Bayesian Weapon System Reliability Modeling with Cox-Weibull Neural Network

要約

DeepSurv [2] などのニューラル ネットワークを介して、兵器システムの機能 (兵器システムの製造元、展開時間と場所、保管時間と場所など) をパラメータ化された Cox-Weibull [1] 信頼性モデルに統合することを提案します。
予知保全を改善します。
並行して、ワイブル パラメーターをニューラル ネットワークでパラメーター化し、比較目的でモンテカルロ (MC) ドロップアウトなどのドロップアウト法を採用することにより、別のベイジアン モデルを開発します。
兵器システムのテストにおけるデータ収集手順により、勾配降下最適化中のワイブル パラメーターのモンテカルロ マルコフ連鎖 (MCMC) [3] サンプリングを組み込んだ、新しい間隔打ち切り対数尤度を採用しています。
受信者操作曲線 (ROC) 曲線下面積 (AUC)、精度再現率 (PR) AUC、F スコアなどの分類メトリクスを比較して、モデルが XGBoost や現在の標準的な条件付きワイブル確率などの従来の強力なモデルよりも一般的に優れていることを示します。
密度推定モデル。

要約(オリジナル)

We propose to integrate weapon system features (such as weapon system manufacturer, deployment time and location, storage time and location, etc.) into a parameterized Cox-Weibull [1] reliability model via a neural network, like DeepSurv [2], to improve predictive maintenance. In parallel, we develop an alternative Bayesian model by parameterizing the Weibull parameters with a neural network and employing dropout methods such as Monte-Carlo (MC)-dropout for comparative purposes. Due to data collection procedures in weapon system testing we employ a novel interval-censored log-likelihood which incorporates Monte-Carlo Markov Chain (MCMC) [3] sampling of the Weibull parameters during gradient descent optimization. We compare classification metrics such as receiver operator curve (ROC) area under the curve (AUC), precision-recall (PR) AUC, and F scores to show our model generally outperforms traditional powerful models such as XGBoost and the current standard conditional Weibull probability density estimation model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google