Holarch

Leitfaden · Analyse

Monte-Carlo-Simulation im Systems Engineering: von Punktschätzungen zu Wahrscheinlichkeiten

Diesen Leitfaden anhören (Audio auf Englisch) 19 min

Die Monte-Carlo-Simulation im Systems Engineering ersetzt eine einzelne beste Schätzung durch eine Verteilung von Ergebnissen. Dieser Leitfaden behandelt die Wahl von Eingangsverteilungen, genügend viele Stichproben, das Lesen von Perzentilen und der Wahrscheinlichkeit, eine Anforderung zu erfüllen, Korrelation und die üblichen Fehler, durchgearbeitet am Aufnahmeüberflug eines kleinen Erdbeobachtungssatelliten.

Auf dieser Seite
  1. Warum Punktschätzungen in die Irre führen
  2. Unsichere Eingaben als Verteilungen
  3. Viele Stichproben ausführen
  4. Die Ergebnisse lesen
  5. Wie viele Läufe genug sind
  6. Korrelation und ihre Wirkung
  7. Häufige Fehler
  8. Durchgearbeitetes Beispiel: der Aufnahmeüberflug von EO-1
    1. Die Punktschätzungen
    2. Das Monte-Carlo-Ergebnis
    3. Dasselbe Beispiel mit Korrelation
  9. In Holarch ausprobieren
  10. Wie es weitergeht

Warum Punktschätzungen in die Irre führen

Die meisten technischen Schätzungen werden als eine Zahl angegeben: Die Integrationskampagne dauert 14 Wochen, die Nutzlast zieht 38 W, die Bodenstation verarbeitet einen Überflug in 45 Minuten. Jede Zahl ist meist der wahrscheinlichste Wert, und die Summe wahrscheinlichster Werte ergibt eine Gesamtzahl, die aus zwei Gründen nichts darüber sagt, wie oft sie überschritten wird.

  • Schiefe Eingaben. Echte Aufgabendauern sind selten symmetrisch. Eine Aufgabe, die am wahrscheinlichsten 6 Minuten dauert, kann in 4 fertig sein, aber auch 9 dauern, wenn etwas schiefgeht. Der Mittelwert einer solchen Aufgabe liegt über ihrem wahrscheinlichsten Wert, und die Summe der Mittelwerte liegt über der Summe der wahrscheinlichsten Werte.
  • Merge Bias. Wo parallele Pfade zusammenlaufen, wartet die Arbeit auf den langsamsten. Das erwartete Maximum mehrerer unsicherer Pfade ist größer als das Maximum ihrer Erwartungswerte, weil jeder Pfad, der sich verspätet, das Ganze verzögert.

Dasselbe gilt für Budgets. Ein Massen- oder Leistungsbudget aus Nennwerten verbirgt die Möglichkeit, dass mehrere Positionen gleichzeitig hoch ausfallen, und ein Zeitplan aus Nenndauern verbirgt die Möglichkeit, dass der kritische Pfad länger wird. Eine einzelne Zahl kann nicht sagen, wie wahrscheinlich sie hält. Eine Verteilung kann es.

Die Monte-Carlo-Simulation ist der einfachste Weg zu dieser Verteilung: Jede unsichere Eingabe als Wahrscheinlichkeitsverteilung beschreiben, für jede Eingabe einen Wert ziehen, das Ergebnis berechnen und das viele Male wiederholen. Die Sammlung der Ergebnisse nähert die Verteilung der Ausgabe an, und aus ihr liest man Mittelwerte, Perzentile und die Wahrscheinlichkeit, eine Anforderung zu erfüllen. In den Begriffen von ISO/IEC/IEEE 15288 ist sie ein Werkzeug des Systemanalyseprozesses, und ihr Ergebnis ist oft der Nachweis für die Verifikation per Analyse, eine der vier Methoden in einer Anforderungs-Verifikationsmatrix.

Unsichere Eingaben als Verteilungen

Eine Verteilung gibt an, was Sie über eine Eingabe wissen. Wählen Sie die einfachste, die zu Ihren Informationen passt; drei Formen decken den Großteil der Arbeit im Systems Engineering ab. Die Beispiele stammen aus dem unten durchgearbeiteten Aufnahmeüberflug des Satelliten.

