TU Darmstadt / ULB / TUprints

Design Methods for Reducing Failure Probabilities with Examples from Electrical Engineering

Fuhrländer, Mona (2023)
Design Methods for Reducing Failure Probabilities with Examples from Electrical Engineering.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00023038
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
2022-12-23_Fuhrlaender_Mona.pdf
Copyright Information: In Copyright.

Download (2MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Design Methods for Reducing Failure Probabilities with Examples from Electrical Engineering
Language: English
Referees: Schöps, Prof. Dr. Sebastian ; Wollner, Prof. Dr. Winnifried ; Gräb, Prof. Dr. Helmut
Date: 2023
Place of Publication: Darmstadt
Collation: xvii, 137 Seiten
Date of oral examination: 14 December 2022
DOI: 10.26083/tuprints-00023038
Abstract:

This thesis addresses the quantification of uncertainty and optimization under uncertainty. We focus on uncertainties in the manufacturing process of devices, e.g. caused by manufacturing imperfections, natural material deviations or environmental influences. These uncertainties may lead to deviations in the geometry or the materials, which may cause deviations in the operation of the device. The term yield refers to the fraction of realizations in a manufacturing process under uncertainty, fulfilling all performance requirements. It is the counterpart of the failure probability (yield = 1 - failure probability) and serves as a measure for (un)certainty. The main goal of this work is to efficiently estimate and to maximize the yield. In this way, we increase the reliability of designs which reduces rejects of devices due to malfunction and hence saves resources, money and time.

One main challenge in the field of yield estimation is the reduction of computing effort, maintaining high accuracy. In this work we propose two hybrid yield estimation methods. Both are sampling based and evaluate most of the sample points on a surrogate model, while only a small subset of so-called critical sample points is evaluated on the original high fidelity model. The SC-Hybrid approach is based on stochastic collocation and adjoint error indicators. The non-intrusive GPR-Hybrid approach uses Gaussian process regression and allows surrogate model updates on the fly. For efficient yield optimization we propose the adaptive Newton-Monte-Carlo (Newton-MC) method, where the sample size is adaptively increased.

Another topic is the optimization of problems with mixed gradient information, i.e., problems, where the derivatives of the objective function are available with respect to some optimization variables, but not for all. The usage of gradient based solvers like the adaptive Newton-MC would require the costly approximation of the derivatives. We propose two methods for this case: the Hermite least squares and the Hermite BOBYQA optimization. Both are modifications of the originally derivative free BOBYQA (Bound constrained Optimization BY Quadratic Approximation) method, but are able to handle derivative information and use least squares regression instead of interpolation. In addition, an advantage of the Hermite-type approaches is their robustness in case of noisy objective functions. The global convergence of these methods is proven. In the context of yield optimization the case of mixed gradient information is particularly relevant, if - besides Gaussian distributed uncertain optimization variables - there are deterministic or non-Gaussian distributed uncertain optimization variables.

The proposed methods can be applied to any design process affected by uncertainties. However, in this work we focus on application to the design of electrotechnical devices. We evaluate the approaches on two benchmark problems, a rectangular waveguide and a permanent magnet synchronous machine (PMSM). Significant savings of computing effort can be observed in yield estimation, and single- and multi-objective yield optimization. This allows the application of design optimization under uncertainty in industry.

Alternative Abstract:
Alternative AbstractLanguage

Diese Arbeit befasst sich mit der Quantifizierung von Unsicherheiten sowie der Optimierung unter Unsicherheiten. Dabei betrachten wir insbesondere Unsicherheiten, die im Herstellungsprozess von Produkten zustande kommen, bspw. durch Ungenauigkeiten in der Herstellung, natürliche Materialschwankungen oder Umwelteinflüsse. Diese Unsicherheiten können zu Schwankungen in der Geometrie oder im Material führen, die wiederum Schwankungen in der Funktionsweise des Produkts auslösen können. Als Yield bezeichnen wir den Anteil aller Produkte in einem Herstellungsprozess mit Unsicherheiten, der alle Leistungsanforderungen erfüllt. Somit ist der Yield das Gegenteil zur Fehler- oder Ausfallwahrscheinlichkeit (Yield = 1 - Fehlerwahrscheinlichkeit). Er dient als Maß für die (Un)sicherheit. Das Hauptziel dieser Arbeit ist die effiziente Abschätzung und die Maximierung des Yields. Damit wird die Zuverlässigkeit eines Produkts erhöht, was wiederum den Ausschuss reduziert und somit Ressourcen, Geld und Zeit einspart.

