Michelberger Pál (szerk.)

Bizonytalanság és biztonság

Fejezetek a mérnöki kockázatmenedzsmentből

Bevezetés

Egy kockázati esemény bekövetkezési valószínűségéből és a következmények súlyosságából eredő kockázati szintek határozzák meg napjaink vállalati kockázatelemzését, -értékelését és -kezelését. A kockázatkezelés szempontjából fontos kérdésként merül fel a becsült kockázati érték bizonytalansága, valamint a kiváltó okokkal, tényezőkkel szembeni érzékenység. A kockázatbecslési eljárások, matematikai modellek érzékenységi és bizonytalansági elemzéseinek eredményei felhasználhatók a kockázatkezelés során. A bemutatásra kerülő érzékenységelemzési módszerek eredményei alapján kijelölhetők a vizsgált rendszer vagy folyamat teljes kockázata leghatékonyabb csökkentésének pontjai. A Monte Carlo-szimulációra épülő bizonytalanságelemzés segítségével meghatározható a (javítható, illetve nem javítható) technikai rendszerek üzemeltetése során – figyelembe véve a gazdasági követelményeket – a tartalék alkatrészek optimális száma, valamint a célszerű javítási kapacitás mértéke is.

A műszaki megbízhatósági elemzések legfőbb célja a rendszer meghibásodási valószínűségének és védőgátjainak kvantitatív meghatározása. A technikai rendszerek kvantitatív megbízhatósági módszerekkel történő elemzésének alapjául szolgáló, általánosan elfogadott feltételezés az, hogy a rendszerek bináris komponensekből állnak (azaz ilyen eszközök kétféle állapotban lehetnek: működőképesek vagy hibásak). De számos olyan rendszer is létezik, amelyek összteljesítménye különböző szintű lehet, a többállapotú alkotóelemeik működési feltételeitől függően. A szakirodalomban az ilyen rendszert, többállapotú rendszernek (Multi-State System – MSS) nevezik (Zio, 2009).

A matematikai modell a matematika szimbólumrendszerén keresztül teremt kapcsolatot a vizsgált rendszer be- és kimenő jellemzői között (Pokorádi, 2008). A matematikai modellalkotás lényegében az adott rendszert, illetve a benne lejátszódó folyamatot leíró egyenletek, a kezdeti és peremfeltételeket, valamint a kapcsolódó adatrendszer felállítását, illetve a megoldó algoritmust jelenti.

Egy matematikai modell felállításakor, illetve a kapott eredmények elemzésekor mindig számolnunk kell valamilyen fajtájú, illetve mértékű bizonytalansággal. Ennek oka részben az, hogy ismereteink sosem teljesek a modellezett rendszerrel kapcsolatban, illetve a rendelkezésre álló adataink is némi pontatlansággal bírnak. A bizonytalanság elválaszthatatlan a modelltől, a gerjesztésektől és a modellparaméterektől. A bizonytalanságelemzés információt ad a kapott válaszok hibahatárairól, a modell eredményeinek elfogadási szintjéről.

Az elsőre elméletieskedő kérdésnek tűnő modellbizonytalanság fontos gyakorlati rendszer- (folyamat-) bizonytalansági problémákat jelent. A kockázatbecslési eljárások esetében például a műszaki rendszerek meghibásodásainak gyakorisága – azaz valószínűsége – nem egy konkrét értékként jellemezhető, mivel ezek az adatok (esetenként jelentős mértékben) eltérnek. Kockázati elemzéseink során általában a valós gyakorisági értékek átlagával számolunk.

Matematikailag megfogalmazva az úgynevezett érzékenységvektor elemei megmutatják, hogy az elemi események bekövetkezési valószínűségeinek értékcsökkenése vagy növekedése a főesemény bekövetkezési valószínűségének milyen mértékű csökkenését, illetve növekedését okozza. Másképpen fogalmazva: mely elemi esemény bekövetkezési valószínűségének változása bír a legnagyobb hatással a főesemény bekövetkezési valószínűségére.

Mérnöki szempontból ez azt mutatja meg, mely elemi eseményt létrehozó rendszerelem megbízhatóságának növelésével tudjuk a legnagyobb, illetve legkisebb mértékben javítani a teljes rendszer megbízhatóságát.

A bizonytalanság – annak forrása alapján történő – osztályozása megkülönböztet parametrikus (parameter uncertainty) és ismereti (epistemic uncertainty) bizonytalanságot.

