Realitätsnahe Modellierung und Analyse der operativen Zuverlässigkeitskennwerte technischer Systeme

Abstract

Die Forderungen nach einer gesteigerten Verfügbarkeit und minimierten Kosten eines Systems erfordern den Einsatz einer realitätsnahen Modellierungs- und Analysemethode, die eine Entscheidung zwischen alternativen Systemkonfigurationen, Instandhaltungsstrategien und Ersatzteillogistikkonzepten unterstützt sowie die Prognose der operativen Zuverlässigkeitskennwerte und der Kosten ermöglicht. Im Rahmen dieser Arbeit wurde eine entsprechende Modellierungs- und Analysemethode entwickelt und durch geeignete Beispielsysteme verifiziert und validiert. Zunächst wurden dafür die grundlegenden Aspekte der Modellierung für die Zuverlässigkeit, die Instandhaltung und die Ersatzteillogistik eines Systems bestimmt. Zur Bewertung eines Systems wurden die operativen Zuverlässigkeitskennwerte definiert, die durch die Analyse unter Betriebsbedingungen bestimmt werden. Weiterhin wurde die Zusammensetzung und Berechnung der operativen Kosten dargestellt. Durch Abhängigkeiten kann das Ausfall-, Instandhaltungs- und Zustandsverhalten der Komponenten beeinflusst werden, was durch eine geeignete Modellierungsmethode beschreibbar sein muss. Die Elemente für die korrekte Beschreibung der Ausfall- und Instandhaltungsabhängigkeiten wurden definiert. Für einzelne Abhängigkeiten wurden geeignete Analysemethoden beschrieben, die als Verifikationsgrundlage dienen. Das erweiterte stochastische Petrinetz und das erweiterte farbige stochastische Petrinetz wurden als Modellierungsmethoden definiert. Als Ergänzung in Bezug auf die Zuverlässigkeitsstruktur wurde die verbundene Modellierung entwickelt. Die verbundene Modellierung stellt die leistungsfähigste Modellierungsmethode für die realitätsnahe Systemmodellierung dar und ermöglicht eine flexible, übersichtliche und nachvollziehbare Modellierungsprozedur. Sie erlaubt die Beschreibung der folgenden Aspekte in den Modellierungsebenen des Systems: - Systemebene: Zuverlässigkeitsstruktur und Systemzustände. - Komponentenebene: Mehrere operative Komponentenzustände mit zeitabhängigen Ausfallraten, Beschreibung der Lebensdauern durch Verteilungsfunktionen, Alterung der Komponenten und Ausfallabhängigkeiten. - Instandhaltungsebene: Instandhaltungsstrategie, Instandhaltungsmaßnahmen durch Verteilungsfunktionen, deterministische Wartungsintervalle, Erneuerungsgrad, Warteschlangenverhalten und Instandhaltungsabhängigkeiten. - Logistikebene: Instandhaltungskapazitäten, Ersatzteillager und Bestellverfahren. - Kostenebene: Operative Kosten Eine Analysemethode für das realitätsnahe Systemmodell wurde auf der Basis der Monte-Carlo-Simulation entwickelt. Die Methode stellt die notwendigen Algorithmen für die Nachbildung des stochastischen Verhaltens des verbundenen Systemmodells bereit und ermöglicht die Ermittlung der operativen Zuverlässigkeitskennwerte und der Kosten des modellierten Systems. Die Entwicklungs- und Simulationsumgebung PetriSim erlaubt die komfortable Entwicklung und die leistungsfähige Analyse eines Systemmodells sowie die Verwaltung von Simulationsprojekten. Durch die Anwendung von PetriSim lassen sich die folgenden operativen Kennwerte analysieren: - Für das System: Operative Zuverlässigkeit und Verfügbarkeit. - Für die Komponenten: Operative Zuverlässigkeit, Ausfallwahrscheinlichkeit in den unterschiedlichen Betriebszuständen und Verfügbarkeit. - Für die Instandhaltung und Ersatzteillogistik: Operative Instandsetzbarkeit, Instandhaltbarkeit und Inspizierbarkeit sowie logistische Wartezeit, Instandhaltungswartezeit und Servicegrad. - Für die operativen Kosten: Produktionsausfallkosten, Betriebskosten, Wartekosten, Kosten für Reparaturen, Kosten für planmäßige Instandhaltung, Kosten für Inspektionen und Ersatzteillagerkosten. PetriSim wurde in mehreren Stufen verifiziert, wobei der Schwerpunkt auf der Verifikation der Simulationsergebnisse lag. Hierbei wurde unter anderem der Einfluss der verwendeten Verteilungsfunktion – bei gleicher mittlerer Lebensdauer – auf die resultierende Systemverfügbarkeit bestätigt. Durch die beispielhafte Modellierung und Analyse von Systemen wurde die praktische Anwendbarkeit der Methode demonstriert. Hierzu wurde die Umsetzung einiger Aspekte der Modellierungsebenen des Systemmodells vorgestellt. Abschließend wurde eine Produktionsanlage, die mehrere Ausfall- und Instandhaltungsabhängigkeiten besitzt, für die beispielhafte Analyse betrachtet. Unterschiedliche Instandhaltungsstrategien der Produktionsanlage wurden hinsichtlich der resultierenden operativen Zuverlässigkeitskennwerte und Kosten analysiert.