VerteilungParameterVerwenden, wennBeispiel
GleichverteilungMinimum und MaximumSie die Grenzen kennen und nichts einen Wert gegenüber einem anderen bevorzugtKodieren und Speichern eines Bildstreifens dauert je nach Szeneninhalt 20 bis 40 Sekunden
DreiecksverteilungMinimum, wahrscheinlichster Wert, MaximumExperten einen Bereich und einen wahrscheinlichsten Wert angeben können, oft zur langen Seite hin schiefDas Senden des Aufnahmeplans dauert 4 bis 9 Minuten, am wahrscheinlichsten 6
NormalverteilungMittelwert und Standardabweichungsich viele kleine unabhängige Effekte addieren oder Messdaten eine symmetrische Streuung zeigenDie Verarbeitung der Bildprodukte dauert 45 Minuten mit einer Standardabweichung von 10
  • Eine Gleichverteilung ist ehrlich, wenn Sie nur die Grenzen kennen, gibt den Extremen aber so viel Gewicht wie der Mitte.
  • Eine Dreiecksverteilung ist die übliche Wahl für Dreipunktschätzungen von Ingenieuren. Ihr Mittelwert ist (Min + wahrscheinlichster Wert + Max) / 3, ein langer oberer Ausläufer schiebt den Mittelwert also über den wahrscheinlichsten Wert: 4, 6 und 9 Minuten ergeben einen Mittelwert von 6,33.
  • Eine Normalverteilung hat unbeschränkte Ausläufer. Halten Sie für Dauern, Massen und andere Größen, die nicht negativ sein können, die Standardabweichung klein im Verhältnis zum Mittelwert oder verwenden Sie eine Verteilung mit unterer Grenze.
  • Andere Formen haben bestimmte Einsatzzwecke: Lognormal für Größen, die ein Produkt von Faktoren sind, Exponential für Zeiten zwischen zufälligen Ereignissen, Weibull für Ausfallzeiten, Beta für Anteile zwischen 0 und 1.

Halten Sie fest, was nicht unsicher ist. Ein Modell, in dem jede Eingabe variiert, ist schwerer zu prüfen und verbirgt die wenigen Eingaben, die das Ergebnis treiben.

Viele Stichproben ausführen

Ein Monte-Carlo-Lauf ist ein mögliches Ergebnis: Jede unsichere Eingabe erhält einen Zufallswert aus ihrer Verteilung, jede Entscheidung wird mit ihrer Wahrscheinlichkeit gezogen, und das Modell berechnet das Ergebnis, als wäre das der reale Fall. Eine Studie wiederholt das hunderte- oder tausendemal mit unabhängigen Ziehungen. Zwei praktische Regeln:

  • Den Zufalls-Seed festlegen, wenn das Ergebnis zum Nachweis wird. Derselbe Seed reproduziert dieselben Läufe, sodass ein Prüfer die Studie wiederholen und jeder einzelne Lauf nachgespielt werden kann, um zu sehen, was darin geschah.
  • Die Modelllogik im Modell halten. Verzweigungen mit Wahrscheinlichkeiten, Schleifen mit Anzahlen und Ressourcengrenzen gehören in denselben Ablauf, den die Simulation ausführt, nicht in eine separate Tabellenkalkulation, die vom Entwurf abdriftet. Der Ablauf ist meist das Betriebsszenario aus der Funktionsanalyse, ergänzt um Dauern.

Die Ergebnisse lesen

Eine Studie erzeugt eine Liste von Ergebnissen, eines je Lauf. Lesen Sie sie auf vier Arten.