Az ismereti bizonytalanság forrása általában az ismeretek vagy információk hiánya vagy téves volta, mely megakadályozhatja a modell helyes felállítását és a természet általános megfigyelési rendszereinek meghatározását.

Az ismereti bizonytalanság gyakorlati („mérnöki”) főbb forrásai lehetnek a nem megfelelő szakmai ismeret a vizsgált rendszerről és környezetéről, a fizikai, matematikai törvények helytelen alkalmazása vagy az inkorrekt modellegyszerűsítések. A parametrikus bizonytalanság elsődlegesen az objektivitáshoz kapcsolható, szemben az ismereti bizonytalansággal, mely az objektivitáshoz és szubjektivitáshoz egyaránt köthető, esetileg külön-külön, illetve egyszerre. Azaz a parametrikus bizonytalanság oka vagy a külső, input vagy a rendszer (modell) belső paramétereinek ingadozásai. Következésképpen a parametrikus bizonytalanság megfelelő módszerekkel modellezhető és elemezhető.

A parametrikus bizonytalanság főbb gyakorlati („mérnöki”) forrásait az alábbiakban foglalhatjuk össze: gyártási, üzemeltetési paraméterbeli eltérések; elöregedés; „elhangolódás”; helytelen kvantálás; pontatlan mérés; mérési zaj; nyelvi változók alkalmazása; helytelen (statisztikai) adatfeldolgozás. A könyv témájához kapcsolódóan ez utóbbira legmarkánsabb példa lehet a nem kívánt események bekövetkezési gyakoriságának statisztikai elemzése.

Jelen könyvrészlet előbb a repülőgéprendszerek és gázturbinás hajtóművek lineáris diagnosztikai elemzéseinél alkalmazott rendszerérzékenységi, modellvizsgálati eljárás módszertanát mutatja be általánosan. Az ezt követő fejezetek a hibafaelemzés (FTA), majd a hibamód- és hatáselemzés (FMEA) lineáris érzékenységvizsgálatára mutatnak példát.

Ezután a Monte Carlo-szimulációt – mint modellbizonytalansági, illetve érzékenységelemzési eljárást – ismerteti általánosan. Ezt követően a hibafaelemzés (FTA), illetve a javítható technikai rendszerek üzemeltetési (karbantartási) folyamatának Monte Carlo-szimulációs vizsgálatát írja le egy esettanulmányon keresztül.

Jelen könyvrészlet célja a kidolgozott eljárások módszertanának szemléltetése, ezért kis méretű rendszerek vizsgálatát mutatjuk be, és – a szemléletesebb eredmények érdekében – nem valóságos megbízhatósági vagy meghibásodási adatok alkalmazásával.

Tartalomjegyzék

Kiadó: Akadémiai Kiadó

Online megjelenés éve: 2026

ISBN: 978 963 664 195 5

Műszaki tudományok

A Bizonytalanság és biztonság című tanulmánykötet 6 mérnökvégzettségű, Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Karán dolgozó oktató közös munkája. Karunk gépész-, mechatronikai- és biztonságtechnikai képzésre járó hallgatói képzésük során megismerkednek a kockázatmenedzsment alapjaival, módszertani hátterével, és elsajátítják a kockázatértékeléshez és -kezeléshez szükséges elméleti hátteret. A könyv nem egyetemi tankönyvnek készült, de ott is használható. Fontos célunk volt a 8 tanulmányt tartalmazó kötet közreadásával, hogy a különböző szakterületek képviselői lássák a műszaki beruházási és fejlesztési projektek, az információbiztonság, a minőségbiztosítás, a karbantartás, a munka- és tűzvédelem kockázatmenedzsmentjének néha eltérő, de integrálható sajátosságait.

A gazdálkodó szervezetek életében szükség van egységesen alkalmazott kockázatmenedzsment szabályokra, hiszen a kockázati eseménynek több, eltérő eredetű kiváltó oka és több következménye is lehet. Eltérő skálákon történő értékelésük zavart okozhat kockázatok felismerésében és kezelésében is. A mérnöki kockázatok mellett a szervezeteknél többek között megjelennek stratégiai, piaci és pénzügyi vagy akár biztosítási kockázatok is. A könyv terjedelme nem teszi lehetővé, hogy ezekkel is foglalkozzunk, de fontos felhívni a figyelmet, hogy a kockázatmenedzsment nemcsak a mérnöki feladat…

Hivatkozás: https://mersz.hu/michelberger-bizonytalansag-es-biztonsag//

BibTeX EndNote Mendeley Zotero