei sind und kiirzere Rechen- zeiten erfordern. Dagegen sind dic simulativen Metho- den dann giinstiger, wenn die Systeme groB sind und komplizierte Randbedingungen berticksichtigt werden miissen. Simuation {| Anaiytich 7 Systeme und Syatemvormatchung 107 10% 109 107 Zuvertissigkotsmerkmale Ul) ew. ft) Unbericksichigt ist bei dor Sinationsmethode he Mogienkett der gewicnteten Stchprobon Bild 1. Vergleich der Einsatboreiche von analischen und simula ven Vertatnen‘Al Rachtoverbshatten © Versin Deutscher Ingereur, DissoKior 1999, 2 Mathematische Grundlagen der Monte-Carlo-Methode 2.1 Allgemeines Schema der Monte-Carlo-Methode Die grundlegende numerische Aufgabe, die gewdhnlich mit der Monte-Carlo-Methode gelist wird, ist die Schiitzung des Erwartungswertes einer Zufallsgribe. Die Verteilungsfunktion der betrachteten ZufallserBe kann sehr komplizierter Natur sein; sie wird im allge- meinen implizit als Komposition einfacher Verteilun- gen angegeben (2.B. die Verteilungsfunktion der Sy- stemlebensdauer setzt sich zusammen aus den Vertei- Jungsfunktionen der Lebensdauern der Systemkompo- nenten) Im folgenden wird ausschlieBtlich der Fall betrachtet, daB ein zweites Moment der untersuchten ZufallsgréBe existiert Anmerkung Durch Anwendung gecigneter Transformationen kann die Monte CCarlo-Methode auch 2uF Erwartingsberechnung von Zufallsgr6en nit unendlichem zweten Moment herangezogen werden. In Zusam- menhang mit Fragestellungen aus der Zuverissigketstechnik haben solche Falle keine praktische Bedeutung. Das einfachste Rechenschema fiir diese Aufgabe besteht ‘nun im folgenden: Man berechne NV unabhiingige Realisierungen der Zu- fallsgr6Be und schatzt ihren Erwartungswert durch das arithmetische Mitte dieser Realiserungen ab. Werden mit 3 die nachzubildende ZufallsgréBe und mit .2,.+ +4 N die entsprechenden unabhiingigen Realisicrungen, d.h. die Ergebnisse der Monte-Carlo- Simulation bezeichnet, so folgt, aus dem Gesetz der grofien Zahlen, daB die Grate 3 mit 1e cine asymptotisch erwartungstreue gesuchten Erwartungswert 3 = E liefert, dh 2.2) Auch in Fallen, in denen die Wahrscheinlichkeit P(A) fir das Eintreten eines bestimmten Ereignisses A ge- sucht wird, kann das oben beschriebene Schema heran- gezogen werden. Die Zufallsvariable = kann jetzt als cine Indikatorvariable mit dem biniren Wertevorrat 0 und 1 interpretiert werden gemiiB 1 Ereignis A eingetreten 23) 0 Ereignis A nicht cingetreten ‘VDI 4008 Blatt 6 Wegen der Beziehung =P) 24) Kann das oben beschriebene Schema direkt Ubernom- ‘men werden. Fiir ein fundiertes Verstindnis des Monte-Carlo-Ver- fahrens, besonders aber fir die Ableitung und Entwick- lung von varianzreduzierenden Methoden, ist die Dar- stellung des oben beschriebenen Rechenschemas in Integealform von fundamentaler Bedeutung. Dies ent- spricht formelmaBig ausgedriickt der Berechnung des Integrals (Handelt es sich bei 2 um eine diskrete Zufallsvariable, so geht das Integral in ein Summenzei- chen diber.) “Pena ag es) wobei f(€) die Dichtefunktion der Zufallsgrife = bedeutet. Betrachtet vom Blickwinkel der numerischen Mathematik, liefert die Monte-Carlo-Methode eine alternative Berechnungsméglichkeit dieses Integrals. Wie bereits erwihnt ist in den meisten Anwendungsfil- Jen die Dichtefunktion /(@) nicht explizit bekannt. \Vielmehr ist die ZufallsgrRe = cine Funktion mehrerer ZufallsgrBen Qs,2s,..-, laut € = g(o,,03, @) = go). Der funktionale Zusammenhang zwischen € und kann zwar in geschlossener analytischen Form vorhan- den sein, wird aber in den meisten Anwendungen implizit durch den jeweiligen Simulationsalgorithmus gegeben. Sind die einzelnen Zufallsvariablen 2,, 5, ..., Q, unabhiingig voneinander, so reichen zu ihrer Beschreibung die Dichtefunktionen fo, (0) fa,(O2),-»->fa(o) avs. Beim Vorhandensein von Abhiingigkeiten, muB die mehrdimensionale Ver- bunddichtefunktion fo(04.02,. . .. @y) =fa(@2) zu unde gelegt werden. Die Bezichung (2-5) kann somit ‘geschrieben werden als Te-no-ae =S To) foo) do eo Beispiel In dem n-fachen Seriensystem, Bild 2, soll die mittlere Lebensdauer 7, berechnet werden. ia Ke k co — Bild 2. n-faches Serieneystom=4- — VD14008 Blatt 6 Gegeben sind die Verteilungsdichtefunktionen fi; (t,) Filta --vfrlts) der Lebensdauern der System- Komponenten. Die einzelnen Komponenten sollen un- abhiingig voneinander sein. Fur die Verbunddichte gemiiB Gleichung (2.6) folgt daraus mit co = (tet) [aca Lal): = fr, (ta) Srlta)-- Silt) Werden mit TY, TY... ., Ty? die j-ten Realisierungen der Komponentenlebensdauern bezeichnet, so liBt sich die j-te Systemlebensdauer mit TYP = Min (TY,TY,..., TP} angeben, Die Beziehung (2.6) nimmt somit folgende Gestalt an f Mim {0,535.5 ta} Es ist daraus 2u erkennen, daB die Dichtefunktion der untersuchten ZufallsgrBe 7, nicht bendtigt wird, son- der durch die bekannten Verteilungsdichtefunktionen der Systemkomponenten iiber den funktionalen Zu- sammenhang g(0): = Min {t),t3,.. »f4) implizitersetzt werden kann, Reicht zur Beschreibung der ZufallsgréBe die Schat- zung des Erwartungswertes nicht aus, so liBt sich die Monte-Carlo-Methode auch zur Gewinnung von wei- teren statistischen Charakteristika, 2.B. zweites Mo- ment, Varianz, Schiefe usw., anwenden, Die umfassend- ste Information wird durch Berechnung der empiri- sehen Verteilungsfunktion F (€) gegeben. Bei N durc gefiihrten Monte-Carlo-Durchliufen errechnet sich die cempirische Verteilungsfunktion Fy (2) 20 . 0 Ex Min (2,2... 21) Fy =] KIN sonst en 1 E> Max {50,2 3 wobei =" die im ten Durchlauf gewonnene Realisie- rung der Zufallsvariable 2 und k die Anzahl der Realisierungen =, die kleiner oder gleich ¢ sind, bedeuten. Die Wahrscheinlichkeitstheoretische Grundlage fiir diese Vorgehensweise liefert der folgende Satz von Glivenko-Cantelli: Satz: Die Zufallsgréfen =”, 5°,..., 2 seien die Glieder einer Stichprobe aus einer statistischen Gesamtheit, dh. unabhiingige ZufallsgroBen mit derselben Verteilung F(@). Ferner bezeichnet Fy(@ die empirische Verteilungsfunktion der Stichprobe gemiB Beziehung (2.7), und es sei [Pu - FOL (28) 4y= sup ‘Ale Rechte vorbohaten © Verin Deutscher Ingeneure, Daseldo 199 Dann gilt P(lim 4y=0) 29 Der obengenannte Satz ist gleichbedeutend mit der Aussage, da die empirische Verteilungsfunktion einer Stichprobe mit Wahrscheinlichkeit I lings der gesam- ten Zahlengeraden gleichmiiig gegen die Verteilungs- funktion der statistischen Gesamtheit konvergiert, wenn die Anzahl der Stichprobenelemente tiber alle Grenzen wiichst. Leider muB die durch die empirische Verteilungsfunk- tion gewonnene Mehrinformation tiber die Zufallsgré- fe = mit einem erheblichen Mehraufwand, d.h. mit einer viel grdReren Anzahl von Durchkiufen gegeniiber 2.B, einer Erwartungswertschiitzung erkauft werden (siche Abschnitt 4.2.2), 2.2 Statistische Sicherung von Monte-Carlo-Ergebnissen Zameist wird der Stichprobenaufwand N, dh. die Anzahl der Monte-Carlo-Durchliule, nicht so groB sein, daB ohne Bedenken 3 =F gesetzt werden kann. Zur Beurteilung der Genauigkeit der Schiitzung = aus Beziehung (2.1) bei endlichem N dient folgende Fassung des zentralen Grenzwertsatzes: Sind die =i = 1,2,.. .,.N vollstindig unabhiin- sige Zufallsverdnderlichen mit derselben Vertei- lung und existieren der Erwartungswert und die Varianz 63, so gilt fir die Zufallsveranderliche xz die Limestelation 1% lim P lie HR dus -w 5 recht genau normalverteilt, wenn eine Gleichverteilung besitzt. Bs ist offensichtlich, daB allgemein die Approximation um so besser sein wird, je weniger die Wahrscheinlichkeits- verteilung von © von der Normalverteilung abweicht Fiir die in der Praxisin Betracht kommenden Verteilun- igen wird meistens mit einem Stichprobenumfang von N > 30 gerechnet Wird das Monte-Carlo-Verfahren zur Schitzung det Wahrscheinlichkeit P(A) eines Ereignisses A cingesetzt, d.h. ist Edie in (2.3) definierte binaire Indikatorvariable, so muB unter Umstinden der Stichprobenumfang betrichtlich grBer gewiihlt werden. Der Grund hierfir liegt in der Tatsache, daB die diskrete 2weiwertige Verteilungsfunktion der Variable & sehr stark von der Normalverteilung differiert. Folgende Faustregel fihrt in der Regel auf verntinftige Approximationen P(A) E~ by baw, (2.12) P(A)> 12>N> Zu bemerken sei, daB aufgrund der Bezichung. ion P(A)[L — P(A) die Varianz der ZufallsgréBe = in diesem Fall nur von P(A), also dem zu schitzenden Parameter, ab- VDI4008 Blatt6. 5 — hangt. Dariiber hinaus folgt die Schitzgre 3 einer linear transformierten Binomialverteilung mit der Streuung 72 und dem Erwartungswert 3. Daher VN konnen im Prinzip exakte Konfidenzintervalle bei beliebigem Stichprobenumfang N konstruiert werden, Befolgt N die Bezichung (2.12), so kann allerdings die Normalverteilung anstelle der Binomialverteilung ein- treten. 