  • Histogramm. Die Form der Ergebnisse: wo die meisten Läufe liegen, ob die Verteilung schief ist und wie lang die Ausläufer sind.
  • Mittelwert und Standardabweichung. Nützliche Zusammenfassungen, mit einem Konfidenzintervall für den Mittelwert, das mit weiteren Läufen schrumpft. Der Mittelwert allein sagt nichts über das Risiko.
  • Perzentile. P50 ist der Median: Die Hälfte der Läufe endet darunter. P90 oder P95 ist ein Zusagewert: das Ergebnis, das Sie in 90 % oder 95 % der Fälle einhalten. Zeitpläne und Budgets werden oft bei P80 oder P90 zugesagt statt beim Mittelwert.
  • Wahrscheinlichkeit, eine Anforderung zu erfüllen. Der Anteil der Läufe, die eine Schwelle einhalten, zum Beispiel „Gesamtzeit höchstens 100 Minuten“. Lesen Sie ihn an der kumulativen Wahrscheinlichkeitskurve (der S-Kurve) ab, die für jeden Wert x den Anteil der Läufe mit einem Ergebnis von höchstens x aufträgt. Eine mit Wahrscheinlichkeit formulierte Anforderung („in mindestens 90 % der Fälle“) wird direkt an dieser Zahl geprüft.

Die Marge lässt sich auf dieselbe Weise lesen: Die Differenz zwischen Schwelle und Mittelwert ist die durchschnittliche Marge; die Differenz zwischen Schwelle und P90- oder P95-Wert ist die Marge, die Sie bei der zugesagten Konfidenz haben.

Wie viele Läufe genug sind

Ein Monte-Carlo-Ergebnis ist selbst eine Schätzung, und seine Genauigkeit wächst mit der Quadratwurzel der Anzahl der Läufe. Für eine aus N Läufen geschätzte Wahrscheinlichkeit p beträgt der Standardfehler etwa √(p(1 − p) / N). Nahe 0 % oder 100 % ist das einfache Intervall von ±2 Standardfehlern schlecht, daher verwendet die Tabelle das Wilson-Intervall, das innerhalb von 0 bis 100 % bleibt.

Läufe (N)Läufe, die die Schwelle einhalten (p ≈ 97,6 %)Standardfehler95-%-Intervall
100981,5 Prozentpunkte93,0 % bis 99,4 %
2001951,1 Prozentpunkte94,3 % bis 98,9 %
1,0009760,5 Prozentpunkte96,5 % bis 98,4 %
2,0001,9510,3 Prozentpunkte96,8 % bis 98,1 %
10,0009,7560,15 Prozentpunkte97,2 % bis 97,8 %

Der praktische Test: Die Studie hat genug Läufe, wenn das Konfidenzintervall der Zahl, über die Sie entscheiden, die Entscheidungslinie nicht mehr kreuzt. Im Beispiel unten verlangt die Anforderung 90 %; schon 100 Läufe ergeben ein Intervall, das über 90 % bleibt, das Urteil steht also früh fest. Hätte die Schätzung 91 % mit einem Intervall von 88 % bis 94 % betragen, wären mehr Läufe nötig. Mittelwerte stabilisieren sich schnell; Perzentile in den Ausläufern (P95, P99) und kleine Ausfallwahrscheinlichkeiten brauchen viel mehr Läufe, weil dort nur wenige Läufe landen.

Korrelation und ihre Wirkung

Jede Eingabe unabhängig zu ziehen setzt voraus, dass ein langer Downlink nichts über die folgende Verarbeitung aussagt. Oft ist das falsch: Ein großes Datenvolumen macht beides langsam, ein kaltes Raumfahrzeug verlangsamt mehrere Aufwärmschritte, eine schwere Struktur braucht einen schwereren Mechanismus. Eingaben mit gemeinsamer Ursache sind korreliert.

Positive Korrelation ändert den Mittelwert einer Summe nicht, verbreitert aber die Streuung: Hohe Werte treten zusammen auf und niedrige Werte ebenfalls, statt sich auszugleichen. Die Ausläufer wandern nach außen, und mit ihnen der P90- oder P95-Wert, auf dem eine Zusage beruht. Eine reale positive Korrelation zu ignorieren unterschätzt daher das Risiko.

