DE102020213888A1 - Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems - Google Patents

Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems Download PDF

Info

Publication number
DE102020213888A1
DE102020213888A1 DE102020213888.5A DE102020213888A DE102020213888A1 DE 102020213888 A1 DE102020213888 A1 DE 102020213888A1 DE 102020213888 A DE102020213888 A DE 102020213888A DE 102020213888 A1 DE102020213888 A1 DE 102020213888A1
Authority
DE
Germany
Prior art keywords
fuzzy
neural network
flexible
computer
technical system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102020213888.5A
Other languages
English (en)
Inventor
Javier Bores
Peter Bakucz
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102020213888.5A priority Critical patent/DE102020213888A1/de
Priority to US17/449,733 priority patent/US20220138533A1/en
Priority to CN202111292981.8A priority patent/CN114443376A/zh
Publication of DE102020213888A1 publication Critical patent/DE102020213888A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

Computerimplementiertes Verfahren (100) zum Bestimmen von Kritikalitätswerten eines technischen Systems, das Verfahren umfassend die folgenden Schritte:Vorgeben einer zu erfüllenden Zuverlässigkeit des technischen Systems, Bereitstellen (110) eines Fuzzy-Fehlerbaums (200) für das technische System, wobei der Fuzzy-Fehlerbaum (200) ein Fuzzy-Top-Ereignis (210) und mehrere Fuzzy-Basisereignisse (220) und logische, programmierbare Fuzzy-UND/ODER-Operatoren umfasst;Transformieren (120) des Fuzzy-Fehlerbaums (200) in ein flexibles, neuronales Netz (300) umfassend eine Baumstruktur;Bestimmen (130) eines optimierten, flexiblen, neuronalen Netzes (300-opt) durch Ausführen eines Lernverfahrens zum Optimieren des flexiblen, neuronalen Netzes (300), wobei das optimierte, flexible neuronale Netz die zu erfüllende Zuverlässigkeit des technischen Systems erreicht;Ableiten (140) von Kritikalitätswerten der Fuzzy-Basisereignisse (220) aus dem optimierten, flexiblen, neuronalen Netz (300-opt).