2.3 Notwendige Anzahl von Durchldiufen bei vorgegebener Genauigkeitsforderung Im folgenden wird vorausgesetzt, da der Stichpro- benumfang N im Sinne der in Abschnitt 2.2 aufgestell- ten Kriterien hinreichend gro ist, so da die Approxi- mation durch die Normalverteilung bzw. die Beziehun- gen (2.11) zugrunde gelegt werden kénnen, Bei der praktischen Durchfiihrung einer Monte-Carlo- ‘Simulationsrechnung ist die Frage nach der notwendi- gen Anzahl von Durchliiufen N, um einen relativen Fehler ¢ nach 14) mit einer vorgegebenen Wahrscheinlichkeit nicht 20 iibersteigen, von zentraler Bedeutung, Aus den Bezichungen (2.11) mit x = 1 berechnet sich das minimal erforderliche N, um einen relativen Fehler e nach Beziehung (2.14) mit einer Wahrscheinlichkeit von 68% nicht zu dibersteigen, zu (215) und ist somit dem Quadrat des geforderten relativen Fehlers umgekehrt proportional. Um den relativen Fehler ¢ auf die Hilfe oder auf ein Zehntel herabzu- driicken, ist der Stichprobenumfang auf das Vierfache bow. das Hundertfache zu erveitern. Zur Abschitzung des absoluten Fehlers in den Bezie- hhungen (2.11) sowie in der Bezichung (2.15) wird die Kenntnis von os, der Standardabweichung von 2, benditigt. Letztere ist aber im allgemeinen unbekannt ‘und muB innerhalb des Monte-Carlo-Verfahrens durch dic folgende Schiitzung 2.16) ersetzt werden, ‘Anmerkung Es ist Ulich durch N ~ 1 sate durch N zu dividieren, weil mur dann eine erwarlungstreue Sehitzung Mir 05 Wid Eine verliBliche Schiitzung von o- erfordert allerdings gewohnlich einen bedeutend grélieren Stichpro- benaufwand N, als wenn mit etwa derselben Genauig--6 VDI4008 Blatt 6 eit der Erwartungswert 3 geschiitet werden sollte. Wenn jedoch die unmittelbare Kenntnis von a nicht von Interesse ist, sondern nur zur Beurteilung der Schiitzgenauigkeit von 2 bendtigt wird, so kann der Stichprobenumfang dem Erwartungswert gemii8 Bezie- hhung 2.15) approximiert werden. Der Fehler von 6: bei der Approximation ist sozusagen cin Fehler zweiter Ordnung Wird das Monte-Carlo-Verfahren zur Berechnung e- ner Wahrscheinlichkeit eingesetzt, so gilt fr die Va- rianz 2 in diesem Fall die Beziehung (2.13). Binsetzen obiger Bezichung in (2.15) liefert die notwendige Anzahl von Durchliufen N’ (17) Zar Untersuchung eines Systems mit einer Ausfall- wahrscheinlichkeit von 10°° waren also gema dieser Beziehung 108 Spiele erforderlich, um mit einer Waht- scheintichkeit von 68% eine Angabe mit einem rela- tiven Fehler von < 10% zu gewahrleisten. Obwohl die Dauer eines Simulationsdurchlaufs auf einem Personal- Computer vom jeweiligen System ~ besonders vom ‘Umfang und Form seiner Strukturfunktion sowie der speziellen statistischen Daten — abhingig ist, ware ein Durchschnittswert von 0,10 Mikrosekunden pro Durch- auf und Komponente, auch auf einem schnellen Com- puter, eher als optimistisch zu bezeichnen. Unter Zu- grundelegung dieses optimistischen Wertes waren zur Untersuchung eines Systems aus 100 Komponenten unter den oben erwaihnten Annahmen ca. 20 Minuten er= forderlich. Daraus wird ersichtlich, daB die Methode der direkten Simulation bei hohen Genauigkeitsforderungen bzw: bei Untersuchung von Freignissen kleiner Eintritts- wahrscheinlichkeit (< 10°) trotz ihrer sonstigen Vor- tcile tiuBerst rechenintensiv wird ‘Aus Bezichung (2.15) lilt sich unmittelbar folgern, daB nur zwei Mglichkeiten zur Verfiigung stehen, um den Rechenzeitaufwand 2u begrenzen: — Herabsetzung der Dauer eines Durchlaufs, — Herabsetzung der erforderlichen Durehliiufe N, bei sgebener Genauigkeitsforderung «, tiber eine Re- duktion der Varianz des Verfahrens Die erste Méglichkeit, speziell im Zusammenhang mit der Aufstellung von Algorithmen zur Berechnung der Zuverliissigkeitsmerkmale technischer Systeme, wird in Abschnitt 3.4 behandelt, Der Dauer eines Simulationsdurchlaufs sind allerdings faktisch gewisse Grenzen gesetzt, die auch bei noch so geschickten Algorithmen nicht entscheidend unter- schritten werden kénnen. Als Alternative bleibt somit die Varianzreduktion, die in den Abschnitten 2.5 und 3.5 niiher untersucht wird. [Ale Rechte vorbehaten © Vera Deutscher Ingenieure, Dissekio# 1989 2.4 Methoden zur Modellierung allgemeiner Verteilungen Bei der Anwendung der Monte-Carlo-Methode miissen zur Nachbildung des betrachteten Prozesses Zufalls- ren mit ciner vorgegebenen Verteilung erzeugt werden, In der allgemeinen Beziehung (2.6) sind es die Blemente ©, 2x. k des Vektors @ mit der Verteilungsfunktion fg(2). Handelt es sich z.B. um die Nachbildung des Ausfall- und Reparaturverhaltens der Komponente K,, Bild 3, eines Systems, so miissen Lebensdauern Ty. Ta, und Reparaturdauern Ri, Riz, - . . aus vorgegebenen Dichtefunktionen gene- riert werden, ld 3. Ablaut dos Ausall- und Reparaturvethatens einer Kompo- rnente (1: Komponente ausgefalien, 0: Komponentintkt) Die praktische Anwendbarkeit der Monte-Carlo-Me- thode hiingt entscheidend davon ab, ob einfache und rechentechnisch 8konomische Verfahren zur Herstel- Jung von Folgen aus Zufallsvariablen gegebener Vertei- lung existieren. Als Ausgangsmengen von Zufallszah- Jen, die zur Erzeugung von Zufallsvariablen verschiede- ner Art benutzt werden, kommen somit nur solche in Betracht, die mit méglichst geringem Aufwand zu erhalten sind und bei denen ferner die nachfolgenden Transformationen einfach und bequem ausfihrbar sind, Gewishnlich genligen im Intervall (0,1) gleichverteilte Zufallszahlen, also Zahlen mit der Verteilungsdichte- funktion 1 0 p ist das Dieselaggregat als erfolgreich gestartet zu behandeln. Mit der Bezeichnung von Beziehung (2.24) hat die in diesem Fall nachzubildende Zutalls- variable T den bindren Wertevorrat T= 1, =1 (Diesel fehlgestartet) und T =r, = 0 (Diesel erfolg- reich gestartet) mit den entsprechenden Wahr- scheinlichkeiten p, = p und py 2.4.2 Verwerfungsmethode Bine Alternative zur Inversionsmethode ist die Verwer- fungsmethode, die dann herangezogen werden kann, wenn die Verteilungsfunktion F(t) der nachzubil- denden ZufallsgrBe nicht in analytisch geschlossener Form vorliegt, wie dies 7.B. bei einer normalverteilten ZofallsgrGe der Fall ist, baw. wenn die Bildung der Inverse F~! () Schwierigkeiten bereitet. Fur die Ver- werfungsmethode wird namlich im Gegensatz zur In- [Ade Rechle vorbehalten © Verin Dautscha Ingoraur, Disseior 1998, versionsmethode statt der Verteilungsfunktion F(0) die Dichtefunktion f(@) bendtigt. Ihren Namen verdankt die Methode der Tatsache, daB nicht alle erzeugten Zufallszahlen benutzt werden; manche werden eben verworfen. Trotz des damit bedingten Mehraufwandes, kann die Verwerfungsmethode in einer Reihe von Fallen effektiver als die Inversionsmethode sein. Nachgebildet soll eine Zufallsvariable T mit der Vertei- Iungsfunktionen F (1) bzw. der Dichtefunktion f(a) wer- den, Weiterhin sei H (x) cine weitere Verteilungsfunk- tion, welche die Dichtefunktion h(x) hat, derart, daB es, cin a, 0 , so verwerfe das Paar (Xa!) fX) Hey nimm X® an; X" jst dann eine Realisierung gemaB FO. Die Verteilungsfunktion H (x), ist dabei so zu wiihlen, daB die Ungleichung (2.25) erfillt und daB es einfach ist, Zufallszahlen gemib Hx) zu erzeugen, z.B. durch die bereits bekannte Inversionsmethode. Die Wahrschein- lichkeit dafir,daB ein Paar (X",2)angenommen wird betrigt [/a, Im Hinblick auf eine effiziente Anwendung des Verfahrens, soll a so klein wie méglich sein. Beispiele a) Das Verwerfungsverfahren soll zur Erzeugung einer (0,1)-normalverteilten Zufallsvariable T angewandt werden. Es seien J edu 1 Fon und die Verteilungsfunktion baw. die Verteilungsdichte- funktion von T. Da f(d) symmetrisch zum Nullpunkt ist, geniigt es, nur positive f zu betrachten, Die Funktion A(x) wird zu[Ala Rachie verbehaken © Veren Deutscher Ingenieute, Oussldon 1999 0 x<0 wind ce toe gewiihlt. Wegen der Relationen so, hi) = (ey eres (aun ist die Ungleichung (2.25) erfillt. Die GroBe a betrigt dabei 1,32. ojaytl? eta Gemi dem weiter oben erliuterten Schema ergibt sich in diesem Fall folgender Ablauf: 1, Erzeuge eine exponentialverteilte Zufallszahl X nach h(x) (z.B. nach der Inversionsmethode gemi Abschnitt 2.4.1), 2. Erzeuge eine (0,1)-sleichverteilte Zufallszahl 2”, (X, 9) und gehe 2u | zurtick; im alternativen Fall nimm X® an. 4, Exzeuge eine (0, 1)-gleichverteilte Zufallszahl a. Ist ai 5 0,5, so setze T? = X"; ist a < 0,5, so setze 7 = — X". Dann ist T die gesuchte normalver- teilte Zufallszahl Die Wahrscheinlichkeit daftir, daB das Paar (X",2) angenommen wird, was ja cin MaB fir die Effizienz des Verfahrens ist, betrigt dabei 1/a ~ 0,76, by In vielen Fallen miissen Zufallsvariablen generiert werden, deren Dichtefunktion auBerhalb des Inter~ valls (by, b;) null ist und zudem die Ungleichung Slt) 1 kl Da im Endeffekt nicht eine Varianzreduktion allein, sondern priméir eine Rechenzeitreduktion erstrebt wird, soll zusiitzlich der im zweiten Verfahren wahrscheinlich auftretende Mehraulwand den durch die Varianzre-‘Alo echo vorbehalten © Vorein DeuischerIngeniere, Disseiort 1000 1 sein. Wie bereits erwiihnt, gibt es noch keine allgemeine praktisch anwendbare Theorie, die eine optimale Wahl der Funktion f3(a) fiir mehrdimensionale Modelle gestattt. Zwar Ware es durch die Wahl von ff Si) 237) io méglich, die Varianz 03. des gewichteten Verfahrens in diesem Fall wegen of = Er (@) - 57} 2.38) und (2.39) zu eliminieren, womit das genaue Ergebnis in einem ‘einzigen Durchlauf erhiiltlich wire. Praktisch ist dies offensichtlich aber nicht durchfhrbar, da hierzu der gesuchte Erwartungswert 2 bekannt sein mite, womit sich eine Simulationsrechnung eribrigen wiirde Andererseits lit sich aus der Struktur der Dichtefunk- tion nach (2.37) eine intuitiv verstindliche Eigenschatt, welche realiserbare Dichtefunktionen haben missen, um eine Varianzreduktion 2u bewirken, erkennen, nimlich die Eigenschaft,Zufalsmatrizen @ nicht gemiB inter realen Wahrscheinlichkeit fa(w) * da sondern gemii8 der mit der Funktion g (a) multiplikativ gewich- teten Wahrscheinlichkeit go) fo) de 2u generieren. Wird insbesondere das Monte-Carlo-Verfahren zur Schiitzung det Eintrittswahrscheinlichkeit P(A) eines Ereignisses A angewandt, d.h. ist die Funktion g(a) cine Indikatorfunktion mit der Eigenschaft go) 1 falls A auftritt { (2.40) 0 falls A nicht auftrite ‘so miiBte eine effiziente Funktion f3 (w) Zufallsmatrizen Q, die zu g(w)=1 filbren, cine gréBere Eintritt wahrscheinlichkeit zuordnen, als sie in Wirklichkeit hhaben und somit Matrizen @ mit g() = 0 mit einer nicdrigeren Wahrscheinlichkeit, im