Startseite > Automotive > Software + Tools > Dem Worst Case auf der Spur (Teil 2)

Robustness Validation

Dem Worst Case auf der Spur (Teil 2)

7. Juni 2010, 14:59 Uhr | Thorsten Gerke

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 2

Root-Sum-Square- und Monte-Carlo-Analyse

Die RSS-Methode beruht darauf, die statistisch verteilten Toleranzen von allen in Betracht gezogenen Design- Parametern in eine einzelne Gauß’sche Normalverteilung zu transformieren, welche den Einfluss der Toleranzen auf die zu bewertende Größe (z.B. eine zu messende Flankensteilheit) darstellt. Der Worst Case liegt dann für den Fall der dreifachen Standardabweichung (3σ) vor. Eine fundamentale Annahme der RSS-Methode ist die Linearität zwischen Messgröße und Parameterabhängigkeit, was eine deutliche Einschränkung bei der Modellbildung darstellt (z.B. Modellierung von Sättigungseffekten nicht möglich).

Die Monte-Carlo-Analyse stellt wohl die bekannteste Methode dar, wenn es um die Untersuchung von Design- Toleranzen und Worst Cases geht. Häufig als „Allheilmittel“ angesehen, ist sie zunächst ein rein statistisches Werkzeug, das unter Einbeziehung der spezifizierten Parametertoleranzen und zugehöriger Verteilungsfunktion (z.B. normal- oder gleichverteilt) die variablen Parameter mit Hilfe eines Zufallsalgorithmus über eine vorgegebene Anzahl von Durchläufen variiert. Ein Vorteil der Monte- Carlo-Analyse gegenüber den obigen Verfahren ist, dass der Parameterwert überall innerhalb des zu untersuchenden Parameterraums liegen kann und diese Analyse dahingehend auch keinen Einschränkungen unterliegt. Für die Untersuchung des statistischen Verhaltens ist diese Analyse das wohl wichtigste Werkzeug, das dem Entwickler zur Verfügung steht. Jedoch ist eine Untersuchung in Bezug auf das Worst-Case-Verhalten mit Hilfe der Monte-Carlo-Analyse eher unpraktisch, da häufig eine sehr große Anzahl an Simulationsdurchläufen notwendig ist, um den Worst Case aufzuspüren. Bei komplexen Designs kann dies zu wochenlangen Berechnungen führen. Alle obigen Verfahren haben den Vorteil, dass sie relativ einfach zu implementieren sind und in manchen Fällen auch nah an den Worst Case herankommen können. Ein großer gemeinsamer Nachteil der Verfahren ist aber, dass alle völlig ungerichtet arbeiten, da sie nicht gezielt nach dem Worst Case suchen. Zudem untersuchen sie eventuell große Teile des zur Verfügung stehenden Parameterraums, die für den Worst Case gar nicht relevant sind. Die neuartige Worst-Case-Analyse in Saber kann dieses Problem lösen.