Description

  • Stand der Technik
  • Die Offenbarung betrifft ein computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems.
  • Bei dem technischen System handelt es sich insbesondere um eine Software, eine Hardware oder ein eingebettetes System. Das technische System umfasst eine Vielzahl von, insbesondere technischen, Komponenten.
  • Zum Analysieren von technischen Systemen ist die Fehlerbaumanalyse, engl. Fault Tree Analysis, FTA, eine bekannte Methode zur Analyse der Fehlerlogik eines Systems und zur Berechnung der Gesamtzuverlässigkeit.
  • Die Fehlerbaumanalyse geht von einem einzigen unerwünschten Ereignis, aus, welches an der Spitze des Fehlerbaums steht, das sogenannte Top-Ereignis, welches beispielsweise den Gesamtausfall des Systems beschreibt und im Rahmen einer Gefahrenanalyse ermittelt wird.
  • Ausgehend von diesem Top-Ereignis wird der Fehlerbaum in einer Top-down Analyse bis zu den einzelnen Ausfallzuständen der Komponenten erstellt. Bei komplexeren Systemen erfolgt die Unterteilung in Subsysteme, welche analog weiter unterteilt werden, bis das komplette System in Form von nicht mehr weiter unterteilbaren Minimalschnitten in Form von Basisereignissen abgebildet ist. Die Ausfallkombinationen im Fehlerbaum werden mit der booleschen Algebra und deren Symbolen, insbesondere dem UND und ODER, logisch verknüpft.
  • Im einfachsten Fall werden Komponenten eines Systems, welche in ihrer Funktionsfähigkeit voneinander abhängen, durch die logische ODER-Funktion verknüpft. In diesem Fall führt bereits der Ausfall einer Komponente zu einem Ausfall des gesamten Systems. Komponenten, die sich wechselseitig in der Funktion ersetzen können (Redundanz), werden durch die UND-Funktion im Fehlerbaum verknüpft.
  • Durch die Fuzzy-Zugehörigkeitsfunktion der Basisereignisse kann insbesondere eine Unschärfe des Auftretens der Basisereignisse graduell über numerische Werte zwischen 0 und 1 angegeben werden. Durch die Unschärfe-Eigenschaften können Kritikalitätswerte, insbesondere redundanten Basisereignissen, mit bisher bekannten Verfahren nicht bestimmt werden.
  • Die Offenbarung soll diese Aufgabe lösen.
  • Offenbarung der Erfindung
  • Eine Ausführungsform betrifft ein computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems, das Verfahren umfassend die folgenden Schritte:
    • Vorgeben einer zu erfüllenden Zuverlässigkeit des technischen Systems, Bereitstellen eines Fuzzy-Fehlerbaums für das technische System, wobei der Fuzzy-Fehlerbaum ein Fuzzy-Top-Ereignis und mehrere Fuzzy-Basisereignisse und logische, programmierbare Fuzzy-UND/ODER-Operatoren umfasst;
    • Transformieren des Fuzzy-Fehlerbaums in ein flexibles, neuronales Netz umfassend eine Baumstruktur;
    • Bestimmen eines optimierten, flexiblen, neuronalen Netzes durch Ausführen eines Lernverfahrens zum Optimieren des flexiblen, neuronalen Netzes, wobei das optimierte, flexible neuronale Netz die zu erfüllende Zuverlässigkeit des technischen Systems erreicht;
    • Ableiten von Kritikalitätswerten der Fuzzy-Basisereignisse aus dem optimierten, flexiblen, neuronalen Netz.
  • Beim Transformieren des Fuzzy-Fehlerbaums werden die Fuzzy-Zugehörigkeitsfunktionen der Basisereignisse und die Verknüpfungen zwischen den einzelnen Basisereignissen in Neuronen des neuronalen Netzes übersetzt.
  • Die logischen, programmierbaren UND/ODER-Operatoren werden als Redundanzfunktionen interpretiert. Über die logischen, programmierbaren UND/ODER-Operatoren können erweiterte Redundanzfunktionen, insbesondere heiße Redundanz und kalte Redundanz, berücksichtigt werden.
  • Aufgrund der Baumstruktur umfasst das flexible, neuronale Netz eine vorwärts, beziehungsweise als Baumstruktur betrachtete aufwärts, gerichtete, hierarchische Struktur, engl. feedforward neural network. Informationen werden innerhalb des Netzes immer nur in eine Richtung weitergegeben. Rückkopplungen zwischen Neuronen gleicher oder vorheriger Schichten existieren nicht.