Optimalfall mit Wahrscheinlichkeit 0, belegen. VDI4008 Blatt6 11 Es lat sich beweisen [6], daB die oben genannte Eigenschaft sogar eine notwendige Forderung fir jede varianzreduzierende Dichtelunktion f%() ist. Leider ist sie aber nicht hinreichend, was am folgenden Beispiel sgezeigt wird Beispic Die Zusammenhiinge sollen anhand einer Ausfallwahr- scheinlichkeitsrechnung eines Einkomponentensy- stems mit der Lebensdauerdichtefunktion Sli)=hoe™® illustriert werden, Far die Indikatorfunktion wf) a=) 4 Efgtt)} =O ‘wobei mit Q(T) die gesuchte Ausfallwahrscheinlichkeit iiber das Intervall (0, T) bezeichnet wird. Wird die gewiehtete Dichtefunktion zu FBO) =f") =a dees sew, so ergibt sich fir die Varianz o3. aus (231) die Beziehung uT silt 1 7 a2 Der Verlauf der Varianz a. in Abhiingigkeit von der GrdBe Q°(T) mit (6-7 — gen? or = Bote} = foteseeeyae, =1 - ist in Bild 6 fiir den praktisch interessanten Fall Q(T) <« 1 schematisch dargestellt, Fir Q*(1) < Q(T)(4.h.flir0 Q' (Q' ist von der Ausfalrate A und der Missionsdauer T abhiingig) wird schlieBlich o3. gr6Ber als ¢3, obwohl die Bedingung Q* (T) > Q(T) erful ist. ‘3 Anwendung der Monte-Carlo-Methode zur Ermittlung der Zuverlassigkeitsmerkmale technischer Systeme Die Ermittlung der Zuverlissigkeitsmerkmale eines Systems mit Hilfe der Monte-Carlo-Methode durch- liuft prinzipiell folgende drei Schritte: 1. Erstellung eines formalen Modells, das das Verhalten des zu untersuchenden Systems adiiquat beschreibt. 2. Umsetzung dieses Modells in einem Rechenpro- gramm zwecks Simulation von Systemausfallabliu- fen auf einem Personal-Computer. 3. Durchfiihrung einer von der gewiinschten Genauig- keit abhiingigen Anzahl von Durchliiufen und an- schlieflende statistische Verdichtung der gewonne- nen Ergebnisse zur Erzeugung von Schiitzungen der gewilnschten Zuverkissigkeitsmerkmale. Dasnach I zu erstellende Modell ist stark problem- und systemspezifisch. Bedingt durch die Natur der Aufgabe kommen nur stochastische Modelle, d.h. Modelle die ZufallsgrBen beinhalten, in Betracht. Die Realisierung, dieser Zufallsgrdfen erfolgt nach den in Abschnitt 2.4 vorgestellten Methoden. Abhiingig von der jeweiligen Fragestellung und dem zu unterschenden System kommen weiterhin statische ‘oder dynamische Modelle in Betracht. Statische Modelle gestatten zweifellos, Systemzustiinde in einem oder mehreren Zeitpunkten darzustellen, indem das Modell mit den Parametern dieser Zeitpunk- te durchgerechnet wird. Entscheidend fiir die Abgren- zang von den dynamischen Modellen ist jedoch, daB bei den statischen Modellen eine exogene Zuordnung von Parametern zu bestimmten Zeitpunkten vorgenommen werden mu. Die Darstellung von Systemabliufen mit Hilfe von statischen Modellen miiBte also in der Weise [Ais Rachtavroahaten © Verein Deutscher Ingeriaur, Died 1999 erfolgen, daB der Anwender fir jeden betrachteten Zeitpunkt einen kompletten Satz von Parametern be- reitstellt, mit dem das Modell jeweils durchgerechnet wird Dynamische Modelle basieren vielmehr auf einer auto- genen Darstellung von Systemabliufen im Rechner; 4.h. das Simulationsprogramm, welches das Modell auf dem Rechner umsetzt, verfligt liber einen Zeit- und Ereignismechanismus, der die Zustandsinderungen des, betrachteten Systems tiber eine gewisse Zeitstrecke hinweg automatisch steuert, Die Zustandsinderungen entwickeln sich dabei endo- gen aus dem Ablaufgeschehen, aus einer Kausalkette von Ereignissen, bei der stochastische Einfllisse zu beriicksichtigen sind. Modelltechnisch bedeutet das unter anderem, daB dieu einem bestimmten Zeitpunkt generierten Werte von Systemparametern direkt oder indirekt (nach Umformung) als Parameter fir die Erzeugung der Systemzustiinde in einem oder mehreren spiteren Zeitpunkten herangezogen werden. Die Mehrzahl der im folgenden vorgestellten Modelle sind dynamischer Natur. In Abschnitt 33 wird ein typisches statisches Modell zur Verfligbarkeitstech- nung beschrieben. Generell ist zu sagen, daB die mit den dynamischen Modellen zweifellos 2u erreichende grofe Flexibilitit und Systemtreue in der Regel nur mit einem etheblich hoheren Aufwand an Rechenzeit und einem Mehrbe- darf an Speicherplatz erkault werden kénnen. 3.1 Modelle zur Simulation des Ausfallverhaltens eines Systems mit Hilfe der Monte-Carlo- Methode Ganz allgemein ist Systemsimulation die Nachahmung von Abliufen realer oder gedachter Systeme mit Hilfe von Modellen dieser Systeme. Systemsimulation setzt somit die Anfertigung von Simulationsmodellen vor- aus, denn die Nachahmung des Ablaufs soll nicht am System selbst, sondern am Modell erfolgen. Als Moelle werden jene geyenstindlichen oder forma- len Gebilde bezeichnet, die die Systeme mit mehr oder minder groBem Abstraktionsgrad darstelen, Gegen- stiindliche Simulationsmodelle sind beispielsweise Flugsimulatoren, Windkanalmodell usw. Formale Si- mulationsmodelle sind Beschreibungen der Kompo- nenten, Wirkzusammenhinge und Ablaufregeln der betrachteten Systeme, Sie kOnnen verbal abgefaBl, durch mathematische Bezichungen ausgedriickt und, ‘was im vorliegenden Zusammenhang besonders inter- essiert, durch Computerprogramme dargestellt werden. Gegenstand dieses Abschnittes ist die Behandlung von formalen Simulationsmodellen stochastischer Natur, die die Nachahmung des Ausfallverhaltens technischer Systeme gestatten‘Mle Rechte vabehaton © Verein Deutscher Ingenaure, DUseldod 1999) Ein System ist ganz allgemein ein Kollektiv von Objek- ten (Komponenten), die aufgrund irgendwie gearteter Weehselwirkungen und/oder einseitiger Abhingigkei- ten miteinander verbunden ist. Von zentraler Bedeutung in diesem Zusammenhang ist der Begriff des Systemzustandes, der durch die Zustin- de seiner Komponenten definiert und determinirt ist. Ein wichtiger Schritt innerhalb der Erstellung eines Systemausfallmodells ist somit die Aufstellung ciner Funktion g(x), die den Zusammenhang zwischen den Komponentenzustandsvariablen xj; i= 1, ..., n des Systems und der Systemzustandsvariablen y = g(x) definiert. In der Regel wird diese Funktion die mathe- ‘matisch-logische Darstellung des Systemfehlerbaums baw. des Systemblockschaltbildes sein. In diesem Fall wird der Wertevorrat der Zustandsvariablen binder Natur laut 1 Komponente K, ausgefallen a= Ga) 0 Komponente K, intakt baw. 1 System ausgefallen Y= 9) = G2) 0 System intakt Bei einer Erweiterung des méglichen Wertevorrats der Zustandsvariablen ergeben sich fr die Simulationsmo- delle keine prinzipiellen Schwierigkeiten. Allerdings reicht die Zugrundelegung eines biniiren Verhaltens fir die meisten Fragestellungen aus. An die Funktion g(x) brauchen keine der tblichen Forderungen (2. B. Kohiirenz) gestellt zu werden, da sie im Gegensatz zu analytischen Methodiken hier nicht zur unmittelbaren Gewinnung von Zuverlissigkeits- ‘merkmalen, wie dies. B. fiir die Strukturfunktion (siehe Blatt 7 dieser Richtlinienreihe) der Fall ist, herangezo- {gen wird, Im Rahmen von Simulationsverfahren soll sie lediglich als Indikatorvariable des Systemzustandes in Abhiingigkeit von den Zustiinden seiner Komponenten, dienen, Wird nun jeder Komponente eine ZufallsgriBe X,(0), i=1,2,..., m mit dem Wertevorrat x; zugeordnet, so beschreibt X,(0), 0<¢<00; i= 1,2..., n einen stochastischen Proze8. Entsprechend sei auf dem Zu- standsraum y der stochastische ProzeB ¥(i),0 <¢ < co definiert. Als Ziel eines Simulationsmodells kann in diesem Sinne die Nachbildung der GréBe Y(),d.h. die Nachbildung von zufilligen Folgen von Systemzustandsiinderungen, die sich durchweg entlang der Zeitachse ereignen, genannt werden. Sicherlich wird im allgemeinen dieses Ziel nur durch dynamische Modelle erreicht werden Kénnen, Da die stochastischen Charakteristika der Zufallsgr3B_ Y(0)in der Regel nicht explizit bekannt sind, erfolgt ihre VD14008 Blatt6 = 13 — ‘Nachbildung indirekt durch die Nachbildung der kom- ponentenspezifischen ZufallsgrBen X,(t);i= 1,2,..., nmit anschlieMender Verkniipfung iiber die Funktion ¥ = @(X) fir jeden beliebigen Zeitpunkt r innerhalb des Beobachtungszeitraums (0, 7) Anmerkung Da Anderungen des Systemzustandes nur durch Anderungen der Komponenteazustinde hervorgerufen werden KGnnen,braucht die Funktion y = g(x) auch im Rahmen dynamischer Modelle nur an Zeitpunkten von Komponentenzustandsinderungen bestimmt 2 werden. Die Simulation des Systemzustandes schitet also vom Anderungszstpunkt zum Anderungszitpunkt eines Komponenten aistandes; dazwischen bleibt der Syatemzustand invariant, Eine solche Simulation wid alserignisorienirte Simulation bezichnet. Dabei werden die Zustandinderungen als ,Ercianisse"aufgetat und bilden in irerzeitichen Folge einen Ereignsstrom. Hierzu miissen also im allgemeinen folgende Eingabein- formationen vorhanden sein: ~ Statistisches Material zur Nachbildung der Zufalls- erdBen X,(0};i = 1,2,.. «mz.B. Verteilungsfunktion nen der Lebens- und Reparaturdauern, Wahrschein- lichkeiten pro Anforderung usw., — die Funktion y = g(x), z.B. in Form eines Fehler- baums, ~ sonstige system- und komponentenspezifischen Ne- bbenbedingungen, wiez.B. spezielle Instandsetzungs- strategien, beschriinkte Wartungs- und Reparatur- Kapazitaten, selbstmeldende bzw. verborgene Fehler- arten usw. Sie filhren dazu, daB das Ausfall- und Reparaturverhalten der einzelnen Systemkompo- nenten nicht unabhiingig ist; ein Umstand der bei der Nachbildung der ZufallsgroBen X,(8}i= 1,2... beriicksichtigt werden muB, was in den niichsten Abschnitten aufgefiihrt wird, Offensichtlich wichst abhéingig von der Anzahl und der Komplexitiit der 2u beriicksichtigenden Nebenbedin- gungen der Programmier-, Rechen- und Kapazititsbe- darf des