Ein zentrales Forschungsthema ist die Reduzierung des Rechenaufwands bei der Yield Abschätzung, ohne Genauigkeit einzubüßen. Im Rahmen dieser Arbeit wurden zwei hybride Yield Abschätzungsmethoden entwickelt. Es handelt sich um stichprobenbasierte Ansätze, bei denen ein Großteil der Zufallsstichprobe auf einem Ersatzmodell ausgewertet wird und nur eine kleine Menge an sogenannten kritischen Datenpunkten auf dem ursprünglichen Modell. Das SC-Hybrid Verfahren basiert auf stochastischer Kollokation und adjungierten Fehlerindikatoren, das nicht-intrusive GPR-Hybrid Verfahren verwendet Gauß Prozess Regression und ermöglicht fortlaufende Verbesserungen des Ersatzmodells. Zur effizienten Yield Optimierung wird das adaptive Newton-Monte-Carlo (Newton-MC) Verfahren vorgestellt. Eine Steigerung der Effizienz wird durch adaptive Anpassung der Stichprobengröße erreicht.

Ein weiteres Thema der Arbeit ist die Optimierung von Problemen mit gemischten Gradienteninformationen, d.h. die Ableitungen der Zielfunktion sind nur bzgl. einem Teil der Optimierungsvariablen verfügbar. Die Verwendung von gradientenbasierten Lösern wie dem adaptiven Newton-MC würde die rechenaufwendige Approximation der fehlenden Ableitungen erfordern. Wir stellen zwei Optimierungverfahren vor, die wir für genau diesen Fall entwickelt haben: die Hermite least squares und Hermite BOBYQA Optimierung. Beide sind Modifikationen des ursprünglich ableitungsfreien Lösers BOBYQA (Bound constrained Optimization BY Quadratic Approximation), die jedoch Ableitungsinformationen verarbeiten können und Regression anstelle von Interpolation verwenden. Ein Vorteil der Hermite-Methoden ist außerdem die Robustheit bei verrauschten Zielfunktionen. Die globale Konvergenz der Verfahren wird bewiesen. In der Yield Optimierung ist der Fall von gemischten Gradienteninformationen besonders relevant, wenn neben Gaußverteilten unsicheren Optimierungsvariablen auch deterministische oder anders verteilte unsichere Optimierungsvariablen auftreten.

Die vorgestellten Methoden sind auf jegliche von Unsicherheiten betroffenen Designprozesse anwendbar. In dieser Arbeit konzentrieren wir uns auf die Anwendung im Bereich elektrotechnischer Produkte. Die Verfahren werden an zwei praktischen Beispielen, einem Rechteckhohlleiter und einem Permanentmagnet-Synchronmotor (PMSM) evaluiert. Sowohl bei der Yield Abschätzung, als auch bei Einziel- und Mehrzieloptimierung können enorme Einsparungen an Rechenaufwand beobachtet werden. Dies ermöglicht die Anwendung von Designoptimierung unter Unsicherheiten in industriellen Problemstellungen.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-230386
Classification DDC: 500 Science and mathematics > 510 Mathematics
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute for Accelerator Science and Electromagnetic Fields > Computational Electromagnetics
Date Deposited: 05 Jan 2023 13:02
Last Modified: 06 Jan 2023 08:17
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/23038
PPN: 503315184
Export:
Actions (login required)
View Item View Item