  • Flexibel heißt in diesem Fall, dass sich Neuronen in verschiedenen Layern des flexiblen, neuronalen Netzes wiederholen können.
  • Durch das offenbarte Verfahren werden Kritikalitätswerte der Basisereignisse also basierend auf dem gesamten Fuzzy-Fehlerbaum bestimmt. Die Struktur des Fuzzy-Fehlerbaums beeinflusst die Verteilung eines jeweiligen Basisereignisses in dem flexiblen, neuronalen Netz.
  • Gemäß einer Ausführungsform umfasst das Lernverfahren eine erste Ebene zum Optimieren der Struktur des flexiblen, neuronalen Netzes. Beim Optimieren der Struktur wird die Anordnung der Neuronen im flexiblen, neuronalen Netz, insbesondere die Position und/oder Anzahl der Neuronen, verändert.
  • Gemäß einer Ausführungsform ist vorgesehen, dass eine Optimierung anhand einer Fitnessfunktion von Fuzzy-Redundanzfunktionen des Fuzzy-Fehlerbaums bestimmt wird. Die Fitnessfunktion kann beispielsweise über die Mittlere quadratische Abweichung MSE oder über die Wurzel der mittleren quadratischen Abweichung RMSE berechnet werden.
  • Gemäß einer Ausführungsform umfasst das Lernverfahren eine zweite Ebene zum Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen.
  • Gemäß einer Ausführungsform ist vorgesehen, dass wenigstens ein Schritt des Lernverfahrens, insbesondere Schritte zum Optimieren der Struktur des neuronalen Netzes und/oder Schritte zum Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen, auf einem heuristischen Verfahren, insbesondere einem Simulated Annealing-Verfahren, basieren. Vorteilhafterweise handelt es sich dabei um ein eingebettetes Simulated Annealing Verfahren. Dadurch kann die Kritikalität in einer eingebetteten Umgebung untersucht werden, in der andere herkömmliche Verfahren nicht funktionieren. Beispielsweise ist die Microcontroller-Umgebung eines Steuergeräts nicht in der Lage auf der Fuzzy-Fault-Tree-Analysis Ebene zu arbeiten. Daher wird die Umwandlung in ein flexibles, neuronales Netz vorgeschlagen. Vorteilhafterweise werden sowohl die Schritte zum Optimieren der Struktur des neuronalen Netzes und die Schritte zum Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen durch ein eingebettetes Simulated-Annealing-Verfahren durchgeführt. Es wird also vorgeschlagen, dass sowohl die erste Ebene des Lernverfahrens zum Optimieren der Struktur des flexiblen, neuronalen Netzes als auch die zweite Ebene des Lernverfahrens zum Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen des Lernverfahrens durch ein eingebettetes Simulated-Annealing-Verfahren erfolgen.
  • Gemäß einer Ausführungsform ist vorgesehen, dass Schritte zum Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen, das Ausführen eines Optimierungsalgorithmus umfassen.
  • Gemäß einer Ausführungsform ist vorgesehen, dass das Optimieren der Struktur des flexiblen, neuronalen Netzes und/oder das Optimieren der von Parametern der Zugehörigkeitsfunktion wiederholt ausgeführt werden, bis ein Abbruchkriterium erreicht ist.
  • Gemäß einer Ausführungsform ist vorgesehen, dass das Abbruchkriterium durch Erreichen oder Überschreiten einer bestimmten Anzahl an Iterationen oder durch Ablauf einer vorgebbaren Zeitdauer oder durch Erreichen einer Optimierung gegeben ist.
  • Gemäß einer Ausführungsform ist vorgesehen, dass das Optimieren der Struktur des flexiblen, neuronalen Netzes und das Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen abwechselnd wiederholt ausgeführt werden. Vorteilhafterweise wird das Lernverfahren solange ausgeführt, bis ein optimiertes, flexibles, neuronales Netz bestimmt wurde.
  • Gemäß einer Ausführungsform ist vorgesehen, dass Ableiten von Kritikalitätswerten der Fuzzy-Basisereignisse aus dem optimierten, flexiblen, neuronalen Netz anhand der Anzahl der Fuzzy-Basis-Ereignisse des optimierten, flexiblen, neuronalen Netzes normiert mit dem optimierten Parameter der zweiten Ebene des jeweiligen Fuzzy-Basis-Ereignisses erfolgt.