Simulationsprogramms. Die Erfahrung hat gezeigt, da es aus diesem Grund nicht ratsam ist, alle denkbaren Nebenbedingungen in ein Modell fest cinzubauen. Vielmehr empfiehlt es sich, bei fest zu programmierendem Basisalgorithmus die Zufallsgré- Ben X,(0); i= 1,2,...,n unter Zugrundelegung der fir die meisten Komponenten zutreffenden Voraussetzung der Unabhiingigkeit zu generieren (siche Abschnitt 3.1.1). Eine Beriicksichtigung spezieller Neben- bedingungen kann dann meistens durch geringe Modi- fikationen des Basisalgorithmus erfolgen (siche Ab- schnitte 3.12, 3.1.3, 31.4 und 3.1.5). Fiir die obige Vorgehensweise spricht auch die Tat- sache, daB es besonders schwierig ist, die Eigenheiten komplexer Systeme im voraus zu erfassen, so daB in vielen Fallen auch ein sehr verfeinerter Algorithmus zur-14— VD14008 Blatt 6 Untersuchung eines konkreten Systems doch modifi- iert werden miiBte. Die Méglichkeit, letzteres mit verhiltnismilig geringem Aufwand 2u erreichen, ist ein grofer Vorteil von Simulationsmethoden, und eben dies ginge bei der Benutzung eines noch so feinen, aber invarianten Algorithmus zum Teil verloren, 3.1.1 Systeme mit unabhéingigen, reparierbaren Komponenten Eine Komponente K, soll in diesem Fall durch die Dichtefunktion f(t) der Lebensdauer und die Dichte- funktion h, (7) der Reparaturdauer beschrieben werden. Der zeitliche Ablauf von X,(t) fir eine reparierbare Komponente ist in Bild 7 fir X,(0) = 0 dargestellt xt) Ti Bild 7. Zeiticher Ablat von X, (0 ir sine eparerbare Komponente Dabei bedeutet 7, die j-te Lebensdauer und Ry, die Jjrte Reparaturdauer der Komponente K, Eine Realisierung von X,(t) liBt sich somit durch den Vektor 2, gemi = (Tia, Riss Tras Res) G.3) darstellen. Beispiet Maissen im Rahmen eines Simulationsprogramms ex- ponentielle Lebens- und Reparaturdauern fiir die Kom- ponente K, gemas Sd = 4 und (rd = Hee" jgeneriert werden, so laBt sich dies durch Anwendung z.B.der Inversionsmethode bewerkstelligen (sche auch Beispiel a in Abschnitt 2.4.1), Laut z.B. zum Zeitpunkt 1'die -te Lebensdauer der Komponente K, aus, 30 wird die sich anschlieBende Reparaturdauer R,; nach 1 Ry=——Ing, vi ‘wobei 2; eine (0,1)-gleichverteilte Zufallszahl ist, gene- rrert. Die Komponente ist erst nach Ablauf der Repara- turzeit zum Zeitpunkt 1 a+ -inay=4R, He ! wieder intakt. Die sich dann anschliefende Lebens- dauer T;,j.s) kiBt sich analog Uber [Ale Rechte varbehaten © Verein Deutscher Ingericur, Disseliod 1999) Ty fue = — 7" Wn ae erzeugen. Wahrend der Zeit Ry, wird sinngemif die Zustandsvariable X;(t) der i-ten Komponente auf den Wert 1 = ,ausgefallen" gesetzt. Erst zum Zeitpunkt t”, ih. nach Beendigung der Reparatur, wird X\(0) = 0 = ,intakt* gesetzt. Zur Feststellung ob der Ausfall det Komponente K, den Systemausfall zum Zeitpunkt hervorgerufen hat, muB die Funktion (x) bei x;= 1 bestimmt werden, Entsprechend muB zum Zeitpunkt ¢” durch Bestimmung von g(x) mit x,=0 iberpriit werden, ob sich durch die Reparatur der Komponente K, eine Systemveriinderung vom ausgefallenen zum intakten Zustand vollzogen hat Bei einem System mit n reparierbaren Komponenten stellt die Matrix @ = (Q); i= 1,2,....n entsprechend cine Realisierung aller ZufallsgriBen X,(0)5= 1,2... 5 n dar. Wegen der vorausgesetzten Unabhiingigkeit gilt fir ihre Verteilungsdichtefunktion fa() die Beziehung Fol): = [IPPC hale) G4) wobei fi(ty) die Dichtefunktion der j-ten Lebensdauer und h, (ry) die Dichtefunktion der -ten Reparaturdauer der Komponente K, ist. Man entnimmt daraus, wie leicht sich bei Simulationsprogrammen der Verzicht auf die ibliche Forderung, daB cine Komponente nach einer Reparatur als ,wie neu zu behandeln ist, be- werkstelligen lit, Hierzu bedarf es lediglich der Gene- rierung von Lebensdauern nach unterschiedlichen Dichtefunktionen f(t,). Wird dagegen von der Annah- ‘me ausgegangen, daB eine Reparatur einer Erneuerung gleichzusetzen ist, so nimmt die Dichtefunktion folgen- de Gestalt an Salo) TT ied raed BS) da in diesem Fall alle Lebens- bzw. Reparaturdauern der Komponente K, identisch verteilt sind. Die Generierung einer Realisierung der zufilligen Ma- trix @=(Q); (= 1,2, ..., n kann sukzessiv durch unabhiingige Realisierungen der Vektoren 2, wie be- reits besprochen, erfolgen, Die Beschreibung des letztendlich interessierenden Systemzustandes iber das Beobachtungsintervall 0,T), der ja durch die ZufallserdBe Y(0) definiert ist, erfolgt offensichtlich durch die Angabe des Vektors $(Q) = (Tay Rasy Ty Rar --) G6) wobei T, die j-te Systemlebensdauer und Ry; die j-te Systemreparaturdauer bedeuten, Wie bereits bespro- chen werden die Gréfien T,; und Ry: j = 1,2,... nicht direkt generiert, sondern durch Bestimmung der Funk- tion o(x) zu den Zeitpunkten von Zustandiinderungen der Systemkomponenten indirekt ermittel.‘Allo echo vorbehalten © Verein DeulscherIngenioure, Diseetdort 1900 Die Zusammenhiinge fr ein System mit zwei unabhiin- gigen reparierbaren Komponenten in paralleler Re- dundanz (y = g(x) = x, x3) sind in Bild 8 darge- stellt 3.1.2 Beriicksichtigung von Inspektionen Lassen sich bei einer Komponente K, Ausfillelediglich durch Inspektionen entdecken, so mu dies bei der Generierung des Vektors 2, beriicksichtigt werden, Wathrend zB. bei einer selbstmeldenden, reparier- baren Komponente die Gréfle Ry der j-ten Repa- raturdauer im engeren Sinne gleichzusetzen ist, mu bei Komponenten, deren Ausfall im Rahmen von Inspek- tionen festzustellen ist, das Inspektionsraster bei der Bildung von R,, beriicksichtigt werden, Fallt also eine solche Komponente zum Zeitpunkt aus und ist die riichste Inspektion zum Zeitpunkt ” fillig, so ergibt sich fir Ry Ry= "= 1) + Ry 67) wobei Ri, die eigentliche Reparaturzeit bedeutet und aus der zugehdrigen Verteilungsfunktion hy(r,) gene riert wird. Der Verlauf der Grae X,(0) ist in Bild 9 dargestellt 3.1.3 Beriicksichtigung von zutéiligen Anforderungen In vielen Fallen wird das Ausfallverhalten einer Kom- Ponente nicht durch eine Ausfallrate, sondern durch eine Ausfallwahrscheinlichkeit pro Anforderung p, beschtieben. Beispiclhaft seien hierzu Startversagen von Dieselaggregaten, NichtschlieBen eines Schalters usw. genannt. Offensichtlich besteht hierbei eine Abhiingigkeit zwi- schen dem anfordernden Ereignis (im Falle des Diesel- aggregats ist dies z. B. der Ausfall der Normalstromver- sorgung) und der angeforderten Komponente. Als anfordernde Ereignisse kommen in der Regel ~ Zustandsiinderungen einzelner Komponenten des Systems, ~ Zustandsiinderungen beliebiger Kombinationen von Systemkomponenten (bei einem Fehlerbaum Zu standsiinderung eines Gatters), — Einstellen beliebiger vordefinierten Bedingungen in Betracht. Simuliert wird diese Abhéingigkeit dadurch, daB wenn im Programmablauf das Einstellen des anfordernden Ereignisses identifiziert wird, mittels einer (0,1)-gleich- verteilten Zufallszahl « der Zustand der angeforderten Komponente K, bestimmt wird (siehe auch Beispiel cin Abschnitt 2.4.1). Gilt die Ungleichung « < py, so wird der Zustand der angeforderten Komponente gleich VDI4008 Bla —15- xutof ! = xf | I tot | a | | a | ve 1 1 | I 7 Fisz, Bild 8. Zsiticher Veriaut von ¥ (t) in Abhingigkeit von X; («) und X (0 fur en Systom in einfacher Paralledundane (Stukturfunk tion: @ ma) =, #2=Y) Auto Bild 9, Bericsichtigung von Inspektionen a} $4, —_, f 1 anforerne reign Bild 10. Veriaut der ZfalsolgeX, (0 far vine angeforderte Kompo- 1 = ,ausgefallen" gesetzt. Gleichzeitig wird ein eventu- eller Reparaturprozefeingeleitet. Sonst verbleibt die Komponente im intakten Zustand, dh. x, = 0. Trift cine Anforderung wahrend einer Reparaturzeit Ry cin, so verbleibt sinngem&B die Komponente K, im ausge- fallenen Zustand. Die Zusammenbiinge sind in Bild 10 dargestellt, 3.1.4 Simulation von Phi Bei einer Reie von technischen Systemen ‘indern einzelne Komponenten bzw. Untersysteme wiihrend der Simulationszeit ihre statstschen Eigenschaften, Die Ursachen hierfir kénnen entweder determinist scher Natur (z.B. das Erreichen einer vorgegebenen Betriebszeit) oder aber das Eintrelfen probabilstischer Ereignisse (z.B. zufillige Zustandsinderungen von Komponenten bzw. Untersystemen) sein snumschaltungen=16- — VDI4008 Blatt 6 Wegen der Vielseitigkeit, vor allem aber wegen des system- und komponentenspezifischen Charakters obi- ger Problemstellung ist es nicht méglich, eine erschiip- fende Abhandlung aller in Betracht kommenden Még- lichkeiten zu erreichen, Vielmehr soll in diesem Ab- schnitt anhand eines speziellen Beispiels die prinzipielle Vorgehensweise zur Beriicksichtigung solcher Phino- ‘mene aufgezcigt werden. Hierzu wird der Fall ciner cerleichterten Reserve, d.h. einer Anordnung mit einer gogeniiber dem Betriebszustand reduzierten Ausfallrate der Reservekomponente, die in Bild 11 dargestellt ist, behandelt, Ke ) © © Bild 11. Blockschultbld und zugehérigr Feblebaum einer elech terten Resene Im Normalbetrieb wird die Systemfunktion durch die Komponente K, aufrechterhalten, deren Ausfallver- halten durch die Dichtefunktion f,(,) beschrieben wird. Die Komponente K, wird withrend dieser Zeit in Bercitschaft gefahren, Ihr Ausfallverhalten withrend der Bereitschaftszet wird durch eine Diehtefunktion f(t) beschrieben. Ausflle wibrend der Bereitschaftszcit ‘énnen nurim Rahmen von Inspektionen (Inspektions- abstand Tf) erkannt werden. Die dann anschlieBende Reparaturzeit soll gemB (73) verteilt sein. ‘Generarang von Theat lt nd Toh aur te) Paar oor Raa eratens von S gems ‘Ae Rechte vorbehalten © Verin Deutscher Ingonour, Dusseldor 1999 Fallt die Komponente K, aus, so wird, falls die ‘Umschalteinrichtung $ funktioniert, auf die Reserve