[論文レビュー] Machine Learning for Reliability Engineering and Safety Applications: Review of Current Status and Future Opportunities

Zhaoyi Xu, Joseph H. Saleh|arXiv (Cornell University)|Aug 19, 2020

Anomaly Detection Techniques and Applications参考文献 138被引用数 20

ひとこと要約

この論文は、故障検出、リスク評価、事故分析などの分野における信頼性工学および安全応用分野における機械学習（ML）の現在の状態と将来の可能性をレビューし、散在する文献を統合的に解説する。MLの種別、ディープラーニングの急速な役割の拡大、複雑な事故データセットからのデータ駆動型インサイトを活用した安全意思決定の向上という重要な機会を明らかにしている。

ABSTRACT

Machine learning (ML) pervades an increasing number of academic disciplines and industries. Its impact is profound, and several fields have been fundamentally altered by it, autonomy and computer vision for example; reliability engineering and safety will undoubtedly follow suit. There is already a large but fragmented literature on ML for reliability and safety applications, and it can be overwhelming to navigate and integrate into a coherent whole. In this work, we facilitate this task by providing a synthesis of, and a roadmap to this ever-expanding analytical landscape and highlighting its major landmarks and pathways. We first provide an overview of the different ML categories and sub-categories or tasks, and we note several of the corresponding models and algorithms. We then look back and review the use of ML in reliability and safety applications. We examine several publications in each category/sub-category, and we include a short discussion on the use of Deep Learning to highlight its growing popularity and distinctive advantages. Finally, we look ahead and outline several promising future opportunities for leveraging ML in service of advancing reliability and safety considerations. Overall, we argue that ML is capable of providing novel insights and opportunities to solve important challenges in reliability and safety applications. It is also capable of teasing out more accurate insights from accident datasets than with traditional analysis tools, and this in turn can lead to better informed decision-making and more effective accident prevention.

研究の動機と目的

• 信頼性工学および安全工学における機械学習応用に関する散在する文献を統合する。
• 信頼性および安全工学に関連するMLの種別、タスク、アルゴリズムの構造的概要を提供する。
• 事故データ分析およびリスク予測の向上に向けたディープラーニングの活用を検討する。
• 安全関連システムへのML統合における主な課題と今後の研究機会を特定する。
• 複雑な失敗データセットからの改善されたデータ駆動型インサイトを通じて、安全および信頼性分野における意思決定をより的確にする支援を行う。

提案手法

• 信頼性および安全工学におけるML応用に関する既存文献の体系的レビュー。タスクタイプ（例：分類、異常検出）別に分類。
• 教師あり学習、教師なし学習、強化学習などの広範なMLモデルのカテゴリに分類し、関連するサブタスクに焦点を当てる。
• 故障予測、システム信頼性、事故再建などの分野におけるMLの活用を示す事例研究および論文の分析。
• 高次元の安全データを扱う際の複雑な非線形関係をモデル化できる能力から、ディープラーニング技術（例：ニューラルネットワーク）への重点的注目。
• 安全関連分野における現在のML応用における方法論的トレンドおよび制限の同定。
• 特定されたギャップおよび新たな能力を基に、今後の研究方向性のロードマップ作成。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、異なる分野において信頼性工学および安全工学にどのように応用されてきたか？
• RQ2 信頼性および安全応用において最も関連性の高いMLの種別およびアルゴリズムは何か？
• RQ3 ディープラーニングは、従来の手法に比べて、事故および故障データの分析においてどのような点で優れているか？
• RQ4 安全関連システムへのMLの導入における主な課題と制限は何か？
• RQ5 信頼性および安全工学を進歩させるために、機械学習を活用した今後の研究機会は何か？

主な発見

• 従来の分析ツールに比べ、機械学習は事故データセットからより正確なインサイトを提供し、意思決定の質を向上させる。
• 高次元データにおける複雑な非線形関係をモデル化できる能力から、ディープラーニングは安全応用分野で人気が高まっている。
• 信頼性工学へのML統合により、予測保全、故障検出、リスク評価の分野に新たな機会が生まれている。
• 進展は見られるものの、文献は依然として散在しており、知識の統合と応用を促進する統一されたフレームワークの必要性が高まっている。
• 将来的には、MLの応用によりシステムのレジリエンスが向上し、人的ミスが減少し、予防的で能動的な安全マネジメントが実現される見込みである。
• 本論文は、従来の統計的手法では検出が難しい、失敗データに隠れたパターンを特定できるというMLの強力な潜在的価値を同定している。