  • Weitere Ausführungsformen beziehen sich auf ein Computerprogramm, wobei das Computerprogramm computerlesbare Instruktionen umfasst, bei deren Ausführung durch einen Computer ein computerimplementiertes Verfahren gemäß den Ausführungsformen ausgeführt wird.
  • Weitere Ausführungsformen beziehen sich auf eine Verwendung eines Verfahrens gemäß den Ausführungsformen und/oder eines Computerprogramms gemäß den Ausführungsformen in einer eingebetteten Umgebung eines technischen Systems zum Nachweisen und/oder Überprüfen von Funktionalitäten des technischen Systems.
  • Weitere Ausführungsformen beziehen sich auf eine Verwendung eines Verfahrens gemäß den Ausführungsformen, und/oder eines Computerprogramms gemäß den Ausführungsformen zum Entwickeln eines technischen Systems.
  • Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Figuren der Zeichnung dargestellt sind. Dabei bilden alle beschriebenen oder dargestellten Merkmale für sich oder in beliebiger Kombination den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Patentansprüchen oder deren Rückbeziehung sowie unabhängig von ihrer Formulierung bzw. Darstellung in der Beschreibung bzw. in der Zeichnung.
  • Figurenliste
    • 1 eine schematische Darstellung von Aspekten eines Verfahrens zum Bestimmen von Kritikalitätswerten eines technischen Systems,
    • 2a eine schematische Darstellung von Aspekten eines neuronalen Netzes;
    • 2b eine schematische Darstellung von weiteren Aspekten eines neuronalen Netzes, und
    • 3 Schritte eines Lernverfahrens zum Optimieren eines neuronalen Netzes.
  • 1 zeigt eine schematische Darstellung von Aspekten eines Verfahrens 100 zum Bestimmen von Kritikalitätswerten eines technischen Systems.
  • Bei dem technischen System handelt es sich beispielsweise um eine Software, eine Hardware oder ein eingebettetes System. Das technische System umfasst eine Vielzahl von, insbesondere technischen, Komponenten.
  • Das Verfahren 100 umfasst einen Schritt zum Vorgeben einer zu erfüllenden Zuverlässigkeit des technischen Systems.
  • Das Verfahren 100 umfasst einen Schritt 110 zum Bereitstellen eines Fuzzy-Fehlerbaums 200 für das technische System.
  • Der Fuzzy-Fehlerbaum 200 wird beispielsweise im Rahmen einer Fehlerbaumanalyse des technischen Systems erstellt. Eine bespielhafte Darstellung des Fehlerbaums ist in 1 ebenfalls dargestellt.
  • An der Spitze des Fuzzy-Fehlerbaums 200 steht ein Fuzzy-Top-Ereignis 210. Das Fuzzy-Top-Ereignis 210 repräsentiert ein unerwünschtes Ereignis, beispielsweise den Gesamtausfall des technischen Systems. Das Fuzzy-Top-Ereignis 210 wird beispielsweise im Rahmen einer Gefahrenanalyse ermittelt und durch sogenannte Requirements, die die Anforderungen an die Zuverlässigkeit des technischen Systems beschreiben, vorgegeben.
  • Gemäß 1 sind beispielhaft neun Fuzzy-Basisereignisse 220 dargestellt. Verknüpfungen zwischen den Fuzzy-Basisereignisse 220 sind durch logische, programmierbare UND-Operatoren und/oder durch logische, programmierbare ODER-Operatoren darstellt. Jedes Fuzzy-Basisereignis 220 wird durch eine Fuzzy-Zugehörigkeitsfunktion repräsentiert.
  • Die UND-Operatoren und ODER-Operatoren werden als Redundanzfunktionen interpretiert.
  • Das Verfahren 100 umfasst weiter einen Schritt 120 zum Transformieren des Fuzzy-Fehlerbaums 200 in ein flexibles, neuronales Netz 300 umfassend eine Baumstruktur.
  • Beim Transformieren des Fuzzy-Fehlerbaums 200 werden die Fuzzy-Zugehörigkeitsfunktionen der Basisereignisse 220 und die Verknüpfungen 230 zwischen den einzelnen Basisereignissen 220 in Neuronen des flexiblen, neuronalen Netzes 300 übersetzt.
  • Das flexible, neuronale Netz basiert somit auf einer Menge F an Fuzzy-Funktionen, wobei die Fuzzy-Funktionen die Redundanzfunktionen der logischen, insbesondere programmierbaren, UND/ODER-Operatoren des Fuzzy-Fehlerbaums 200 umfassen.
  • Weiter basiert das flexible, neuronale Netz auf einer Menge _T an Fuzzy-Terminal-Instruktionen, wobei die Fuzzy-Terminal-Instruktionen die Fuzzy-Zugehörigkeitsfunktionen des Fuzzy-Fehlerbaums 200 umfassen.