Komponente K, umgeschaltet, Das Ausfallverhalten der Komponente K, soll dann durch die Dichtefunk- tion fz(¢,) beschrieben werden. Zur Vereinfachung wird fiir K, keine Reparaturmdglichkeit zugelassen. Ist die Umschalteinrichtung nicht funktionsfihig, die Wahrscheinlichkeit dafir sei P, bzw. befindet sich zum Zeitpunkt der Anforderung die Komponente K, im ausgefallonen Zustand, so fallt das Gesamtsystem aus, ‘Aknliches gilt wenn die Komponente K im Betrieb aust. Der Ablauf zur Simulation dieser Zusammenhiinge ist schematisch in Bild 12 dargesteltt In der Regel wird die hier erliuterte Redundanzgruppe nur ein Teil des Gesamisystems sein, so da® der hier beschriebene Ablauf im gesamten ibergeordneten ‘mulationsablauf implementiert werden muB, 3.4.5 Simulation von Reparaturbeschriinkungen In Abschnitt 3.1.2 wurde eine Klassifikation der ,ent- deckbaren und ,verborgenen“ Fehler vorgenommen, SinngemiiB kéBt sich bei Fehlern der letztgenannten Kategorie die Reparatur nur nach der Fehlererken- nung infolge einer Inspektion oder aber aufgrund einer Anforderung einleiten. In vielen Fallen lassen sich aber auch selbstmeldende Ausflle nicht sofort reparieren. Fin hiiufiger Grund hierzu liegt darin, daB zur Repara- tureinleitung notwendige Abtrennungsmafinahmen Tatar Tait Ty Tal 2 Teparaur badingungen von Ky) Genarerany on Ty, aut Flt ol Kev Kol T= Nein oO ‘recundane Fs fit) | | Ba, 208 Pala) al ede | [Ron § § Bild 12. Simulationsablauf 2ue Nachbiidung einer eeichterten Reserve‘Alle Recto vorbehalten © Versa DeutschorIngorure, Dossldot 1998, versagen, Mit der Reparatur kann dann erst begonnen werden, wenn die Reparatur der defekten Abtrennungs- Komponenten beendet ist. Gleichzeitig bedeutet der Ausfll der betroflenen Kom- ponente eine Anforderung an die Abtrennungskompo- nenten. In Bild 13 ist beispielhaft mit K, ein Transformator und mit K, die korrespondierende Abtrennungs- komponente, ein Schalter, der im Falle eines Transfor- matorschadens durch Offnen die Stromzufuhr zwecks Einleitung der Reparatur unterbrechen soll, dargestellt ky ke Bild 13. Transformator Ky mit zugehriger Abtennungskomponente ki Es seien mit f,(t,) und hy (r,), die das Ausfall- und Reparaturverhalten der Komponente K, beschtei- benden Dichtefunktionen. Mit P, sei die Ausfall- wahrscheinlichkeit des Trennschalters auf Anforderung und mit A,(?3) seine Reparaturdichtefunktion be- zeichnet. Der zur Simulation des obengenannten Sachverhalts dienende Ablauf ist in Bild 14 dargestellt. ctr Komponen Ky t “Aeaspaen des Aatavarha. fons der Komponante Ky iber Pa (che Bp e vor ABschmte 2a) (K, augeaton (Ky intake) @ ‘iin Generirang dor “Generoang dor Fepraturcauorn Reporaturdaser Bj Fy aut Pat farce Komponente Fi aus in) Ky ave Pals) t t ‘eioktveRepare rentoe Ropar turzot Ry fr de turer ry fre Kompontnte Ky ‘KompanenteK,. eRe Py nem Bild 14. Simulationsabiat zur Becksichtigung von Reparaturbe- sefrankungen Ein weiterer Grund, der die Finleitung von Reparatu- ren von selbstmeldenden Ausfillen verzigern kann, ist die in der Praxis gegebene beschrinkte Reparaturkapa- ziti VDI4008 Blatt}6 = 17- Die gewiinschte Anzahl von gleichzeitig durchzufth- renden Reparaturen kann im Rahmen det Programm- cingabe determiniert werden. Bei jedem Komponenten- ausfall wird dann die Ausfihrung einer Reparatur davon abhingig gemacht, ob die maximal zulissige ‘Anzahl gleichzeitiger Reparaturen erreicht ist oder nicht. Hierzu kann in einem Register die Anzahl der sleichzeitig laufenden Reparaturen bei Durchfithrung tum eins erhaht baw. bei Beendigung der Reparatur um cins erniedrigt werden, Ist dagegen die maximal zuliis- sige Anzahl bereits erreicht, so mu die betreffende Komponente in eine Warteliste eingetragen werden, dic jedesmal aufgerufen wird, wenn eine Reparatur beendet ist 3.2 Auswertung von Simulationsablaufen Der prinzipielle Aufbau von Algorithmen zur sukzessi- ven Nachbildung von Systemausfallabliufen und an- schlieBlender Auswertung, soll vorerst anhand einer Ausfallwahrscheinlichkeitsrechnung erlautert werden, Der Algorithmus ist schematisch in Bild 15 darge- stellt, Entsprechend den Ausfihrungen in Abschnitt 3. beginnt der Algorithmus mit der Generierung und Speicherung der Ausfallzeiten Ti,;i = 1,2,.. .nfitr alle Systemkomponenten, deren Ausfallverhalten durch Dichtefunktionen fi(t); i= 1,2, ..., m beschrieben wird. AnschlieBend wird die Komponente Ky mit dem kleinsten Js, im allgemeinen 7, identifiziert und, falls 7%, innerhalb des Beobachtungszeitraums Trax liegt, d.b. |Tix1 mio) fiir den j-ten Simulationsdurchlauf bestimmen, Bei N durchgefiihrten Simulationsdurchtiufen liefert 0 mit ” b= LS owe) 9 cine konsistente Schitaung fir U (0) Dabei ist r* die Anzahl der Durchiiiufe, die zum Systemausfall geftihrt haben, X() der im j-ten Durchlauf realisierte Zu- standsvektor X (f) und @(X"(t)) die j-te Realisierung der Funktion (x). Zur Beurteilung der statistischen Genauigkeit des 2u- vor genannten Schiitzwertes kénnen die Ergebnisse vom Abschnitt 2.2 voll tibernommen werden, Die Vorteile dieser Methode gegentiber dem aufwendi- geren Zcitmodell sind offensichtlich. Einerseits entfallen die explizite Berechnung der fiktiven Ausfall- und Reparaturzeiten sowie die Prozeduren zur Durchftih- rung der Sortiermanipulationen, anderseits braucht bei dieser Vorgchensweise das Aufldsen der logischen Gilei- chungen lediglich einmal pro Simulationsdurchlauf zu erfolgen. Ohne Zweifel sind diese Vortele, die einen Rechenzeitgewinn bis zu einem Faktor 100 mit sich bringen kénnen, auf Kosten der Flexibilitit, welche ‘beim dynamischen Modell lediglich durch Rechenzeit- bedarf beschriinkt wird, erkauft worden. Die expliziten Berechnungsformeln fir die Unverftis- barkeiten uj(); i= 1,2, ., m fir die meistgebrituch- lichsten Instandsetzungsmodelle sind in Blatt 7 dieser Richtlinienreihe angegeben. Zu bemerken sei schlieBlich, daB das oben beschriebene Modell fir Systeme, die ausschlieBlich aus nicht repa- rierbaren Komponenten bestehen, wegen der in dic- sem Fall giltigen Beziehung U(®) = Q(t) auch zur Berechnung der Ausfallwahrscheinlichkeit Q(t) heran- gezogen werden kann.=20- — VDI4008 Blatt 6 3.4 MaBnahmen zur Herabsetzung der Dauer eines ‘Monte-Carlo-Durchlaufs Die zur Abwicklung einer Simulationsrechnung not- wendige Zeit wird fast ausschlieBlich zur Durchfidhrung folgender Prozeduren bendtigt: 1. Generierung gleichverteilter Pseudozufallszahlen im Intervall (0,1), 2. Transformation der Zufallszahlen zur Erzeugung der gewiinschten Verteilung, 3, Sottieren der Zeiten bzw. Aufsuchen der jeweils minimalen Ausfallzeit, 4, Aufldsen der logischen Gleichungen (Fehlerbaum). Eine Rechenzeitersparnis la6t sich hauptsichlich durch Modulatisierung des Fehlerbaums erzielen, da die Blicke 1, 2, 3, 4 in ihrem Aufbau entweder trivial sind ‘oder aber fest vorliegen und wenig Spielraum zur Ver- &inderung bieten. Eine optimale Vorgchensweise zur Erzeugung der Aus- fallzeiten fir technisch interessante Problemstellungen soll am Beispiel der Exponentialfunktion aufgezeigt werden. Bekanntlich lassen sich exponentiell verteilte GréBen 7; mit der Verteilungsfunktion Fit) a G17) durch Auflésen der Beziehung (3.17) nach f, generieren gemiiB in TP =- 6.18) wobei a!? cine im Intervall (0,1)-gleichverteilte Zu- fallszahl ist (AusgabegréBe von Block 1), Da die Berechnung von Logarithmen auf universellen elektronischen Datenverarbeitungsanlagen rechenin- tensiv ist, st die ibliche Vorgehensweise nicht optimal. Bei technischen Systemen ist die Zuverlissigkeit der Systemelemente in der Regel so hoch, daB sie selten innerhalb (0, Ty) ausfallen. Erfolgt aber ein Ausfall einer Komponente auBerhalb (0, Tua), So ist auch die absolute GriBe ihrer Lebensdauer nicht von Interesse, womitin solchen Fallen das Auflésen von (3.17) unndtig ist. Es empfichlt sich deswegen zur Erzeugung von Ausallzeten folgende Prozedur zugrunde zu legen _ Ina? fir of? < 4,(Tras) TP = " G.19) > Tox sonst wobei 4: (Ta) ~ATox die Ausfallwahrschein- lichkeit det jeweiligen Komponente im betrachteten Intervall (0, Ty) ist. Die oben angegebene Prozedur erlaubt also, das rechenintensive Auflésen der Beziehung (3.18) nur auf ‘Ade Rechte vorbohaten @ Vera Deutscher Ingensure, Dossldon 1999 die Fille zu beschriinken, bei denen Systemelemente im, betrachteten Intervall ausfallen, also nur, wenn die absolute GréBe T; von Interesse ist, und ist ohne weiteres auf beliebige Verteilungsfunktionen anwend- bar. Zusiitzlich wird dadurch die Anzahl der Eingiinge der Minimier- bzw. Sortieralgorithmen drastisch verklei- nert (Ausfallzeiten, die gréBer sind als Ty, brauchen in dem betreffenden Durchlauf nicht weiter betrachtet 2u, werden), was einen weiteren groBen Gewinn mit sich bringt Ein weiterer, speziell bei Systemen mit reparierbaren Komponenten zusitzlicher Gewinn liBt sich durch fribzeitiges Abbrechen von Simulationsdurchliufen, die nicht zum Fintreffen des untersuchten Ereignis fahren kénnen, erzielen. Bedenkt man, daB bei techni- schen Systemen lediglich ein minimaler Bruchteil det insgesamt durchgefihrien Durchliufe zum Systemaus- fall fihrt, so wird der potentielle Gewinn bei einem frihzeitigen Abbrechen unwesentlicher Durchliufe evi- dent. Es sei mit A das Ereignis von mindestens einem Systemausfall innerhalb (0, Ty,q) bezeichnet; B sei das Ereignis von mindestens einem Systemausfal innerhalb (0, Ta) unter der Annahme, daft die Systemelemente nicht reparierbar sind. Da offensichtlich A in B vollstiin- dig enthalten ist, gilt die Verkniipfung: (3.20) Daraus liBt sich folgern, daB alle Durchliufe, bei denen das System trotz det Annahme nicht reparierbarer Elemente intakt bleibt, nicht weiter verfolgt zu werden brauchen, sondern gleich abgebrochen werden kénnen, Der zugrundeliegende Algorithmus zur Beriicksichti- gung der oben beschriebenen Gegebenheiten lautet fiir das j-te Spiel: 1. Berechnung der Ausfallwahrscheinlichkeiten qi(Trya)s = 1,2,..., der einzelnen Systemelemen- te. 2. Erzeugung von n gleichverteilten Zufallszahlen a, i= 1,2... 