Active Learning For Repairable Hardware Systems With Partial Coverage

要約

特に固定予算と最小限のメンテナンスサイクルによって制約されている場合、フィールドデータを使用して信頼性特性を推測するための最適な診断テストとハードウェアシステムインスタンスを特定することは困難です。
Active Learning（AL）は、機械学習/深い学習タスクにおける限られたデータと予算の制約を伴うパラメーター推論の有望を示しています。
ただし、ALの信頼性モデルパラメーターの推論の場合、修理可能なハードウェアシステムには既知のままです。
ハードウェアの老化を考慮する特殊なAL取得関数（AFS）と、ハードウェアシステムが特定の診断テスト中に部分的なテストのみを受ける可能性がある複数のサブシステムで構成されていることを考慮しています。
これらの課題に対処するために、診断カバレッジ（DC）、フィッシャー情報マトリックス（FIM）、および診断テストの予算を組み込んだリラックスした混合整数セミデフィニットプログラム（MISDP）AL AFを提案します。
さらに、2つの診断テストシナリオに焦点を当てた経験ベースのシミュレーション実験を設計します。（1）サブシステムカバレッジが重複するハードウェアシステムの部分テスト、および（2）1つの診断テストが別のサブシステムカバーを完全に包む部分テスト。
文献（エントロピー）で最も広く使用されているAl AFに対する提案されたアプローチと、信頼性モデルパラメーターの推論に合わせたいくつかの直感的なAL AFを評価します。
提案されたAFは、フリードマン仮説検査を使用して0.05アルファレベルで統計的有意性を計算した絶対的な合計イベントエラー（ATEER）および平均四角誤差（MSE）曲線の曲線（AUC）の下の面積（AUC）に関して、6,000の実験的構成にわたる代替AFの間で平均して最高にランク付けされました。

要約(オリジナル)

Identifying the optimal diagnostic test and hardware system instance to infer reliability characteristics using field data is challenging, especially when constrained by fixed budgets and minimal maintenance cycles. Active Learning (AL) has shown promise for parameter inference with limited data and budget constraints in machine learning/deep learning tasks. However, AL for reliability model parameter inference remains underexplored for repairable hardware systems. It requires specialized AL Acquisition Functions (AFs) that consider hardware aging and the fact that a hardware system consists of multiple sub-systems, which may undergo only partial testing during a given diagnostic test. To address these challenges, we propose a relaxed Mixed Integer Semidefinite Program (MISDP) AL AF that incorporates Diagnostic Coverage (DC), Fisher Information Matrices (FIMs), and diagnostic testing budgets. Furthermore, we design empirical-based simulation experiments focusing on two diagnostic testing scenarios: (1) partial tests of a hardware system with overlapping subsystem coverage, and (2) partial tests where one diagnostic test fully subsumes the subsystem coverage of another. We evaluate our proposed approach against the most widely used AL AF in the literature (entropy), as well as several intuitive AL AFs tailored for reliability model parameter inference. Our proposed AF ranked best on average among the alternative AFs across 6,000 experimental configurations, with respect to Area Under the Curve (AUC) of the Absolute Total Expected Event Error (ATEER) and Mean Squared Error (MSE) curves, with statistical significance calculated at a 0.05 alpha level using a Friedman hypothesis test.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google