[논문 리뷰] Machine Learning for Reliability Engineering and Safety Applications: Review of Current Status and Future Opportunities

Zhaoyi Xu, Joseph H. Saleh|arXiv (Cornell University)|2020. 08. 19.

Anomaly Detection Techniques and Applications참고 문헌 138인용 수 20

한 줄 요약

이 논문은 신뢰성 공학 및 안전 응용 분야에서 기계학습(ML)의 현재 상태와 미래 잠재력을 검토하며, 고장 감지, 위험 평가, 사고 분석 등의 분야에서 산산이 흩어진 문헌을 통합한다. 기계학습의 유형을 개괄하고 딥 러닝의 증가하는 역할을 강조하며, 복잡한 사고 데이터셋으로부터의 데이터 기반 통찰을 통해 안전 의사결정을 향상시키는 핵심 기회를 밝힌다.

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.

연구 동기 및 목표

• 기계학습 응용 분야의 산산이 흩어진 문헌을 통합하는 것.
• 기계학습 유형, 과제, 알고리즘의 체계적인 개요를 제공하는 것.
• 딥 러닝이 사고 데이터 분석 및 위험 예측을 향상시키는 데 어떻게 활용되는지 검토하는 것.
• 안전 중심 시스템에 기계학습을 통합하는 데 있어 주요 과제와 미래 연구 기회를 특정하는 것.
• 실패 데이터에서의 데이터 기반 통찰을 향상시켜 안전 및 신뢰성 분야의 의사결정을 더 잘 이끌어내는 데 기여하는 것.

제안 방법

• 기계학습 응용 분야의 기존 문헌을 과제 유형(예: 분류, 이상 탐지)별로 체계적으로 검토하는 것.
• 감독 학습, 비감독 학습, 강화 학습 등의 넓은 범주로 기계학습 모델을 분류하고 관련 하위 과제에 중점을 두는 것.
• 실패 예측, 시스템 신뢰성, 사고 재구성 분야에서 기계학습 활용 사례 연구 및 논문 분석.
• 복잡하고 고차원적인 안전 데이터를 처리하기 위해 딥 러닝 기법(예: 신경망)에 중점을 두는 것.
• 안전 중심 분야에서 현재 기계학습 응용의 방법론적 추세와 한계를 규명하는 것.
• 발굴된 격차와 새로운 능력 기반의 미래 연구 방향을 도식화하는 것.

실험 결과

연구 질문

• RQ1 기계학습은 다양한 분야에서 신뢰성 공학 및 안전 공학에 어떻게 적용되었는가?
• RQ2 기계학습의 핵심 유형과 기계학습 응용 분야에서 가장 관련성이 높은 알고리즘은 무엇인가?
• RQ3 딥 러닝은 사고 및 실패 데이터 분석에서 전통적 방법에 비해 어떤 방식으로 향상되는가?
• RQ4 안전 중심 시스템에 기계학습를 도입하는 데 있어 주요 과제와 한계는 무엇인가?
• RQ5 기계학습을 통해 신뢰성 및 안전성을 향상시키기 위한 미래 연구 기회는 무엇인가?

주요 결과

• 기계학습은 기존 분석 도구보다 사고 데이터셋으로부터 더 정확한 통찰을 제공하여 의사결정을 향상시킨다.
• 딥 러닝은 고차원 데이터에서 복잡한 비선형 관계를 모델링할 수 있는 능력 덕분에 안전 응용 분야에서 인기를 끌고 있다.
• 기계학습을 기반으로 한 신뢰성 공학 통합은 예측 유지보수, 고장 감지, 위험 평가 분야에서 새로운 기회를 제공한다.
• 진전이 있음에도 불구하고 문헌은 여전히 산산이 흩어져 있어 지식 통합과 응용을 위한 통합 프레임워크가 필요하다.
• 기계학습의 향후 응용은 시스템의 내성 강화, 인간 오류 감소, 사전적 안전 관리 지원을 향상시킬 것으로 기대된다.
• 이 논문은 기존 통계적 방법으로는 감지하기 어려운 실패 데이터 내 숨겨진 패턴을 드러내는 데 기계학습의 강력한 잠재력을 규명한다.