Möglichkeiten, damit umzugehen:

  • Die gemeinsame Ursache ausdrücklich modellieren: das Datenvolumen einmal je Lauf ziehen und beide Dauern daraus ableiten.
  • Korrelierte Eingaben aus einer gemeinsamen Zufallszahl ziehen, sodass sie sich Lauf für Lauf gemeinsam bewegen.
  • Zumindest die Studie einmal unabhängig und einmal vollständig korreliert ausführen und beides berichten: Die Wahrheit liegt dazwischen.

Häufige Fehler

FehlerWarum er in die Irre führtStattdessen
Scheingenauigkeit„P(meet) = 97,56 %“ aus geschätzten Eingangsbereichen zu berichten, suggeriert eine Gewissheit, die die Eingaben nicht habenAuf das runden, was die Eingaben hergeben, das Konfidenzintervall angeben und nennen, woher die Bereiche stammen
Unabhängige Eingaben, die es nicht sindGemeinsame Ursachen werden ignoriert, die Streuung ist zu schmal und die Ausläufer sind zu kurzDie gemeinsame Ursache modellieren oder das Ergebnis mit einer unabhängigen und einer korrelierten Studie eingrenzen
Die Ausläufer ignorierenNur den Mittelwert zu berichten verbirgt, wie oft die Anforderung verfehlt wirdP50 und P90 oder P95 berichten sowie die Wahrscheinlichkeit, jede Schwelle einzuhalten
Symmetrische Bereiche für schiefe GrößenEine Normalverteilung um den wahrscheinlichsten Wert entfernt den langen oberen AusläuferEine Dreiecks- oder Lognormalform verwenden, wenn Überschreitungen größer sind als Unterschreitungen
Zu wenige LäufeDas Urteil ändert sich, wenn die Studie mit einem anderen Seed wiederholt wirdLäufe hinzufügen, bis das Intervall die Entscheidungslinie nicht mehr kreuzt
Ein Modell, das vom Entwurf abweichtEine Tabellenkopie des Ablaufs driftet von der realen Abfolge, ihren parallelen Pfaden und ihren Entscheidungen abDen im Modell gehaltenen Ablauf simulieren, damit eine Entwurfsänderung die Analyse erreicht

Durchgearbeitetes Beispiel: der Aufnahmeüberflug von EO-1

EO-1 ist ein 6U-CubeSat, der Ackerland aufnimmt, die fiktive Mission des MBSE-Beispielprojekts. Seine Systemanforderungsspezifikation enthält eine Zeitanforderung, die per Analyse verifiziert wird:

6.5 Planning Cycle Time. The mission shall complete each planning cycle, from target list uplink to product delivery, within 100 minutes.

Der Verifikationsplan für 6.5 lautet: Eine Monte-Carlo-Simulation des Aufnahmeüberflugs hält 100 Minuten mit einer Wahrscheinlichkeit von mindestens 90 % ein. Das Measure MOE-7 Planning Cycle Time spezifiziert die Anforderung, mit einer Schwelle von 100 Minuten und einem Zielwert von 80 Minuten.

Der Betriebsablauf ist die Action OPS Run Nominal Imaging Pass. Die Bodenstation sendet den Aufnahmeplan, das Raumfahrzeug dekodiert und lädt ihn und dreht sich dann zum ersten Ziel, während die Kamera aufwärmt. Es nimmt vier Ziele auf, jedes ein Streifen, der aufgenommen und dann kodiert wird. Ist ein Bodenkontakt in Sicht (75 % der Überflüge), überträgt es die Daten; andernfalls hält es die Daten für den nächsten Überflug. Schließlich lädt die Batterie im Sonnenlicht, während der Boden den Downlink empfängt und die Bildprodukte verarbeitet.

