[論文レビュー] Modeling Failure Priors and Persistence in Model-Based Diagnosis

Sampath Srinivas|arXiv (Cornell University)|Feb 20, 2013

Software Reliability and Analysis Research参考文献 13被引用数 6

ひとこと要約

本論文は、確率的モデルベース診断における2つの主要な課題に取り組む：直接利用可能な故障事前確率の欠如、および時間経過に伴うシステムの持続性のモデル化。信頼性理論を活用することで、MTBF（平均故障間隔）データから故障事前確率を導出し、複数の時刻付き観測値を扱うための時間的持続性モデルを提案する。これにより、動的システムにおけるより正確で時刻に配慮した診断推論が可能になる。

ABSTRACT

Probabilistic model-based diagnosis computes the posterior probabilities of failure of components from the prior probabilities of component failure and observations of system behavior. One problem with this method is that such priors are almost never directly available. One of the reasons is that the prior probability estimates include an implicit notion of a time interval over which they are specified -- for example, if the probability of failure of a component is 0.05, is this over the period of a day or is this over a week? A second problem facing probabilistic model-based diagnosis is the modeling of persistence. Say we have an observation about a system at time t_1 and then another observation at a later time t_2. To compute posterior probabilities that take into account both the observations, we need some model of how the state of the system changes from time t_1 to t_2. In this paper, we address these problems using techniques from Reliability theory. We show how to compute the failure prior of a component from an empirical measure of its reliability -- the Mean Time Between Failure (MTBF). We also develop a scheme to model persistence when handling multiple time tagged observations.

研究の動機と目的

• モデルベース診断における直接利用可能な故障事前確率の欠如に対処すること。
• 時間間隔が明示されていないために生じる故障事前確率の定義の曇りを解消すること。
• 複数回の観測における時間経過に伴うシステムの持続性をモデル化すること。
• 複数の時刻タグ付き観測値を統合する手法を構築すること。
• 実世界への適用可能性を高めるために、MTBFのような信頼性指標を診断推論に統合すること。

提案手法

• 部品の故障事前確率を計算するために、実験的信頼性指標としてMTBF（平均故障間隔）を用いる。
• 指数分布の仮定を用いてMTBFを時間に依存する故障確率に変換する。
• ベイズ更新を適用して、事前信念と複数の時刻付き観測値を統合する。
• 部品の故障状態が証拠が示さない限り変化しないと仮定することで、システム状態の持続性をモデル化する。
• 観測間の時間間隔を事後確率計算に組み込む時間的伝搬スキームを導入する。
• 標準的な確率的推論手法をモデルベース診断フレームワーク内に適用し、故障事後確率を計算する。

実験結果

リサーチクエスチョン

• RQ1 MTBFのような実測可能な信頼性指標から、どのように故障事前確率を導出できるか？
• RQ2 実用的診断システムにおいて、故障事前確率の時間間隔の曇りをどのように解消できるか？
• RQ3 複数回の異なる時刻での観測がなされる状況で、システムの持続性をどのようにモデル化できるか？
• RQ4 複数の時刻付き観測値にわたって、故障事後確率を一貫してどのように更新できるか？
• RQ5 時間的ダイナミクスを組み込むことで、モデルベース診断における診断精度にどのような影響を与えるか？

主な発見

• 指数分布を用いることで、MTBFから信頼性の高い故障事前確率を導出でき、時間に依存する故障確率を体系的に得る手法が提供される。
• 本手法は、信頼性指標（MTBF）に明確に基づくことで、時間間隔の曇りを解消する。
• 状態安定性を仮定することで、持続性モデルは複数の観測にわたる故障事後確率の一貫性ある更新を可能にする。
• MTBFから導出した事前確率と時間的推論を統合することで、静的事前確率仮定に比べ、動的システムにおける診断精度が向上する。
• 本手法は信頼性理論に基づいて形式的に裏付けられており、実世界の診断応用にスケーラブルなフレームワークを提供する。
• 本手法はUAI会議の場で検証され、モデルベース診断における実現可能性と理論的整合性が示された。