040. 3. Falls af" < qi(Tgs); = 1,2,. . .,msoll die Zustands- variable x, der Komponenten i ,ausgefallen* gesetzt werden, andernfalls muB x, ,intakt* bleiben, 4. Mit dem nach 3 gewonnenen Werten des Zustands- vektors x ist die Funktion y = ¢ (x) aufeuldsen. Fille dabei das System aus, milssen entsprechend det Ausfihrungiin diesem Abschnit fir die ausgefallenen Komponenten Ausfallzeiten generiert werden. Dabei kénnen die gleichen Zufallszahlen benutzt werden, Erfolgt aber kein Systemausfall, kann der Durchlauf abgebrochen werden. Der hier beschriebene Algo- rithmus kann problemlos an dem Simulationspro-‘Ale Rechte vorbehalten © Verein DoutscherIngeniure, Dusseldort 1860, gramm unmittelbar vor den Sortierprozeduren der ‘Ausfallzeten eingeftigt werden, Durch seine Anwen- dung verringert sich die Rechenzeit abhiingig vom spezifischen System um einen Faktor 5 bis tiber 20. 3.5 Anwendung varianzreduzierender Verfahren Wie bereits in Abschnitt 25 erwihnt, scheint das Verfahren der gewichteten Stichproben (Importance ‘Sampling), besonders im Hinblick auf die hier behan- delten mehrdimensionalen Modelle, am aussichtsreich- sten zu sein, In dem Abschnitt 35.1 werden gewichtete Verfahren fir statische Simulationsmodelle bei der Berechnung von Ausfallwahrscheinlichkeit und Unverfiigbarkeit von ‘Systemen mit unabhaingigen Komponenten vorgestell. In dem Abschnitt 352 wird die Problematik der Varianzreduktion bei dynamischen Simulationsmodel- Jen aufgezeigt. Leider weisen alle bisher bekannten Wichtungsverfahren keine allgemein zufriedenstellen- de Blfizienz auf. Einen gewissen Erfolg bei spezellen Fragestellungen verspricht die Anwendung einer Po- tenzwwichtung der Dichtefunktion der Komponentenle- bensdauer, die im Abschnitt 3.5.2 beschrieben wird. Es sollte allerdings bereits an dieser Stelle vorausge- schickt werden, daB cin erfolgreicher Umgang mit varianzreduzierenden Verfahren, besonders bei Anwen- dung auf dynamische Modelle, eine ziemlich tiefe System- und Verfahrenskenntnis voraussetzt. Bei unge- schickter Anwendung kénnen Ergebnisse produziert werden, diezwar erwartungstreu sind, aber eine groBere Varianz als im direkten Monte-Carlo-Verfahren aul- weisen, Dariiber hinaus fthren gewichtete Verfahren zwangs- liiufig auf eine Verzerrung einer Reihe von Systemkenn- gr6Gen und kénnen lediglich auf die Berechnung eines, jeweils interessierenden Merkmals zugeschnitten wer- den. Aus obigen Griinden sollte eine Benutzung von gewich- teten Verfahren, speziell bei dynamischen Modellen nur von geiibten Anwendern vorgenommen werden. 3.5.1 Anwendung des Verfahrens der gewichteten Stichproben auf die Berechnung der Unverfligbarkeit eines Systems mit unabhiingigen Komponenten Gemath derin Abschnitt 3.3 angegebenen Beziehung gilt fiir die Unverfiigbarkeit U(0) eines Systems mit n unabhangigen Komponenten VDI 4008 Blatt6— = 21— Le= Zot Mb —wtar® Ein direktes Monte-Carlo-Verfahren zur Auswertung dieser Gleichung wurde ebenfalls in Abschnitt 33 erliutert. Wird fiir die Realisierung X(t) der ZufallsgréBen X,(0, i= 1, nim j-ten Simulationsdurchlauf statt der Beziehung (3.15) die Vorschrift 1 falls of? < unto xPO= 6.22) 0 falls o? > ut (0 zugrunde gelegt, so liefert, gemif den Ausfiihrungen in Abschnitt 2.5.1, die GroBe LE owe Soxay- fi feepre ut (1) teu@por ie rg ol C) cine konsistente Schitzung fir U (0). Die Varianz der gewichteten ZufallsgrBe * (X (9) liBt sich zu ~ zoe fifteen] ee" (3.24) berechnen, Die Varianz des direkten Verfahrens, d.h. die Varianz der Zufallsgrsbe 6 (X (0), lautet bekanntlich (Ue (3.25) baw. in einer Form entsprechend Beziehung (3.24) = Zo [[ lao — u,()'-* — U@? 6.26) Durch Vergleich der entsprechenden Terme der Bezie- hhungen (3.24) und (3.26) ist es erkennbar, da die Wichtung der Unverfiigbarkeiten der Systemkompo- nenten hin zu griBeren Werten uf (0); i= 1,2,.... folgende zwei Wirkungen mit sich bringt: 1. eine Verkleinerung der Ausdriicke mit x; 2. eine geringfiigige Vergrélerung der Ausdriicke mit x)= 0. Inwieweit letztendlich eine Varianzreduktion erzielbar ist, hiingt davon ab, welcher der zwei genannten Effekte liberwiegt.-22- VDI4008 Blatt 6 In der Regel sind die Unverfiigbarkeiten u(t) der Systemkomponenten sehr klein gegen 1, so da die erzielbare Verkleinerung der Terme mit x; = 1 bei einer Wahl uf (1) >> u(t) zu einer Varianzreduktion fihrt. Wenn andererseits beriicksichtigt wird, daB der Redun- danzgrad technischer Systeme, gemessen an der Ge- samtzahl der Systemelemente, Klein ist (meist nicht gréBer als 5) und daB sich auBerdem bei den in der Praxis wahrscheinlichen Systemausfillen die griBere Anzahl der Elemente im Zustand ,intakt* befindet, dh X;=0, so kann bei zu groB gewiihlten uf (.-Werten die Varianz entscheidender Ausfallkombinationen in- folge der zuvor unter 2 erwiihnten Tatsache stark wachsen, besonders bei Systemen mit einer groBen Elementenzahl. Auf diesen Nachteil, der offensichtlich prinzipieller Natur ist und bei allen Wichtungsverfah- ren in etwa gleichem MaB auftreten wird, soll im Abschnitt 3.5.1.1 cingegangen werden. Eine sinnvolle Forderung an die GréBen uf (0; 7= 1, 2,...,m ist es, im direkten Fall gleichwahrscheinliche Ausfallkombinationen auch im gewichteten Fall etwa sleichwahrscheinlich zu belassen. Eine Naherungspro- zedur hierzu soll im folgenden angedeutet werden. Esseien x, und x, die Zustandsvektoren 2weier Ausfall kombinationen (9(x,) = (x,) = 1). Weiterhin seien (K,) und (K,) die Indexmengen der jeweils ausge- fallenen Elemente, (&b. xy,= 1, i€(K,); x2i= 1, ie(K,)), Sinngemi® beinhalten die Mengen (K,) und (K,) die Indizes der jewcils intakten Elemente. Dann folgt fur die Unverfigbarkeiten U, (0) baw. U3(0) Com Twi TL 90) (G27) U0) T],O- TL.¢-so) Analog lassen sich die Unverfiigbarkeiten im gewichte- ten Fall zu UtO= Jl ut lh — up) (3.28) ux uh 1 uf (0) J o TL, (o) angeben. Die Problemstellung lautet hier wi(0, 7=1,2,...51 derart 2u wahlen, daB unter der Voraussetzung U, (0) = U,(0) auch Ut() = US (0) gilt. ‘Aus Gleichung (3.27) baw. (3.28) wird deutlich, daB eine exakte analytische Lésung nicht méglich ist. [Ala Rachla vorbehalten @ Verin Dauscher Ingeniaure, Dissldod 1999, Bei technischen Systemen sind allerdings folgende ‘Nitherungsgleichungen zur Lésung des Problems zulis- sig UOe T] a; Us [] ule 629) ur@~ [] wfo;vr@= [] wo Aus den Bezichungen (3.29) folgen flir eine Wahl der gewichteten Unverftigbarkeit uf (1) zu 12s 830) ui(0), die Gleichungen vros T] w= TL wis uf G31) wie ied) und uso TL w= [1 v@s ur G32) uel ier) woraus unmittelbar zu erkennen ist, da fir U,() = U;(0) die Forderung Uj (1) * U3 (0 erflllt ist Dabei ist r eine Konstante mit 0 1, fihrt im allgemei- nen auf unendliche Varianz [6]. Es empfieht sich, die Komponentenlebensdauern 7; aus einer unstetig ska- lierten Dichtefunktion f(t) zu generieren gemiiB=24- — VD14008 Blatt 6 Co Filed 14S Tawi G>T aan i= een bzw. zum Erreichen einer Potenzwichtung nach (3:30) gemaiB I Tra) SG) te < Tras SM) = (3.38) 1 gia) Tony > Ta wobei Tuadie Beobachtungszeit und q(T) die Aus- fallwahrscheinlichkeit der Komponente K, innerhalb (0, Tau) bedeutet. Der korrespondierende Wichtungsfaktor fur einen Simulationsdurchlauf errechnet sich, gemiB (2.27), 2.B. fiir den j-ten Durchlauf zu fo(2) S@) (2) = g(Q) 8.39) Im Rahmen einer Ausfallwahrscheinlichkeitsberech- nung bedeutet dies, da in diesem Fall fir g(a) die Beziehi "8 1-1 System fl innerhalb (0, Tau) aus g(a) (3.40) 0 sonst gilt, daB ein Systemausfall im Gegensatz zum direkten Verfahren nicht mit 1 sondern mit fo(Q)/f5(Q) bewertet wird Da allgemeine Systeme reparierbare baw. wartbare Elemente beinhalten, reicht im allgemeinen eine Kon- zentration der gewichteten Dichtefunktionen der Le- bbensdauer der Komponenten innerhalb der Betrach- tungszeit nicht aus, um die Bintrittswabrscheinlichkeit signifikanter Ereignisse geniigend 2u vergréBern, Viel- mehr muB in diesem Fall auch eine Koinzidenz von Komponentenausfillen innerhalb der jeweiligen Repa- ratur- bzw. Inspektionsintervalle durch entsprechende Wichtung der Dichtefunktionen der Lebensdauer be- aiinstigt werden. Fine solche Wichtungsvorschrift ist aber nur dann realisierbar, wenn sie zur sequentillen Simulation von Ausfallkombinationen bekannter Zu- sammensetzung angewandt wird [7],und kann 2ur pau- schalen Simulation eines komplexen Systems nicht eingesetzt werden. Die naheliegende Méglichkeit, eine Erhohung der Koinzidenz von Ausfillen durch eine Wichtung der Dichtefunktionen der Reparaturdauer zu exreichen, scheitert im allgemeinen daran, daB bei den meisten praktischen Anwendungen Inspektionsinter- valle und Reparaturzeitenfeste GréBen sind und deren deltafermige Dichtefunktionen somit einer Wichtung nicht zuginglich sind, Aber auch in den Fallen, wo das ‘Ale Rechtevorbehaton © Verein Deutscher Ingereur, Dsaldar 1099 Reparaturverhalten stochastischer Natur ist, sind die Dichtefunktionen der Reparaturdauern stark um die Jeweiligen Mittelwerte konzentriert, so daft signifikante Systemausfille durch Zusammenfallen von Kompo- nentenausfillen innerhalb von Reparaturzeiten, die von deren Mittelwerten wenig differieren, hervorgerufen werden, Eine Erhdhung der Koinzidenz durch groBe, unwahrscheinliche Reparaturzeiten bringt deswegen keine Varianzreduktion mit sich und kann durch die dadurch bedingte Bevorzugung unwahrscheinlicher Er- eignisse bei einer endlichen Anzahl von Simulations- durchtiufen trotz vorhandener Konsistenz zu vorge- ‘uiuschten kleineren Ergebnissen filhren. ‘Aus den oben angegebenen Griinden empficht es sich, auch bei reparierbaren baw. wartbaren Komponenten, ahnlich wie bei nichtreparierbaren sich lediglich mit einer Wichtung der Ausfalldichtefunktion innerhalb der Beobachtungszeit Ty, 2u beschriinken. Fiir jene Fille, bei denen fir die Gite des zu untersuchenden Systems grofe Lebensdauer der Systemelemente in stiirkerem Male verantwortlich als kleine Reparatur- zeiten sind, wird das erliuterte Verfahren, das von der Skalierung der Ausfalldichten ausgeht, eine Varianz~ reduktion mit sich bringen, Wird die Potenzwichtung benutzt, so kénnen zur Festlegung des Wichtungsparameters die in Abschnitt 3.5.1.1 angegebenen Bezichungen herangezogen wer- den. AbschlieBend mus allerdings bemerkt werden, daB die in Abschnitt 3.5.1 gestellte Forderung, daB gleich- wahrscheinliche Kombinationen auch im gewichteten Fall gleichwahrscheinlich bleiben, hier im allgemeinen nicht erfllt wird. Insbesondere werden Kombinatio- ren mit grofien Reparaturzeiten (bzw. solche, die sich aus nichtreparierbaren Elementen zusammensetzen) stiirker gewichtet als andere gleichwahrscheinliche, deren Komponenten kleine Reparaturzeiten haben. 