The demands for an increased availability and minimized costs of a system require the application of a close-to-reality modelling and analysis method, which supports the decisions between alternative system configurations, maintenance strategies and concepts of spare part logistics as well as enables the prognosis of the operational reliability characteristics and costs. An appropriate modelling and analysis method was developed within the scope of this work and was verified and validated by exemplary systems. First of all, the fundamental modelling aspects of reliability, maintenance and spare parts logistics of the system were determined. For the evaluation of a system the operational reliability characteristics were defined, which are analysed under operating conditions. Furthermore, the composition and calculation of the operational costs were given. The failure, maintenance and state behaviour of the components can be influenced by dependencies, which have to be describable by an adequate modelling method. The elements for a correct description of the failure and maintenance dependencies were defined. For single dependencies, appropriate analysis methods were described, which served as base for the verification. The extended stochastic Petri net and the extended coloured stochastic Petri net were defined as modelling methods. As addendum with regard to the reliability structure, the conjoint system model was developed. The conjoint system model represents the highest-performance method for the close-to-reality system modelling and allows for a flexible, concise and traceable modelling procedure. It enables to describe the following aspects of the modelling levels: - System level: Reliability structure and states of the system. - Component level: Several operational states of the components with time-dependent failure rates, life times described by distribution functions, aging of the components and failure dependencies. - Maintenance level: Maintenance strategy, maintenance actions described by distribution functions, deterministic maintenance intervals, degree of renewal, queuing behaviour and maintenance dependencies. - Logistics level: Maintenance resources, spare part inventories and re-order policies. - Cost level: Operational costs The analysis method for the close-to-reality system model was developed on base of the Monte-Carlo simulation. The method provides the necessary algorithms for the emulation of the stochastic behaviour of the conjoint system model and enables to determine the operational reliability characteristics and costs of the modelled system. The development- and simulation-environment “PetriSim” allows for a comfortable development and powerful analysis of a system model as well as for the administration of simulation projects. By applying PetriSim the following operational characteristics can be analysed: - For the system: Operational reliability, failure probability and availability. - For the components: Operational reliability, failure probability in the different states of operation and availability. - For maintenance and spare parts logistics: Operational reparability, maintainability and inspectability as well as maintenance delay time, supply delay time and service level. - For the operational costs: Costs due to loss of production, operating costs, cost due to delays, cost of repairs, costs of scheduled maintenance, cost of inspections and cost of spare part inventories. PetriSim was verified in several steps, whereas the emphasis had been laid on the verification of the simulation results. In this connection, amongst other things, the influence of the applied distribution function – with identical mean life time – on the resulting system availability could be confirmed. By modelling and analysis of exemplary systems, the practical applicability of the method has been demonstrated. For this purpose, the realisation of several aspects of the modelling levels of the system model was presented. Completing, a production line with several failure and maintenance dependencies was considered for an exemplary analysis. Different maintenance strategies were investigated with respect to the resulting operational reliability characteristics and costs.