  • Ein Modell S des flexiblen, neuronalen Netzes ist mathematisch gegeben durch S = F ∪ _ T
    Figure DE102020213888A1_0001
    wobei F = {+2; +3; ...; +N) die Redundanzfunktionen für innere Knoten mit i Eingängen des flexiblen neuronalen Netzes bezeichnet, mit i=2, ..., N, und _T = {x1; x2; ...; xn} Instruktionen für Eingangsknoten mit keinen weiteren Eingängen des neuronalen Netzes bezeichnet.
  • Der Aufbau des flexiblen, neuronalen Netzes wird anhand der 2a und 2b verdeutlicht.
  • Die Funktion +i eines inneren Knotens wird auch als flexibler Neuronen Operator mit i Eingängen bezeichnet.
  • Beim Erstellen des flexiblen, neuronalen Netzes 300 durch Transformieren 110 des Fuzzy-Fehlerbaums 200 wird für einen jeweiligen inneren Knoten, dem eine Funktion +i zugeordnet ist, werden die Werte für i aus der Struktur des Fuzzy-Fehlerbaums 200 abgeleitet. Die Werte für i veranschaulichen die Anzahl der Eingänge der jeweiligen inneren Knoten.
  • Weiter werden zwei anpassbare Parameter ai und bi als Parameter für eine flexible Aktivierungsfunktion f mit f(ai,bi,x)=tan-1((x-ai)/(bi)) gebildet. Das Bilden der Parameter ai und bi erfolgt beispielsweise zufällig unter Verwendung der Monte-Carlo-Methode für eine Wahrscheinlichkeitsdichtefunktion der Topologie des Fuzzy-Fehlerbaums 200.
  • Für das flexible, neuronale Netz 300 wird üblicherweise eine nicht dynamische, flexible Aktivierungsfunktion verwendet.
  • Die Eingangsknoten werden über ihre Kanten mit wj gewichtet. Der Einfluss der Eingangsknoten auf die inneren Knoten kann somit beschrieben werden über net n = ∑ i = 1 n w j ∗ x j .
    Figure DE102020213888A1_0002
  • Der Ausgang eines inneren Knotens kann somit beschrieben werden über o u t n = ƒ ( a n , b n , n e t n ) .
    Figure DE102020213888A1_0003
  • 2b zeigt schematisch ein flexibles, neuronales Netz 300. Die Darstellung in 2b ist beispielhaft ein optimiertes, neuronales Netz 300-opt.
  • Das Verfahren 100 umfasst weiter einen Schritt 130 zum Bestimmen eines optimierten, flexiblen, neuronalen Netzes 300-opt durch Ausführen eines Lernverfahrens zum Optimieren des flexiblen, neuronalen Netzes, wobei das optimierte, flexible neuronale Netz die zu erfüllende Zuverlässigkeit des technischen Systems erreicht. Das Lernverfahren umfasst das Optimieren auf zwei Ebenen. Auf einer ersten Ebene wird die Struktur des flexiblen, neuronalen Netzes optimiert. Auf einer zweiten Ebene werden die Parameter der Fuzzy-Zugehörigkeitsfunktionen optimiert.
  • Das Lernverfahren wird im Folgenden anhand 3 erläutert.
  • Das Lernverfahren umfasst einen eingebetteten, Simulated Annealing-Algorithmus. Dadurch kann die Kritikalität in einer eingebetteten Umgebung untersucht werden, in der andere herkömmliche Verfahren nicht funktionieren. Beispielsweise ist die Microcontroller-Umgebung eines Steuergeräts nicht in der Lage auf der Fuzzy-Fault-Tree-Analysis Ebene zu arbeiten. Daher wird die Umwandlung in ein flexibles, neuronales Netz vorgeschlagen.
  • In einem ersten Schritt 130-1 werden zunächst die initialen Werte für den eingebetteten Simulated Annealing-Algorithmus festgelegt.
  • In einem Schritt 130-2 wird die Struktur des flexiblen, neuronalen Netzes 300 durch den eingebetteten Simulated Annealing-Algorithmus optimiert. Beim Optimieren der Struktur wird die Anordnung der Neuronen im flexiblen, neuronalen Netz, insbesondere die Position und/oder Anzahl der Neuronen, verändert. Die Optimierung wird dabei bestimmt anhand der Fitnessfunktionen von den Fuzzy-Redundanzfunktionen. Die Fitnessfunktion wird dabei berechnet über die Mittlere quadratische Abweichung MSE oder über die Wurzel der mittleren quadratischen Abweichung RMSE, mit MSE ( i ) = 1 P ∑ j=1 P ( x 1 j -x 2 j ) 2
    Figure DE102020213888A1_0004
    und RMSE ( i ) = MSE ( i ) ,
    Figure DE102020213888A1_0005
    wobei P die Anzahl der Basis-Ereignisse und x 1 j , x 2 j
    Figure DE102020213888A1_0006
    die aktuellen Outputs des flexiblen, neuronalen Netzes angeben.
