Daten im Entstehungskontext verstehen
Versuchs-, Betriebs- und Felddaten sind nicht automatisch vergleichbar. Belastung, Nutzung, Beobachtungsdauer, Zensierung und Ausfalldefinition beeinflussen die Aussage. Vor jeder Modellierung muss deshalb geklärt werden, wie die Daten entstanden sind.
Auch unvollständige Beobachtungen enthalten Information. Statistische Lebensdauerverfahren können zensierte Daten berücksichtigen, sofern Datenerfassung und Randbedingungen nachvollziehbar dokumentiert sind.
Modelle fachlich auswählen
Weibull-, Exponential- oder andere Verteilungsmodelle beschreiben unterschiedliche Ausfallverhalten. Die Auswahl darf nicht allein nach rechnerischer Anpassung erfolgen. Sie muss zum Ausfallmechanismus, zur Datenlage und zur vorgesehenen Extrapolation passen.
Belastungs-Lebensdauer-Modelle übertragen Erkenntnisse zwischen verschiedenen Beanspruchungsniveaus. Dieser Schritt ist besonders sensibel: Eine mathematisch saubere Kurve kann technisch falsch sein, wenn sich der Mechanismus unter höherer Belastung verändert.
Eine belastbare Prognose entsteht in drei Schritten: Daten im Entstehungskontext einordnen, ein fachlich passendes Modell wählen und die Extrapolation mit ihrer Unsicherheit darstellen.
Unsicherheit gehört zum Ergebnis
Eine Prognose ist keine Gewissheit, sondern eine Aussage mit statistischer und technischer Unsicherheit. Stichprobengröße, Streuung, Modellwahl und Extrapolationsweite bestimmen, wie eng eine belastbare Aussage sein kann.
Für Entscheidungen sind daher Konfidenzgrenzen, Sensitivitäten und dokumentierte Annahmen ebenso wichtig wie der eigentliche Prognosewert. Nur so lässt sich beurteilen, ob weitere Daten nötig sind oder eine Freigabe fachlich vertretbar ist.