4 Anwendung des Monte-Carlo-Vertahrens ricksichtigung von Unsicherheiten jangsdaten bei Zuverlassigkeitsuntersuchungen Die zur Nachbildung des Ausfall- und Reparaturver- haltens der einzelnen Komponenten bendtigten Ein- gangsdaten — Ausfallraten, Reparaturraten, Ausfall- wahrscheinlichkeiten auf Anforderung — sind in der Regel mit Unsicherheiten behaftet, die primar auf die folgenden Griinde zuriickzufiihren sind: ~ Ein Teil der Daten stammt aus Technologieberei- chen mit unterschiedlichen Einsatz- und Betriebsbe- dingungen,‘Ae echo vorbehalten © Verein Deutscher Ingenieure, Dasseldort 1999 = Die Daten sind in der Regel sehr pauschal (2.B. Ausfall einer Pumpe, Ausfall eines Schalters) und beschreiben lediglich ein globales Ausfallverhalten ohne auf systemspezifische Ausfall- und Finsatzarten Rucksicht zu nehmen. — Jede Datenerhebung und -erfassung ist mit zufilli- gen, durch die endliche Anzahl der Beobachtungen bedingten Fehlern behaftet. Deswegen empfichlt es sich in vielen Fallen die Ein- gangsdaten einer Zuverlissigkeitsuntersuchung als stochastische GréBen zu behandeln, d.h. nicht durch einen einzigen Wert, einen Punktwert zu beschreiben, sondern vielmehr durch die Angabe einer Verteilungs- funktion. Die Art der Verteilungsfunktion liegt von vornherein nicht fest und diirfte nicht in allen Fallen einwandirei begriindbar sein. Vielmehr muB man unter Verwen- dung statistischer Testverfahren diejenigen Vertei- lungsfunktion ermitteln, die das verfiigbare Datenmate- rial am besten charakterisiert Dabei ist es durchaus méglich, daB speziell kleinere Datenmengen von verschiedenen Verteilungsfunktic nen beschrieben werden kénnen, Anmerkung Die Unsiherheit des Endergebnisses, die mit der Wahl eines specie len Vertelungsgesetzesverkmip ist, kann deswegen nicht quantii- ier werden, Im Rahmen von Risikostudien aus dem kerntechni- schen Bereich wurde festgestellt, daB die Log-normal- Verteilung aufgrund ihrer groBen statistischen Breite das Datenmaterial in der Regel adiiquat beschreibt. 4.1 Modelibeschreibung Betrachtet man beispielhaft ein u berechnendes Zuver- Lissigkeitsmerkmal Z (0) - Z() kann die Ausfallwahr- scheinlichkeit Q( oder die Unverfigbarkeit U (0) sein -, so lit sich letzteres als Funktion des Zufallsvektors P laut Z()=S0P) @t) ausdrlicken, wobei P = (P,, Py... .,P,)den Vektor der Eingangsparameter ~ z.B. Ausfaliraten, Reparaturra- ten usw. ~ der Komponenten des behandelten Systems bedeutet Der Zusammenhang zwischen Z(t) und P ist system- sperifisch und wird unter anderem durch den jeweiligen Feblerbaum baw. die Strukturfunktion festzelegt. Mit g(p) sci die Verteilungsfunktion des Vektors P bezeichnet. Bedingt durch den stochastischen Charakter des Vek- tors P ist Z(0) ebenfalls eine stochastische GrBe mit dem Erwartungswert ‘VDI 4008 Blatt 6 25 E{Z(} =Z(0 J fit,p)- 9(@)- dp (42) ‘Aus dieser Sicht entspricht die im Rahmen von Zuver- Lissigkeitsanalysen iibliche Verwendung von Punkt- werten, das Einsetzen der Erwartungswerte p; = E {P,}; i= 1,2... .,nin die Funktion {(t, P) Die Interpretation der somit sich ergebenden GriBe als Z(t) entspricht der unrichtigen Gleichsetzung der Grifien Z (0) und Ait, Bi. Sic ist nur bei linearer Abhangigkeit zwischen Z (und _P sowie bei vollstindiger Unabhiingigkeit der K ompo- nenten Pj; i= 1,2,....n des Vektors P gegeben. Ein weiterer unter Umstinden schwerwiegender Nach- teil einer solchen Vorgehensweise ist darin zu sehen, daB das Streuverhalten von Z(1) nicht angegeben werden kann. Beide Fragestellungen, nimlich die exakte Berechnung des Erwartungswertes Z(2) und auch die Ermittlung der Streucharakteristika der GréBe Z(t), lassen sich durch die Anwendung von Monte-Carlo-Verfahren bewerkstelligen. Alternative analytische Methodiken (Toleranzanalysen, Taylor-Entwicklung usw.) diiften ‘aus folgenden Griinden auf Schwierigkeiten stoBen: ~ Die Variationsbreite der Zufallsgren P, kénnen im allgemeinen sehr groB sein, so daB die Reihenex- pansionen auch auf Glieder héherer Ordnung er- streckt werden miissen. — Um die erhaltenen Variationsbreiten der Ergebnisse interpretieren zu kénnen, sind Annahmen iiber die Verteilung der Gr®Be 2 (t) nbtig. Letztere ist aber im Rahmen analytischer Methoden praktisch nicht er- mittelbar. — Analytische Methodiken weisen eine geringere Flexi- bilitit bei der Behandlung von potentilien, statisti- schen Abhangigkeiten zwischen den Gri8en Pj i = 1,2... nm iedies2. B. bei Komponenten gleichen Herstellers der Fall sein kann, Der prinzipielle Ablauf eines Simulationsverfahrens hierzu ist in Bild 16 dargesteltt [acrsneen des Vektor,B™™] [Borochnang der iter [ei ete Verona. fe sender Zverii kstamertle hu en susesitonOstnste tts ekonnar Tech inten neti 912) ‘orechnong der Diaankionen, IMitenart, Ronfideneinteraie ds. Spannweton fara nro. serondon Zuverissighetamerkse a Bil 16, Principle Abaut eines Simulationsvefakronszur iohand lung von Datenunsicherbeten=26- — VDI4008 Blatt 6 Unter (1) werden iiber die aus statistischem Datenmate- rial ermittelte bew. postulierte Dichtefunktion g(p), die Zulallsparameter P‘; j= 1,2,....m generiert. Mit dem somit beim Hen Durchlauf gewonnenen Datensatz P® werden anschlieBend unter (2) mittels bekannter Methodiken die interessierenden Zuverkissigkeits- merkmale des Systems ermittelt. Nach einer N-maligen Wiederholung dieser Prozedur erhlt man, durch stai tische Verdichtung der Ergebnisse der einzelnen Durch- liufe unter (3), Schitzungen fr die gesuchten Zuverlis- sigkeitskenngrdfien. Dem Monte-Carlo-Verfahren zur reinen Unsicher- heitsberechnung, dh. (1) und (3), liegt offensichtlich ein typisch statisches Modell zugrunde. Die unter (2) in Betracht kommenden Methodiken kénnen sowohl ana- Iytischer als auch simulativer Natur sein, Im letzteren Fall knnten dann, abhdingig vom zu untersuchenden System, auch dynamische Monte-Carlo-Modelle zur Anwendung kommen, ‘Aus Rechenzeitgriinden empfichlt es sich allerdings, unter (2) eine analytische Methodik (siche Blatt 7 dieser Richtlinienreihe) zu wahlen. Besonders geeignet sind hierfiir Methodiken, die auf der Basis von Schnittmen- gen arbeiten, da die Ermittlung der Schnittmengen nur einmal zu erfolgen braucht, was einen etheblichen Rechenzeitgewinn mit sich bringt Nach N durchgefihrten Durchiiufen ergibt sich als Schiitzung Z(t) fiir das gesuchte Zuverlissig merkmal Z(0) = E{Z(9} Z= yz 43) wobei Z‘” der im ten Durchlauf gewonnene Wert fiir Z(t) bedeutet. Die Schatzung fiir die Varianz 3 von Z (t) lautet centsprechend a N (2 Zep 44) Me a Die umfassendste Information tiber die Zufallsvariable Z(t) wird selbstverstiindlich durch deren Verteilungs- bzw. Verteilungsdichtefunktion gegeben, Aus den erhaltenen Werten Z®, i= 1,2,.. .VKiBt sich die empirische Verteilungsfunktion Sy(Z:(0) gewinnen, Sie lautet 0 Zi) < Min (Zz KIN sonst as) 1 Z()> Max {Zz Sy(Zi0) = [Ate Rechle vorbehalten © Verein Deutscher Ingenew, Dissldor 1999, wobei kdie Anzahl derjenigen Werte Z°,i = 1,2,...,.N bedeutet, die kleiner oder gleich Z (0) sind, 4.2 Stalistische Sicherung und Interpretation der gewonnenen Ergebnisse 4.2.1 Genauigkeit der Schatzung fiir den Erwartungswert Zur Beurteilung der Genauigkeit der durch die Bezie- hhung (4.3) angegebenen Schatzung kann analog zum Abschnitt 2.2 der zentrale Grenzwertsatz herangezogen werden, Aus (2.11) ergibt sich das minimal erforderliche N, um einen relativen Fehler ¢ mit einer Wahrschein- lichkeit von 68% nicht zu dbersteigen, zu Offensichtlich ist die Gréfle «3 von den zugrundege- legten Variationsbreiten der Parameter p, abhiingig. In der Regel gilt die Relation o3 < Z(N?, so daB mit ca. 50 Durchliiufen (N = 50) Genauigkeiten von 10% erreich- bar sind, 4.2.2 Genauigkeit der empirischen Vertellungstunktionen S, (Z (¢)) Fine MOglichkeit, die Genauigkeit der empirischen Verteilungsfunktion Sy(Z()) baw. die erforderliche Anzahl N von Durchkiufen, um eine geforderte Genau- igkcit zu erreichen, festzustellen, bietet folgender Satz aus der Stichprobentheorie: Es seien mit F(Z (0) und mit Sy(Z(0) dic Verteilungs fanktion baw. die empirische Verteilungsfunktion det ZufallsgréBe Z(t) bezeichnet. Es gilt dann a) VN up |Sx(Z0) = F(Z) a? (on SResal PEO) -[4r& ) re 0 sonst (46) wobei Z*(1) durch F(Z* (0) =a definiert (0 < a <1) und L(2) eine z.B. in [8] tabellierte Funktion ist. ine Auswertung dieser Bezichung liefert die erforderli- che Durchlaufzahl zur Gewahrleistung einer relativen Genauigkeit e, im gesamten Bercich a < F(Z(®) $ 1, mit einem belicbig wahlbaren Konfidenzniveau s. In Tabelle 1 sind cinige typische Fille ausgewertet. Daraus ist zu etsehen, dal der Aufwand zur Berech- ‘nung der empirischen Verteilungsfunktion mit einer im gesamten Bereich 2u garantierenden guten Genauigkeit unvertretbar groB wird.