Software Reliability Engineering im Infotainment - Georg-August ...
Software Reliability Engineering im Infotainment - Georg-August ...
Software Reliability Engineering im Infotainment - Georg-August ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
„finite failure model“ (Farr 1996, S. 80). Das Modell wurde erstmals 1979 von Goel<br />
und Okumoto vorgestellt und stellt die Basis für Modelle dar, die die beobachtete<br />
Fehlerzustandsanzahl pro Zeiteinheit nutzen (vgl. Farr 1996, S. 80). Obwohl<br />
verschiedene NHPP-Modelle existieren, können die meisten NHPP-basierten SRMs als<br />
spezielle Fälle dieses allgemeinen Modells gesehen werden (vgl. Huang; Lyu; Kuo<br />
2003, S. 262). Diese Modelle beachten den „debugging“ Prozess als einen Zählprozess<br />
(counting process), der sich durch die Mittelwertfunktion auszeichnet (Pham 2006, S.<br />
179). Die Modelle gehen von folgenden Annahmen aus:<br />
- Die kumulierte Anzahl der Fehlerwirkungen zu einem Zeitpunkt t, M(t), folgt einem<br />
Poissonprozess mit einer Mittelwertfunktion µ(t). Die Mittelwertfunktion ist so<br />
gestaltet, dass die erwartete Anzahl von Fehlerzustandereignissen für eine beliebige Zeit<br />
t zu t + ∆t proportional zu der erwarteten Anzahl von unentdeckten Fehlerzuständen in<br />
einer Zeit t ist.<br />
- Die Anzahl der entdeckten Fehlerzustände ( f f ,..., )<br />
Intervalle [( t , t ),<br />
( t , t ),<br />
( t , t ),<br />
...( t , t )]<br />
Sammlung für die Zeit,<br />
0 0 1 1 2 i−1<br />
1 n−1<br />
1 , 2 f n in jeder der entsprechenden<br />
= ist unabhängig für eine beliebige<br />
t < t < ... < t<br />
1 2 n .<br />
Das Hauptmerkmal dieses Modelltyps ist, dass es eine Mittelwertfunktion gibt, welche<br />
definiert ist, als die erwartete Fehlerwirkungsanzahl bis zu einem gegebenen Zeitpunkt<br />
(vgl. Xie 1991, S. 25). Die NHPP-Modelle unterscheiden sich daher in ihren<br />
Mittelwertfunktionen (vgl. Huang; Lyu; Kuo 2003, S. 262). Die Parameter des Modells<br />
werden normalerweise mit der „max<strong>im</strong>um likelihood“ Methode best<strong>im</strong>mt (vgl. Pham<br />
2006, S. 179).<br />
{ N( t),<br />
t ≥ 0}<br />
n<br />
stellt einen Zählprozess, der die kumulierte Anzahl der entdeckten<br />
Fehlerzustände be<strong>im</strong> Zeitpunkt t abbildet, dar. Ein SRM, das auf einem NHPP mit der<br />
Mittelwertfunktion (MVF) m(t) basiert, kann wie folgt formuliert werden:<br />
P<br />
{ N()<br />
t = n}<br />
=<br />
n<br />
( ) −m()<br />
t<br />
m t<br />
n<br />
!<br />
e<br />
, n<br />
=<br />
0,1, 2,...<br />
wobei m(t) die erwartete kumulierte Anzahl von Fehlerzuständen, die in der Zeit t<br />
entdeckt wurden, repräsentiert. Die MVF m(t) n<strong>im</strong>mt nicht ab in Bezug auf die Testzeit<br />
t unter der begrenzten Voraussetzung m ( ∞ ) = a<br />
, wobei a die erwartete totale<br />
Fehlerzustandsanzahl ist, die eventuell entdeckt wird. Die MVF m(t) zu kennen, kann<br />
23