ActionPosition im AblaufDauerWahrscheinlichster Wert (min)Mittelwert (min)
OPS.1 Transmit Imaging PlanStartDreieck, 4 bis 9 Minuten, Spitze 666.33
OPS.2 Receive Imaging PlanDanachFest, 1 Minute11
OPS.3 Load Command ScheduleDanachFest, 2 Minuten22
OPS.4 Rotate to TargetParallel zu OPS.5Normal, Mittelwert 3, Standardabweichung 0,5 Minuten33
OPS.5 Prepare CameraParallel zu OPS.4Fest, 5 Minuten55
OPS.6 Capture Image StripSchleife, 4 ZieleNormal, Mittelwert 40, Standardabweichung 6 Sekunden0,67 je Ziel0,67 je Ziel
OPS.7 Encode and Store ImageSchleife, 4 ZieleGleichverteilt, 20 bis 40 Sekunden0,50 je Ziel0,50 je Ziel
OPS.8 Transmit Image DataKontakt in Sicht (75 %)Normal, Mittelwert 8, Standardabweichung 1,5 Minuten88
OPS.9 Hold Data OnboardKein Kontakt (25 %)Fest, 1 Minute11
OPS.10 Recharge Battery in SunlightParallel zu OPS.11 und OPS.12Fest, 35 Minuten3535
OPS.11 Receive DownlinkDanach OPS.12Fest, 9 Minuten99
OPS.12 Process Image ProductsNach OPS.11Normal, Mittelwert 45, Standardabweichung 10 Minuten4545

Die Punktschätzungen

  • Wahrscheinlichste Werte, mit dem wahrscheinlicheren Kontaktzweig: 6 + 1 + 2 + max(3, 5) + 4 × (0,67 + 0,50) + 8 + max(35, 9 + 45) = 80,7 Minuten. Gegenüber der Schwelle von 100 Minuten sieht das nach fast 20 Minuten Marge aus.
  • Mittelwerte, mit den beiden Zweigen nach ihrer Wahrscheinlichkeit gewichtet (0,75 × 8 + 0,25 × 1 = 6,25): 6,33 + 1 + 2 + 5 + 4,67 + 6,25 + max(35, 54) = 79,25 Minuten.

Beide Zahlen sagen, dass der Überflug bequem passt. Keine sagt, wie oft er es nicht tut, und genau danach fragt die Anforderung.

Das Monte-Carlo-Ergebnis

Eine Studie desselben Ablaufs zieht in jedem Lauf jede Dauer und die Kontaktentscheidung und lässt die parallelen Pfade gegeneinander laufen. Die Tabelle zeigt eine separat in Python berechnete Kontrolle mit einer Million Läufen und die Holarch-Studie mit 2.000 Läufen aus den Screenshots unten. Sie verwenden verschiedene Zufallszahlengeneratoren und unterscheiden sich daher um den Stichprobenfehler (bei 2.000 Läufen etwa 0,25 Minuten beim Mittelwert, 0,5 Minuten bei P95 und 0,35 Prozentpunkte bei einer Wahrscheinlichkeit).

AusgabePython, 1.000.000 LäufeHolarch, 2.000 Läufe, Seed 2026
Mittlere Gesamtzeit79,35 Minuten79,35 Minuten
Standardabweichung10,35 Minuten10,16 Minuten
P5 / P50 / P9562,4 / 79,3 / 96,6 Minuten62,4 / 79,4 / 96,0 Minuten
P9092,8 Minuten92,4 Minuten
P(Gesamt ≤ 80 Minuten), der Zielwert von MOE-752.7%52.4%
P(Gesamt ≤ 100 Minuten), Anforderung 6.597.6%97,8 % (1.955 von 2.000; 95-%-Intervall 97,0 % bis 98,3 %)

Was die Zahlen sagen:

  • Die Anforderung ist erfüllt. Etwa 97,6 % der Überflüge enden innerhalb von 100 Minuten, deutlich über den geforderten 90 %, und das Intervall aus 2.000 Läufen bleibt mit großem Abstand über 90 %.
  • Die Marge ist kleiner, als sie aussieht. Die Marge beim Mittelwert beträgt etwa 20,6 Minuten, aber der P95-Wert liegt bei etwa 96,6 Minuten; bei 95 % Konfidenz bleiben also nur etwa 3,4 Minuten. Etwa jeder vierzigste Überflug verfehlt die Schwelle. In fast allen dieser Läufe dauerte OPS.12 Process Image Products mehr als eine Stunde (im Durchschnitt 67 Minuten, gegenüber ihrem Mittelwert von 45), und in 95 % davon kam über den Kontaktzweig der 8-minütige Downlink hinzu.
  • Der Zielwert ist ein Münzwurf. Der Zielwert von 80 Minuten aus MOE-7 liegt fast genau beim Median: Er wird nur in etwa der Hälfte der Überflüge erreicht. Die wahrscheinlichste Schätzung von 80,7 Minuten verbirgt das vollständig.
  • Der Merge Bias ist hier klein. Der Mittelwert von 79,35 Minuten liegt nur 0,1 Minuten über der Mittelwertschätzung, weil die Bodenkette (OPS.11 und OPS.12, Mittelwert 54 Minuten) nur in etwa 3 % der Läufe kürzer ist als das 35-minütige Laden. In einem Ablauf, dessen parallele Pfade sich in der Länge näher sind, wächst der Abstand.