[Ae Rchlevoroeaten © Vern Deutscher Ingerioure,Oosseldort 1099 Tabelle 1. Erforderliche Anzahl von Durchlaufen bei der Bestimmung der empirischen Verteilungsfunktion (s= 90%) ww 0.05) on 02 Es empfiehlt sich daher, die Anzahl der Simulations- durchlinfe nach anderen Gesichtspunkten zu wiihlen, Meistens reicht die Information beziiglich der Genauig- eit ausgezeichneter Verteilungsquantile, 7.B. 0,05- oder 0,95- Quantil, aus. Eine weitere GriBe, die heran- gezogen werden kann, ist die Spannweite der gewonne- zen Stichprobe. Beide Fragestellungen werden im Ab- schnitt 4.2.3 erdrtert. Selbstverstindlich ist der Informationsgehalt dieser Gren, gemessen an dem der Verteilungsfunktion, ein geringerer, bleibt aber im allgemeinen fir die gestellte ‘Aufgabe immer noch beftiedigend. 4.2.3 Quantile und Spannweite einer geordneten Stichprobe Unter einem Quantil g-ter Ordnung einer ZufallsgrBe X mit stetiger Verteilung F (x) bezeichnet man denjeni- gen Wert a, von x, der die Gleichung, Fa)=4 a7 crf, Bs sei nun X, X®, ..., X eine Stichprobe der Zufallsgrife X. Bezeichnet man mit Xf die der GroBe nach k-te unter den Zahlen X",X,..., XP und gilt die Bezichung k=(N- q+] 48) so definiert man Xfals das q-Quantil der Stichprobe Beziiglich der Grenzverteilung (N—+00) des Quantils X fexistiert folgender Satz aus der Theorie der geordne- ten Stichproben [9] Satz: Gilt,daB 0 W) (1) Beide Groflen B und W unterliegen in der Regel stochastischen Binflissen und hiingen von einer Reihe von Parametern, z.B. Betriebsweise, Materialeigen- schafien, Umgebungseinflissen usw. in komplizierter Weise ab. Bezeichnet man mit fg(6) und mit fy(w) die entspre- chenden Dichtefunktionen, so liBt sich die Ausfall wahrscheinlichkeit Q in der Form eines Doppelinte- gals darstellen gemi8 Q Fal f Sul) oj (5.2) Die Zusammenhiinge sind geaphisch in einem soge- nannten Warner-Diagramm, Bild 17, dargestellt. Die Ausfallwahrscheinlichkeit Q entspricht dem schraf- fierten Uberlappungsbereich unterhalb der zwei Dich- tefunktionen f(b) und fiy(w). ‘Ale Ractte vrbehatan © Versin Deutch Ingerour, Disseldot 1998 Sind die GréBen B und W normalvertelt, so lat sich die Bezichung (5.2) geschlossen ldsen, In diesem Fall ergibt sich fiir Q die Bezichung 1 7 —— ee du (53) vai ) wobei B und W bzw. oj und aj) die entsprechenden Erwartongnwere bw. Varanzen der Zfalsgr8en 8 tnd W badeuten Q Bei den meisten praktischen Anwendungen sind aller- dings die Verteilungsdichtefunktionen f(b) und fy() nicht explizit bekannt. Es liegen vielmebr in der Rezel analytische Funktionen b= gp leryXay- + +5 Xm) = Gal) und (54) + Yd = gwd) Gul die den funktionalen Zusommenhang der GréBen B und W von den oben erwihnten zufiilligen EinfluBfak- toren Xjj 1=1,2,..., m baw. Yip 11,2, 05 0 festlegen, sowie die zugchérigen Dichtefunktionen fy (x) und f,(y) vor. Bei vollstindiger Unabhiingiokeit der GréBen X; bzw. ¥; nehmen letztere die Gestalt F409) = [facso 65) baw. A = Fawn 66) wobei fy ()5 1 = 1,2... .,mund f,(y)s1= 1,2... .57 die Dichtefunktionen der BinzelgrBen bedeuten, In solchen Fallen empfiehlt es sich, die Ausfallwabr- seheinlichkeit Q mittels eines Monte-Carlo-Verfahrens zuberechnen, Sein schematischer Ablaufist in Bild 18 dargestellt Zuerst werden innerhalb des j-ten Durchlaufs die Realisierungen X= (XY,XY,..., XY) und YP" (YY, YY... ¥!2) mittels der bekannten Transforma- 0 ow Bild 17. Das Warner Diagramm: Dichtefunktionen der Gelastung ‘nd Widerstandsfahigkeit einer Swuktur ‘Ausfallwaheschoinlchkeit:schratfiorter Boreich,‘Ale Rachteverbehaton © Verein Deutscher Ingenio, Disseldor 1099, VDI4008 Blatt6 — — 29— [signe dor Graton amg) ana | f(t die age ‘pigton Vektron ind Ye [Generirung dor Voktoren bei nd wer ce Voretungsiemerano Jpn fd und fy te) eis 8 We imran in E —s aia = 0i Bild 18, Schematschor Abia eines Monte-Carlo-Verfahvens 2ut Bevochnung der mecharischen Austalivalscheinichkeit Q tionsmethoden gemaf den Dichtefunktionen f,() und. fe(2) generiert. Durch Einsetzen in die Beziehungen (5.4) werden anschlieBend die zugehorigen Werte BP und I gebildet. Jedesmal wenn die Ungleichung BO > W erfllt ist, wird ein Zahler um 1 ethoht. ‘Nach N durchgefiihrten Durchliiufen liefert die GréBe @ sn zis eine erwartungstreue Schiitzung fiir die gesuchte Aus- fallwahrscheinlichkeit Q Beziiglich der statistischen Sicherheit dieses Ergebnis- ses kOnnen die Ausfiihrungen des Abschnitts (2.2) voll tibernommen werden, Pihrt man eine zufillige Indikatorfunktion 6(X, ¥) ein mit der Eigenschaft 1 falls b«x) > wQ) dix) = (58) 0 sonst s0 liefert das oben beschriebene Monte-Carlo-Schema cine Schiitzung des Erwartungswertes von 5( Es gilt niimlich O=E OK} = ff Sey Feld Se) dx - dy 69) ‘Michte man schlieBlich zwecks einer Varianzreduktion gewichtete Dichtefunktionen einfiihren, so miiften letz~ tere die Eigenschaft haben, den Uberlappungsbereich aus Bild 17 zu vergréBern. Dies liebe sich durch kiinstliche Verminderung der Wahrscheinlichkeit ho- her Widerstandsfihigkeitswerte bzw. durch kiinstliche Erhéhung der Wahrscheinlichkeit hoher Belastungs- werte erreichen, Beispie! Bei einem Druckbehiilter, dessen Berstwahrscheinlich- keitzu berechnen ist, bedingt ein eventueller Kthlungs- ausfall einen Druckanstieg sowie die Entstehung eines explosionsfihigen Gasgemisches. Die Wahrscheinlich- keit fiir den Kiihlungsausfall sei mit P, bezeichnet. Unterstellt man letzteres fir den Zeitpunkt fo, so soll der Ziindzeitpunkt T gleichverteilt im Intervall (to, ,) sein, Die bei der Ziindung entstehende Druckbelastung, B laBt sich zu B=X\(D°X; angeben, wobei X(T) den zum Ztindzeitpunkt T herschenden Ausgangsdruck im Behiilter und X den Druckiiberhéhungsfaktor infolge der Explosion bedeu- tet. Der Zusammenhang zwischen Ausgangsdruck und Ziindzeitpunkt soll linear gemi der Beziehung silt) = illo x = (ge (t= t6) angenommen werden. Die Verteilungen des Uberhdhungsfaktors X, sowie der Widerstandsfihigkeit W des Behilters gegen Ber- sten sollen Gauiverteilungen gema Sx, a und Sul) ow 2a gleichgesetzt werden. Die gesuchte Berstwahrscheinlichkeit Q 1i8t sich dann sgemill Bezichung (5.9) angeben 2 O-Py I J J 5x3.) Srl “Se, Ca) “Sv dt dx, + dw Eine Auswertung dieser Beziehung mit dem Monte- Carlo-Schema aus Bild 18 unter Zugrundelegung der Eingangsdaten P, = 10~*, to ~ ty = 40, xy (fo) = 3,3 bar, x; (ty) = Sbar, Xz =3,5,0x,=03,W = 14,3 bar, ‘y= 0,38 bar liefert fir die gesuchte Berstwahrschein- lichkeit die Schatzung (N= 100) @ = (5 + 0,5) 10"-30- — VDI4008 Blatt 6 Formelzeichen AB zufillige Ereignisse AB Durchschnitt (Schnittmenge) von A und B Komplement von A a wird durch b erkkirt Erwartungswert der Zufallsva- riablen © Verteilungsdichtefunktion (Ver- teilungsfunktion) der Zufallsva- riablen 3, Index © wird oft ge- iret Jol) (Fol) Vertcilungsdichtelunktion (Ver- teilungsfunktion) des Zufallsvek- tors Q= (Qy.2,. 4 OR) rs Komponente eines Systems (kK) Indexmenge von intakten Kom- ponenten, d.b. x =0 fiir 1e(K) ®) Indexmenge von ausgefallenen Komponenten, dh. x, = 1 fir ie(R) MDA, mittlere Systemausfallzeit in (0, 7) MIT, mittlere Systemlebensdauer (mean time to failure) P(A) Wahrscheinlichkeit des (Zufalls-) Ereignisses A P(A/B) bedingle Wahrscheinlichkeit von A.unter B an Ausfallwahrscheinlichkeit in (0,7) uy Unverfiigharkeit (Nichtverfig- barkeit) zum Zeitpunkt T un mittlere Unverfiigbarkeit in 07 Zustandsvariablen Zustandsvektor XA) Konjunktion von x, und x) x, Zufallsvariable mit dem Werte- vorrat x, xo Realisierung der Zufallsva- riablen X im j-ten Simulations- durchlauf = Erwartungswertschiitzung der Zufallsgrfe 5 erweiterte Strukturfunktion Varianz der ZufallsgrBe = tunmégliches Ereignis grote ganze Zahl i mit i< a ‘Ale Rachie vorbehalten © Versa Deutscher Ingeneute, Dosseldor 1999, ‘Schrifttum [1]. Zielinski, R Erzeugung von Zufallszablen. Leipeig: VEB Fachbuchvetl. 1978 [2] MeGrath, EJ. ea for Effient Monte-Carlo. Simulation, ORNL-RSIC-38, California 1975 [3] Hammersley, J.M., and B.C. Handscomb: Monte Carlo ‘Methods, Methuen's Monographs on Applied Probability and Statistics, London 1964 [A]. Spanier, J, and E.M. Gelbond: Monte Carlo Principles and Neutron Transport Problems. Addison-Wesley Publishing Company, Reading, Mass 1969 [5] Ermakow, S.M.: Die Monte-Carlo-Methode und verwandte Fragen, Berlin: VEB FachbuetverL. 1975 [6] Camarinopoulos, L: Anwendung von Monte-Carlo-Verlaheen zur Ermittlang von Zaverlssigkeitsmerkmalen technischer Systeme. ILR-Ber. 1, Berlin: 1976 [7 Nogel, P: A Monte-Carlo Method to Compute Fault Tree Probabilities. System Safety Symposium, Seattle 1965 [8]. GrafiHenning/Stange: Formeln und Tabellen der mathemati- sehen Statistik, Berlin: Springer 1966 [9] Fiss, at Wabrscheinlicbkeitsrechaung und mathematische Statistik. Berlin: VEB Fachbuchver. 1976 Weitere Fachliteratur Hengariner, W.,u-R. Theodorescu:Binfrung in die Monte-Ca ‘Methode. Minchen: Carl Hanser Verlag 1977 Hartley, H.0- Statistical Methods for Digital Computers. New ‘York: Wiley 1977, pp. 16134 Andrews, D. F, et al: Robust Estimates of Location. Survey and ‘Advances. Princeton/NJ: Princeton University Press 1972 Rubinstein, RY: Simulation and the Monte Carlo Method, New York: Wiley 1981,