  • Der Schritt 130-2 kann vorteilhaftweise wiederholt ausgeführt bis ein Abbruchkriterium erreicht ist. Ein Abbruchkriterium ist beispielsweise das Erreichen einer maximalen Anzahl an Wiederholungen, das Erreichen einer Anzahl an Wiederholungen, in denen keine verbesserte Struktur gefunden wurde, oder das Auffinden einer verbesserten Struktur.
  • In einem Schritt 130-3 werden Parameter der Fuzzy-Zugehörigkeitsfunktionen optimiert. Vorteilhafterweise ist die Struktur des flexiblen, neuronalen Netzes in diesem Schritt fix und wird nicht verändert. Vorteilhafterweise hat das flexible, neuronale Netz die optimierte Struktur aus dem vorhergehenden Schritt 130-2. Die Parameter einer jeweiligen Fuzzy-Zugehörigkeitsfunktion formulieren einen Parametervektor. Die Parameter der Fuzzy-Zugehörigkeitsfunktionen werden durch lokales Suchen des Optimums der Parametervektoren optimiert.
  • Der Schritt 130-3 wird vorteilhafterweise wiederholt ausgeführt, bis ein Abbruchkriterium erreicht ist. Ein Abbruchkriterium ist beispielsweise das Erreichen einer maximalen Anzahl an lokalen Suchvorgängen oder das Erreichen einer Anzahl an Suchvorgängen oder einer Zeitdauer, in denen kein verbesserter Parametervektor der Zugehörigkeitsfunktionen gefunden wird.
  • Durch Ausführen des Lernverfahrens 130 wird ein optimiertes, flexibles, neuronales Netz 300-opt mit einer optimierten Struktur und optimierten Parametern bestimmt.
  • Wenn nach dem Ausführen des Schritts 130-3 eine zufriedenstellende Lösung, nämliche ein optimiertes, flexibles, neuronales Netz 300-opt, bestimmt wurde, wird das Lernverfahren 130 gestoppt. Wenn noch keine zufriedenstellende Lösung gefunden wurde, kann vorteilhafterweise der Schritt 130-2 und anschließend der Schritt 130-3 wiederholt ausgeführt werden.
  • Das Verfahren 100 umfasst weiter einen Schritt 140 zum Ableiten 140 von Kritikalitätswerten der Fuzzy-Basisereignisse 220 aus dem optimierten, flexiblen, neuronalen Netz 300-opt. Die Kritikalitätswerte der Fuzzy-Basisereignisse 220 des gegebenen Fuzzy-Fehlerbaums 200 werden abgeleitet aus der Anzahl der Fuzzy-Basis-Ereignisse des optimierten, flexiblen, neuronalen Netzes 300-opt.
  • Die Kritikalitätswert für ein jeweiliges Fuzzy-Basis-Ereignis wird normiert mit dem optimierten Parameter der zweiten Ebene des jeweiligen Fuzzy-Basis-Ereignis.
  • Der Kritikalitätswert wird im Folgenden beispielhaft anhand des in 2b optimierten, neuronalen Netzes 300-opt erläutert.
  • Das optimierte, neuronale Netzes 300-opt wurde anhand des Verfahrens 100 durch Anwenden des Lernverfahrens optimiert. Das Lernverfahren umfasst die Optimierung auf zwei Ebenen. Auf der ersten Ebene wird die Struktur optimiert. Auf der zweiten Ebene werden die Parameterwerte optimiert.
  • Aus der Struktur des optimierten, neuronalen Netzes 300-opt können folgende Anzahlen für die Fuzzy-Basis-Ereignisse ermittelt werden:
    • x1: 6
    • x2: 4
    • x3: 4.
  • Beispielhafte optimierte Parameterwerte der Fuzzy-Zugehörigkeitsfunktionen sind gegeben durch:
    • Für die sechs x1 Fuzzy-Basis-Ereignisse: 3, 5, 1, 9, 1, 4
    • Für die vier x2 Fuzzy-Basis-Ereignisse: 2, 4, 1, 2
    • Für die vier x3 Fuzzy-Basis-Ereignisse: 3, 6, 8, 8
  • Daraus ergeben sich die folgenden normierten Kritikalitätswerte:
    • Für x1: 6/(3+5+1+9+4) = 6/22
    • Für x2: 4/(2+4+1+2) = 4/9
    • Für x3: 4/(3+6+8+8) = 4/25
  • Anhand der Kritikalitätswerte kann die Kritikalität des technischen Systems wie folgt interpretiert werden:
    • Min (x1, x2, x3) = min (6/22, 4/9, 4/25)
  • Daraus folgt, dass das Fuzzy-Basis-Ereignis x3 das kritischste Element des technischen Systems ist.
  • Das beschriebene Verfahren 100 kann in einer eingebetteten Umgebung eines technischen Systems zum Nachweisen und/oder Überprüfen von Funktionalitäten des technischen Systems verwendet werden.
  • Weiter kann das beschriebene zum Entwickeln eines technischen Systems in der Entwicklungsphase verwendet werden.

