Ocena wzrostu niezawodności w bezzałogowym statku latającym podczas kolejnych faz badania w locie

Samoloty muszą być testowane w locie podczas procesu ich opracowywania i dla zapewnienia niezawodności powinny przejść, podczas faz badania w locie, proces wzrostu niezawodności obejmujący kolejne etapy: testowania, poszukiwania ukrytego uszkodzenia, udoskonalania i ponownego testowania. Jednakże z powodu złożonej budowy samolotów i wysokich kosztów badań w locie, badania wzrostu niezawodności z reguły przeprowadza się na małych próbkach. Trudno jest zatem ocenić wzrost niezawodności w kolejnych fazach badań w locie. W niniejszej pracy do estymacji wzrostu niezawodności zastosowano metodę bayesowską dla dwumianowego wzrostu niezawodności opartą na rozkładzie a priori Dirichleta oraz obliczono parametry rozkładu a posteriori wykorzystując metodę symulacji Markov-Chain Monte Carlo. Metodę zastosowano w kolejnych fazach badań w locie bezzałogowego statku latającego (Unmanned Aerial Vehicle), a użyty przykład pokazuje, iż metoda oparta na rozkładzie a priori Dirichleta może skrócić czas badań w locie. Parametry rozkładu a priori łatwo jest potwierdzić na podstawie uprzednio znanych informacji. Proponowana metoda nadaje się do oceny badań wzrostu niezawodności podczas kolejnych etapów badań w locie.

It is necessary for airplanes to be fl ight-tested during the development process, and they should pass the testing/failurefi nding/improvement/re-testing reliability growth process during the fl ight-testing phases to ensure its reliability. However, due to airplane complexity and the high costs of fl ight-testing, the reliability growth testing is usually done with small samples. It is thus diffi cult to estimate the reliability growth during the fl ight-testing phases. In this paper, Bayesian method for binomial reliability growth based on the Dirichlet prior distribution is applied to reliability growth estimation, and the parameters of the posterior distribution are calculated by using the simulation method of Markov-Chain Monte Carlo. The method is applied to the Unmanned Aerial Vehicle test fl ight phases, and the example shows that the method based on the Dirichlet prior distribution can save the fl ight-testing time. It is easy to confi rm the parameters of the prior distribution by using the prior information. The proposed method is suitable for reliability growth testing estimation during fl ight-testing stages.