Die Studie zeigt auch auf den Hebel. OPS.12 Process Image Products trägt den Großteil der Streuung (eine Standardabweichung von 10 Minuten, gegenüber etwa 3 Minuten aus der Kontaktentscheidung und 1 Minute aus allem anderen); eine Straffung der Verarbeitungszeit verschiebt daher den Ausläufer, eine Beschleunigung der Schritte des Raumfahrzeugs bewirkt wenig.

Dasselbe Beispiel mit Korrelation

Downlink und Verarbeitung hängen beide davon ab, wie viele Bilddaten der Überflug erzeugt hat: Mehr Daten bedeuten eine längere Übertragung und einen längeren Verarbeitungslauf. OPS.8 und OPS.12 aus einer gemeinsamen Zufallszahl je Lauf zu ziehen (8 + 1,5z und 45 + 10z Minuten für dasselbe standardnormalverteilte z), sodass ein langer Downlink mit langer Verarbeitung einhergeht, lässt beide Verteilungen, wie sie waren, und ergibt:

AusgabeUnabhängig (Python / Holarch)OPS.8 und OPS.12 korreliert (Python / Holarch)
Mittelwert79,35 / 79,35 Minuten79,35 / 79,04 Minuten
Standardabweichung10,35 / 10,16 Minuten11,35 / 11,44 Minuten
P9596,6 / 96,0 Minuten98,5 / 99,0 Minuten
P(Gesamt ≤ 100 Minuten)97.6% / 97.8%96.1% / 96.2%

Der Mittelwert ist unverändert, und die Streuung wächst um etwa ein Zehntel. Der P95-Wert wandert um etwa zwei Minuten nach außen, was die Marge bei 95 % Konfidenz von etwa 3,4 Minuten auf etwa 1,5 senkt. Die Anforderung ist bei 90 % weiterhin erfüllt, aber eine strengere Zusage, etwa 100 Minuten in 95 % der Überflüge, wäre jetzt knapp. Für eine Zusage bei P95 ist der korrelierte Fall der sicherere für die Planung.

Das Beispiel herunterladen: die Unsicherheitsstudie des EO-1-Aufnahmeüberflugs als Excel-Arbeitsmappe (Eingaben mit ihren Verteilungen, die unabhängigen und korrelierten Ergebnisse mit Perzentilen und P(meet) sowie die Tabelle der Laufzahlen) oder dieselben Daten als CSV: Eingaben und Verteilungen des Aufnahmeüberflugs und Monte-Carlo-Ergebnisse, Perzentile und P(meet). Verwenden Sie es als Vorlage für den Bericht Ihrer eigenen Studie.

In Holarch ausprobieren

In Holarch läuft Monte Carlo auf dem Action-Ablauf des Modells: Dasselbe Action-Diagramm, das den Betrieb beschreibt, ist das Modell, das simuliert wird. Die Duration jeder Action ist eine feste Zahl oder eine Verteilung mit Einheit, etwa =triang.dist(4, 9, 6) Minuten (Minimum, Maximum, Spitze), =norm.dist(40, 6) Sekunden oder =uniform.dist(20, 40) Sekunden. Zehn Verteilungen stehen zur Verfügung, darunter Beta, Lognormal, Exponential und Weibull. Einzelheiten siehe Simulation.

