Software Reliability Engineering im Infotainment - Georg-August ...

Weitere Magazine

Empfehlungen

Info

mittelschwere Fehler, wohingegen die mittlere und kleine Head Unit weniger komplex sind und mehr leichte Fehler zeigen. Abbildung 5.2-2 Problemschwere nach ähnlichen Komponenten Durchschnitt nach ähnlichem Verhalten (GHU und TEL) Schwere Fehler (%) 2% Leichte Fehler (%) 35% Mittelschwere Fehler (%) 63% Leichte Fehler (%) Mittelschwere Fehler (%) Schwere Fehler (%) Durchschnitt nach ähnlichem Verhalten (MHU und KHU) Mittelschw ere Fehler (%); 37,2 Schw ere Fehler (%); 0,3 Leichte Fehler (%); 62,5 Leichte Fehler (%) Mittelschw ere Fehler (%) Schw ere Fehler (%) Aufgrund der unterschiedlichen Anteile nach verschiedenen Problemschweren wurden in der vorliegenden Arbeit alle Problemschweren gemeinsam mit SRM berechnet, um die Vergleichbarkeit zu gewährleisten. Für die Praxis kann es jedoch – je nach Zielen – relevant sein, nur best<strong>im</strong>mte Problemschweren mit SRM zu berechnen. Beispielsweise könnte man bei sehr komplexen Komponenten wie der großen Head Unit auch nur die mittelschweren und schweren Fehler analysieren und vorhersagen, da diese fast 2/3 aller Fehler ausmachen. Bei weniger komplexen Komponenten wie der mittleren und kleinen 64
Head Unit wäre dies jedoch nicht richtig, da hier die leichten Fehler – die in ihrer Masse jedoch auch nachteilig sind – 2/3 aller Fehler ausmachen. Neben den Prozentanteilen sind auch die absoluten Zahlen für diese Entscheidungen relevant, da es einen Unterschied macht, ob man Kurven für 2% von 100 oder von 10.000 Fehlern berechnet. 5.2.2 Interpretation und Vergleich der Ergebnisse in Bezug auf die Passung der Modelle Die Modellauswahl beinhaltet wie in Kapitel 3.3 beschrieben zwei Schritte: der erste Schritt bestand in der generellen Auswahl von Modellen, die für die Fragestellung und die Daten passend waren. Im zweiten Schritt wird – nachdem die ausgewählten Modelle auf die Daten angewandt und berechnet wurden – das von diesen Modellen am besten passende ausgewählt. Der zweite Schritt betrachtet die deskriptive und voraussagende Stärke eines Modells in Bezug auf die speziellen Daten. In der vorliegenden Arbeit wird nach Wallace (2001) diese deskriptive und voraussagende Stärke eines Modells dadurch berechnet, dass die geschätzte Gesamtfehleranzahl und die vorhergesagte Restfehleranzahl mit den realen Anzahlen verglichen werden. Für Chi-quadrat gilt, je kleiner die Werte sind, desto besser ist das Modell geeignet, vergleichbar zu anderen Modellen mit dem gleichen Datenbestand (vgl. Pham 2006, S. 182). Im Folgenden werden die Ergebnisse der Modellberechnungen in Bezug auf die Schätzung, Vorhersage und Testbeendigung miteinander verglichen. 