Der zunehmende Anteil hochintegrierter, vernetzter Systeme im Kraftfahrzeug macht es immer wichtiger, frühzeitig sicherheits- und zuverlässigkeitstechnische Analysen durchzuführen. In dieser Arbeit werden neue praxisgerechte und generalisierte Zuverlässigkeitsprognosemodelle für Kfz-Komponenten und Baugruppen entwickelt. Grundlage der Modelle ist ein allgemeines Ausfallmodell, das es nunmehr ermöglicht, beliebiges Ausfallverhalten zu beschreiben und den gesamten Verlauf der Ausfallrate, die sog. "Badewannenkurve", in die Zuverlässigkeitsprognose zu integrieren. Die gewonnenen Ergebnisse können unterstützend in betriebliche Entscheidungsprozesse integriert und als Feld-Feedback-Information für die Entwicklung und Bewertung neuer Systeme genutzt werden. Die Prognosemodelle schließen somit den Regelkreis der Produktentwicklung.

Bei frühzeitigen Prognosen sind die Garantiedaten häufig auf Grund eines Zulassungs- und Meldeverzugs unvollständig und enthalten nicht alle Informationen über das tatsächliche Ausfallverhalten. Es werden neue Ansätze entwickelt, die solche Einflüsse berücksichtigen und in die Zuverlässigkeitsprognose integrieren.

Die Zuverlässigkeit von Komponenten und Baugruppen wird in der Praxis oft von weiteren externen Faktoren, wie der Temperatur oder der Feuchte beeinflusst. In dieser Arbeit wird ein neues erweitertes neuronales Zuverlässigkeitsprognosemodell entwickelt, das beliebige Einflüsse auf das Ausfallverhalten erlernen und entsprechend modellieren kann. Mit Hilfe des erweiterten neuronalen Modells ist es möglich, das Ausfallverhalten bzw. die Zuverlässigkeit von Komponenten und Baugruppen in Kraftfahrzeugen bei sich ändernden Umgebungsbedingungen zu prognostizieren.

The increasing portion of highly integrated and networked systems in motor vehicles makes it ever more important to conduct safety and reliability analyses as early as possible. In this dissertation new practicable and generalized reliability prognosis models for analysing the failure behaviour of automotive components and devices are developed. Basis of the prognosis model is a generalized failure model that makes it now possible to describe arbitrary failure behaviour and to integrate the entire failure rate, the so-called "bath-tub-curve", into the reliability prognosis model. The results of the analyses can be integrated in the decision processes and can also be used as field feedback information for the development of new systems. Thus, the prognosis models close the loop of the product development process.

Often guarantee data provide the only assured information about the product field performance. For early predictions, these data contain only incomplete information about the real failure behaviour due to registration and reporting delays. Therefore new models are developed to consider these influences.

In practice the reliability of components and devices is influenced by further external factors, such as temperature, humidity or other environmental parameters. Usually the determination of these factors is difficult and their functional impact can only insufficiently be described. In this dissertation a new extended neural reliability prediction model is developed, which can learn and model arbitrary influences on the failure behaviour. Using the neural network the failure behaviour respectively the reliability of components and devices of motor vehicles can be predicted in case of changing environmental and using conditions.