Komplexe technische Systeme wie Flugzeuge, Kraftwerke oder Produktionsanlagen spielen in unserer heutigen Welt eine wichtige Rolle, da große Teile der Gesellschaft täglich auf ihr korrektes Funktionieren angewiesen sind. Das Erreichen einer hohen Systemverfügbarkeit ist daher ein wichtiges Ziel für Systembetreiber. Eine genaue Abschätzung der zukünftigen Leistungsfähigkeit eines Systems ist jedoch nicht trivial, da moderne Systeme oft aus vielen Einzelteilen und Subsystemen zusammengesetzt sind und oft in unterschiedlichen Betriebsmodi oder wechselnden Umgebungen betrieben werden. Traditionelle statistikbasierte Methoden aus dem Reliability Engineering stoßen hier an ihre Grenzen, da sie den tatsächlichen Systemzustand oft nur schwer erfassen können. Einen alternativen Ansatz bietet die noch junge Disziplin des Prognostics and Health Management (PHM), bei der on-board Sensorik genutzt wird, um den aktuellen sowie zukünftigen Gesundheitszustand eines Systems auf Basis von Messwerten abzuschätzen. Wenig erforscht ist dabei jedoch, wie sich die durch einen PHM Ansatz gewonnen Lebensdauerabschätzungen einzelner Komponenten eines Mehrkomponentensystems auf Systemebene aggregieren lassen, sodass der Betreiber eine zuverlässige Systemzustandsvorhersage als Entscheidungsunterstützung erhält.

In dieser Arbeit wird diese Forschungsfrage untersucht und eine dynamisch-hybride Zuverlässigkeitsmethode (engl. Dynamic Hybrid Reliability Method, DHRM) entwickelt. Das DHRM kombiniert dabei traditionelle Methoden des Reliability Engineerings mit dem neuartigen PHM-Ansatz. Basierend auf der V-Modell Entwicklungsmethodik wird in dieser Thesis beschrieben, wie das DHRM entworfen, implementiert, verifiziert und abschließend evaluiert wird. Das Gesamtkonzept wird dabei auf drei verschiedenen Aggregationsebenen beschrieben, nämlich der Bauteil-, Komponenten- und Systemebene. Auf der Bauteilebene wird die Integration von PHM-Ergebnissen in einen Zuverlässigkeitskontext beschrieben, während auf der Komponentenebene ein Fehlerbaummodell zur weiteren Aggregation verwendet wird. Für die Systemebene wird schließlich ein Zustandsraummodell verwendet, um die einzelnen Zustände des betrachteten Systems abzubilden. Die Konzeption der Methode schließt mit der Darstellung der Berücksichtigung von Unsicherheiten im gesamten Modell und der Implementierung eines Software-Prototyps für die Berechnung des DHRM ab.

Das fertige DHRM wird anschließend auf das Control Surface Actuation System (CSAS) einer Hybriddrohne angewendet, um die Anwendbarkeit zu untersuchen. Die Degradation des CSAS wird mittels künstlich generierter Fehlerdaten auf Basis eines stochastischen Differentialgleichungssystems simuliert. Zur Erstellung der benötigten Ausfallvorhersagen wird ein PHM-Algorithmus auf Basis einer Gaußprozess-Regression verwendet. Um die Fähigkeiten der neuen Methode zu bewerten, wird das DHRM des CSAS für verschiedene Parameterkombinationen berechnet und mit einem Referenzfall ohne dynamische PHM-Eingangsdaten verglichen. In einer Evaluierungsphase werden die Ergebnisse des DHRM dann mittels einer Reihe vordefinierter Metriken quantifiziert und mit dem Referenzfall verglichen. Es wird gezeigt, dass das DHRM die Referenzmethode in Bezug auf Genauigkeit und Präzision übertrifft.

Die Arbeit schließt mit einer Diskussion der Ergebnisse ab. Die Hauptvorteile des neuartigen DHRM liegen darin, dass es nicht nur die bevorstehenden Zustandsübergänge genauer vorhersagen kann, sondern auch eine präzise Schätzung des tatsächlichen neuen Zustands liefert, in den das System eintreten wird. Dies wird als einer der Hauptvorteile dieser Methode angesehen, da sie es den Betreibern ermöglicht, mit einem genauen Wissen über die zukünftigen Systemfähigkeiten vorauszuplanen. Dieser Ansatz hat jedoch auch seine Grenzen, da die Qualität der DHRM-Ergebnisse weitgehend von der Genauigkeit und Verfügbarkeit der erforderlichen PHM-Ergebnisse abhängt.