5.2.2.1 Vergleich der Ergebnisse der Beispiele in Bezug auf die Schätzung der Gesamtfehler In der folgenden Tabelle 5.2-2 sind die Ergebnisse für die abgeschlossenen Integrationsstufen (IS) zusammengefasst. Da nur die abgeschlossenen Integrationsstufen einen Vergleich mit den realen Daten erlauben, wurden nur diese ausgewählt, um die deskriptive Stärke der Modelle in Bezug auf die Schätzung der Gesamtfehler zu vergleichen. Je näher der Prozentwert von TNF 100%, desto näher liegt der geschätzte Wert an dem realen Wert (=100%). In der Tabelle 5.2-2 ist jeweils das besser passende Modell markiert. Insgesamt kann man sagen, dass meist mit dem Yamada-Delayed-S-shaped Modell die bessere Schätzung vorgenommen wird. Nur bei der Kurve MHU-B ist das Goel-Okumoto besser geeignet. Dies zeigt sich auch bei der Betrachtung der Kurve (vgl. Abb. C-1). Sie ist deutlich konkav und hat keine Einschwingphase. Die Schätzungen liegen sehr nah an den realen Daten (+/-16%). In 65
Seite 1 und 2:
GEORG-AUGUST-UNIVERSITÄT GÖTTINGE
Seite 3 und 4:
Inhaltsverzeichnis Seite Zusammenfa
Seite 5 und 6:
5.1.1 Analyse der Komponente „gro
Seite 7 und 8:
Tabellenverzeichnis Seite Tabelle 5
Seite 9 und 10:
1 Einleitung 1.1 Software Reliabili
Seite 11 und 12:
werden zentrale Begriffe, Ziele und
Seite 13 und 14:
Kundenverlust führen. Auch können
Seite 15 und 16:
Zu den informalen Techniken gehöre
Seite 17 und 18:
Umsetzung der Anforderung einer Pha
Seite 19 und 20:
2.2.4.2 Testendekriterien Besonders
Seite 21 und 22: Wert ist interpretierbar als der Er
Seite 23 und 24: equired, for a specified time, in a
Seite 25 und 26: MTTF (mean time to failure) ist die
Seite 27 und 28: 3.2.1.2 Merkmale Software Reliabili
Seite 29 und 30: 3.2.1.4 Ziele und Einsatz von Softw
Seite 31 und 32: „finite failure model“ (Farr 19
Seite 33 und 34: 3. Die isolierten Fehlerzustände s
Seite 35 und 36: 2. Die Fehlerwirkungsentdeckungswah
Seite 37 und 38: für i = 1, 2, ..., n konvertieren,
Seite 39 und 40: Der Chi-Quadrat-Test wird als „go
Seite 41 und 42: 4 Anwendungsfeld, Datenbasis und De
Seite 43 und 44: Abbildung 4.1-1 Head Unit im BMW-Au
Seite 45 und 46: 4.3 Analyse der Datenausgangsbasis
Seite 47 und 48: Bei allen ausgewählten Komponenten
Seite 49 und 50: (vgl. Xie 1991, S. 25). Da es sich
Seite 51 und 52: Abbildung 4.6-1 Beispiel Intervall-
Seite 53 und 54: Prognose der Restfehler sowohl mit
Seite 55 und 56: Man sieht in der Abbildung 5.1-3, d
Seite 57 und 58: Diese Daten mit den Daten der obige
Seite 59 und 60: Abbildung 5.1-5 Fehlerkurve und kum
Seite 61 und 62: Tabelle 5.1-3 Einschätzung und Pro
Seite 63 und 64: 5.1.3 Analyse der Komponente „kle
Seite 67 und 68: Abbildung 5.1-11 Fehlerkurve und ku
Seite 71: Tabelle 5.2-1 Anteil der Fehlerarte
Seite 75 und 76: Tabelle 5.2-3 Vergleich der Restfeh
Seite 77 und 78: Tabelle 5.2-5 Vergleich der Bestimm
Seite 79 und 80: 6 Zusammenfassung In diesem abschli
Seite 81 und 82: Literaturverzeichnis (Birolini 2007
Seite 83 und 84: (Stahlknecht; Hasenkamp 2005): Stah
Seite 85 und 86: B Lesehilfe zum besseren Verständn
Seite 87 und 88: C Abbildungen zur Datenanalyse (nic
Seite 89 und 90: Abbildung C-5 Analyse der Daten mit
Seite 91: Eidesstattliche Erklärung Ich erkl
Alle anzeigen

Software Reliability Engineering im Infotainment - Georg-August ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?