Der Aufnahmeüberflug als Action-Diagramm, mit ausgeblendeten I/O und Ressourcen: Die Schleife läuft viermal, das OR entscheidet über den Kontakt, und die letzte Parallelität wartet auf das Langsamere von Laden und Bodenverarbeitung.
  1. Legen Sie das CubeSat-Projekt mit Projekte verwalten → Projektdateien ▾ → Neues Demoprojekt → CubeSat (Geführtes Systems Engineering) an. Es enthält bereits OPS Run Nominal Imaging Pass mit den Dauern aus der Tabelle, Anforderung 6.5 und das Measure MOE-7.
  2. Öffnen Sie das Action-Diagramm der Action und wählen Sie ▶ Simulieren ▾ → Monte Carlo. Setzen Sie Läufe auf 2000, Zufalls-Seed auf 2026 und Feste Dauern variieren auf Keine (die Demo fügt festen Dauern standardmäßig ±10 % hinzu; die Studie hier hält sie fest) und drücken Sie ▶ Monte Carlo ausführen.
  3. Lesen Sie auf der Registerkarte Verteilung Statistik, Dauerverteilung und Kumulative Wahrscheinlichkeit (S-Kurve). Geben Sie im Feld x der S-Kurve 100 ein, um P(X ≤ 100 min) abzulesen.
Dauerverteilung und S-Kurve für 2.000 Läufe mit Seed 2026. Die Anzeige gibt die Wahrscheinlichkeit an, innerhalb von 100 Minuten fertig zu werden.
  1. Öffnen Sie die Registerkarte Treiber, um zu sehen, welche Actions über alle Läufe die Zeit beanspruchen und welche Zweigkombinationen auftraten.
  2. Klicken Sie auf Gegen Requirement prüfen… und wählen Sie das Measure MOE-7 Planning Cycle Time. Es füllt das Kriterium (≤ 100 Minuten, aus seiner Schwelle und Verbesserungsrichtung) und die Anforderung 6.5; behalten Sie die geforderte Wahrscheinlichkeit von 90 % bei. Die Tabelle gibt P(meet) mit Konfidenzintervall, die Marge und das Urteil an. Stellen Sie Verwenden auf Ziel um, um den Zielwert von 80 Minuten zu prüfen, der bei etwa 52 % verfehlt wird.
Die Anforderungsprüfung: P(meet) liegt deutlich über den geforderten 90 %, das Ergebnis ist also Pass.
  1. Ergebnis erfassen… zeigt die Änderungen als Vorschau: Der Projected Value von MOE-7 wird zum Mittelwert, und ein Test Case, der 6.5 verifiziert, erhält den Status Passed und den Ergebnistext. Wenden Sie sie als einen Rückgängig-Schritt an.

Der Duration-Editor von Holarch zieht jede Verteilung unabhängig. Der korrelierte Vergleich oben verwendete Dauern, die von Skript-Hooks gesteuert werden, die je Lauf einen gemeinsamen Wert lesen; das bietet der Duration-Editor noch nicht. Um die Korrelation in Ihrem eigenen Modell einzugrenzen, vergleichen Sie die unabhängige Studie mit einer vollständig korrelierten Rechnung außerhalb des Werkzeugs. Auch die Batterieenergie über den Überflug wird simuliert: Minimum und Endstand der Ressource Battery Charge sind Monte-Carlo-Ausgaben, die die Anforderungsprüfung akzeptiert. Massen- und Leistungsbudgets mit Reserven und Margen werden in Budgets und TPMs geführt, und derselbe Gedanke gilt für unsichere Werte in einer Trade-Studie: Eine Rangfolge, die innerhalb der Eingangsbereiche kippt, ist noch keine Entscheidung.

Wie es weitergeht

  • Simulation: Discrete-Event- und Monte-Carlo-Läufe, die Bereiche und die Anforderungsprüfung.
  • Budgets und TPMs: Aufsummierungen mit Reserve, Zuteilungen, Margen und Leistungskennzahlen.
  • Action-Diagramme: der Ablauf, die Konstrukte, Ressourcen und Skripte, die eine Simulation liest.