Claims (12)

  1. Computerimplementiertes Verfahren (100) zum Bestimmen von Kritikalitätswerten eines technischen Systems, das Verfahren umfassend die folgenden Schritte: Vorgeben einer zu erfüllenden Zuverlässigkeit des technischen Systems, Bereitstellen (110) eines Fuzzy-Fehlerbaums (200) für das technische System, wobei der Fuzzy-Fehlerbaum (200) ein Fuzzy-Top-Ereignis (210) und mehrere Fuzzy-Basisereignisse (220) und logische, programmierbare Fuzzy-UND/ODER-Operatoren umfasst; Transformieren (120) des Fuzzy-Fehlerbaums (200) in ein flexibles, neuronales Netz (300) umfassend eine Baumstruktur; Bestimmen (130) eines optimierten, flexiblen, neuronalen Netzes (300-opt) durch Ausführen eines Lernverfahrens zum Optimieren des flexiblen, neuronalen Netzes (300), wobei das optimierte, flexible neuronale Netz die zu erfüllende Zuverlässigkeit des technischen Systems erreicht; Ableiten (140) von Kritikalitätswerten der Fuzzy-Basisereignisse (220) aus dem optimierten, flexiblen, neuronalen Netz (300-opt).
  2. Computerimplementiertes Verfahren (100) nach Anspruch 1, wobei das Lernverfahren eine erste Ebene zum Optimieren (130-2) der Struktur des flexiblen, neuronalen Netzes umfasst.
  3. Computerimplementiertes Verfahren (100) nach Anspruch 2, wobei eine Optimierung anhand einer Fitnessfunktion von Fuzzy-Redundanzfunktionen des Fuzzy-Fehlerbaums (200) bestimmt wird.
  4. Computerimplementiertes Verfahren (100) nach wenigstens einem der vorhergehenden Ansprüche, wobei das Lernverfahren eine zweite Ebene zum Optimieren (130-3) von Parametern der Fuzzy-Zugehörigkeitsfunktionen umfasst.
  5. Computerimplementiertes Verfahren (100) nach wenigstens einem der vorhergehenden Ansprüche, wobei wenigstens ein Schritt des Lernverfahrens, insbesondere Schritte (130-2) zum Optimieren der Struktur des neuronalen Netzes und/oder Schritte (130-3) zum Optimieren von Parametern der Fuzzy-Zugehörigkeitsfunktionen, auf einem heuristischen Verfahren, insbesondere einem eingebetteten Simulated Annealing-Verfahren, basieren.
  6. Computerimplementiertes Verfahren (100) nach wenigstens einem der vorhergehenden Ansprüche, wobei Schritte zum Optimieren (130-3) von Parametern der Fuzzy-Zugehörigkeitsfunktionen, das Ausführen eines Optimierungsalgorithmus umfasst.
  7. Computerimplementiertes Verfahren (100) nach wenigstens einem der vorhergehenden Ansprüche, wobei das Optimieren (130-2) der Struktur des flexiblen, neuronalen Netzes und/oder das Optimieren (130-3) der von Parametern der Zugehörigkeitsfunktion wiederholt ausgeführt werden, bis ein Abbruchkriterium erreicht ist.
  8. Computerimplementiertes Verfahren (100) nach Anspruch 7, wobei das Abbruchkriterium durch Erreichen oder Überschreiten einer bestimmten Anzahl an Iterationen oder durch Ablauf einer vorgebbaren Zeitdauer oder durch Erreichen einer Optimierung gegeben ist.
  9. Computerimplementiertes Verfahren (100) nach wenigstens einem der vorgehenden Ansprüche, wobei das Optimieren (130-2) der Struktur des flexiblen, neuronalen Netzes und das Optimieren (130-3) von Parametern der Fuzzy-Zugehörigkeitsfunktionen abwechselnd wiederholt ausgeführt werden.
  10. Computerimplementiertes Verfahren (100) nach wenigstens einem der vorgehenden Ansprüche, wobei das Ableiten (140) von Kritikalitätswerten der Fuzzy-Basisereignisse (220) aus dem optimierten, flexiblen, neuronalen Netz (300-opt) anhand der Anzahl der Fuzzy-Basis-Ereignisse des optimierten, flexiblen, neuronalen Netzes (300-opt) normiert mit dem optimierten Parameter der zweiten Ebene des jeweiligen Fuzzy-Basis-Ereignisses erfolgt.
  11. Computerprogramm (PRG-1), wobei das Computerprogramm (PRG-1) computerlesbare Instruktionen umfasst, bei deren Ausführung durch einen Computer ein computerimplementiertes Verfahren (100) nach einem wenigstens einem der Ansprüche 1 bis 10 ausgeführt wird.
  12. Verwendung eines Verfahrens (100) gemäß wenigstens einem der Ansprüche 1 bis 10, und/oder eines Computerprogramms (PRG-1) gemäß Anspruch 11 in einer eingebetteten Umgebung eines technischen Systems zum Nachweisen und/oder Überprüfen von Funktionalitäten des technischen Systems und/oder zum Entwickeln eines technischen Systems.
DE102020213888.5A 2020-11-04 2020-11-04 Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems Pending DE102020213888A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102020213888.5A DE102020213888A1 (de) 2020-11-04 2020-11-04 Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems
US17/449,733 US20220138533A1 (en) 2020-11-04 2021-10-01 Computer-implemented method for determining criticality values of a technical system
CN202111292981.8A CN114443376A (zh) 2020-11-04 2021-11-03 用于确定技术系统的临界值的计算机实现的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020213888.5A DE102020213888A1 (de) 2020-11-04 2020-11-04 Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems

Publications (1)

Publication Number Publication Date
DE102020213888A1 true DE102020213888A1 (de) 2022-05-05

Family

ID=81184345

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020213888.5A Pending DE102020213888A1 (de) 2020-11-04 2020-11-04 Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems

Country Status (3)

Country Link
US (1) US20220138533A1 (de)
CN (1) CN114443376A (de)
DE (1) DE102020213888A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022207998A1 (de) 2022-08-02 2024-02-08 Robert Bosch Gesellschaft mit beschränkter Haftung Fuzzy-Fehlerbaumanalyse mit einem rekurrenten neuronalen Netzwerk

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796589B (zh) * 2022-12-05 2023-09-29 三亚学院 纯电动汽车三电系统风险隐患灵敏度分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022207998A1 (de) 2022-08-02 2024-02-08 Robert Bosch Gesellschaft mit beschränkter Haftung Fuzzy-Fehlerbaumanalyse mit einem rekurrenten neuronalen Netzwerk

Also Published As

Publication number Publication date
CN114443376A (zh) 2022-05-06
US20220138533A1 (en) 2022-05-05

Similar Documents

Publication Publication Date Title
EP2185980B1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung mit hilfe neuronaler netze
EP3511126A1 (de) Verfahren zur rechnergestützten planung eines durch einen roboter ausführbaren arbeitsablaufs
EP2112569B1 (de) Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems
EP2112568A2 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
EP3542313B1 (de) Verfahren zum berechnen einer ausgabe eines neuronalen netzes
DE102018109835A1 (de) Verfahren und Vorrichtung zum Ermitteln einer Netzkonfiguration eines neuronalen Netzes
DE102020213888A1 (de) Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems
DE102017218851A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung eines tiefen neuronalen Netzes
EP3188053A1 (de) Verfahren zum konfigurieren einer co-simulation für ein gesamtsystem
DE112019001278T5 (de) Globale suchvorrichtung und programm für ein kontinuierliches optimierungsproblem
DE202019103862U1 (de) Vorrichtung zum Erstellen einer Strategie für einen Roboter
WO2016198046A1 (de) Verfahren für die auswahl eines simulationsmodells zur abbildung wenigstens eines funktionalen prozesses einer antriebsstrangkomponente aus einer optimierten modellmenge
DE102019210372A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Erstellen einer Strategie für einen Roboter
DE10222700B4 (de) Computergestütztes Verfahren zur Massen- und/oder Funktionsoptimierung von Fahrzeugkomponenten und -strukturen
DE10222699B4 (de) Computergestütztes Verfahren und Vorrichtung zur Optimierung von Fahrzeugstrukturen und -komponenten
EP3779619B1 (de) Verfahren und vorrichtung zur bestimmung emergenter risiken eines technischen systems
DE102020210690A1 (de) Verfahren, Computerprogramm und Vorrichtung zum Bestimmen eines dominanten Fuzzy-Fehlerbaums für ein technisches System
DE102019215268A1 (de) Verfahren und Vorrichtung zum Betreiben eines elektrochemischen Bearbeitungssystems
DE102022112606B3 (de) Computerimplementiertes Verfahren zur Kalibrierung eines technischen Systems
DE102020133654B3 (de) Computerimplementiertes Verfahren zur Modifizierung einer Komponente eines computergenerierten Modells eines Kraftfahrzeugs
WO2021249941A1 (de) Verfahren und vorrichtung zur automatischen untersuchung eines verhaltens einer technischen einrichtung
DE102016001837B4 (de) Verfahren zur computerunterstützten Vorhersage der Form eines in einem Umformprozess umzuformenden Blech-Bauteils
EP3494507B1 (de) Verfahren zur prüfung der verfügbarkeit und integrität eines verteilt gespeicherten datenobjekts
DE102022200160A1 (de) Verfahren zum Optimieren eines Prozesses
DE102021208368A1 (de) Computerimplementiertes Verfahren zur Entwicklung eines Produkts in einem vernetzten System und Anwendersystem zur computergestützten Entwicklung eines Produkts