Die Quantifizierung von Unsicherheit und die Aktualisierung der Zuverlässigkeit sind entscheidend für die Gewährleistung der Sicherheit und Leistung von Ingenieursystemen. In dieser Studie wurde ein hierarchisches Bayessches Modellierungsframework (HBM) entwickelt, das Daten nutzt, um Unsicherheiten zu quantifizieren und die Zuverlässigkeit zu aktualisieren. Diese Methode bietet durch Nutzung der probabilistischen Struktur von HBM eine robuste Lösung zur Integration von Modellunsicherheiten und Parameterabweichungen in die Zuverlässigkeitsbewertung. Das Framework wird auf ein lineares mathematisches Modell und ein dynamisches Strukturmodell angewendet: Für das lineare Modell wurden analytische Lösungen für Hyperparameter und Zuverlässigkeit abgeleitet, die effiziente und genaue Mittel zur Quantifizierung von Unsicherheiten und Zuverlässigkeitsbewertung bieten; im dynamischen Strukturmodell erfolgt die Aktualisierung der Zuverlässigkeit direkt unter Verwendung der posterioren Verteilungen der Hyperparameter, die aus dem HBM gewonnen wurden. Diese Methode beruht auf der aktualisierten posterioren Verteilung, welche die Auswirkung der Systemunsicherheit und des dynamischen Verhaltens auf die Zuverlässigkeitsprognose widerspiegelt. Die vorgeschlagene Methode zeigt gegenüber der traditionellen Bayesschen Inferenz erhebliche Vorteile, indem sie mehrere Quellen von Unsicherheit in statischen und dynamischen Umgebungen behandelt. Die Arbeit hebt die Vielseitigkeit und Rechenleistung des HBM-Frameworks hervor und etabliert es als leistungsstarkes Werkzeug zur Quantifizierung von Unsicherheit und Aktualisierung der Zuverlässigkeit in der Zustandsüberwachung von Strukturen und anderen Ingenieuranwendungen.

Unsicherheitsquantifizierung;Zuverlässigkeitsaktualisierung;hierarchische Bayessche Modellierung;datenbasiert;Strukturdynamik