[论文解读] 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 20

一句话总结

本文综述了机器学习（ML）在可靠性工程与安全应用中的现状及未来潜力，整合了故障检测、风险评估和事故分析等不同领域中零散的文献。文章概述了机器学习的类别，强调了深度学习日益增长的作用，并指出了通过复杂事故数据集中的数据驱动洞察来改进安全决策的关键机遇。

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.

研究动机与目标

• 整合可靠性与安全工程中机器学习应用的零散文献。
• 提供与可靠性与安全相关的机器学习类别、任务和算法的结构化概述。
• 研究深度学习在提升事故数据与风险预测分析中的应用。
• 识别将机器学习整合到安全关键系统中的主要挑战与未来研究机遇。
• 通过提升基于数据的洞察力，支持在安全与可靠性领域做出更明智的决策。

提出的方法

• 对可靠性与安全领域中机器学习应用的现有文献进行系统性综述，按任务类型（如分类、异常检测）分类。
• 将机器学习模型划分为监督学习、无监督学习和强化学习等主要类别，并聚焦于相关子任务。
• 分析案例研究与出版物，展示机器学习在故障预测、系统可靠性与事故重建中的应用。
• 强调深度学习技术（如神经网络）在处理复杂、高维安全数据方面的作用。
• 识别当前安全关键领域中机器学习应用的方法论趋势与局限性。
• 基于识别出的差距与新兴能力，规划未来研究方向。

实验结果

研究问题

• RQ1 机器学习在不同领域中如何应用于可靠性与安全工程？
• RQ2 哪些关键的机器学习类别与算法最适用于可靠性与安全应用？
• RQ3 深度学习在分析事故与故障数据方面，相较于传统方法有何改进？
• RQ4 在安全关键系统中采用机器学习的主要挑战与局限性是什么？
• RQ5 通过机器学习推动可靠性与安全发展的未来研究机遇有哪些？

主要发现

• 与传统分析工具相比，机器学习能够从事故数据集中提供更精确的洞察，从而提升决策质量。
• 由于能够建模高维数据中的复杂非线性关系，深度学习在安全应用中日益受欢迎。
• 将机器学习整合到可靠性工程中，为预测性维护、故障检测与风险评估提供了新机遇。
• 尽管已有进展，但文献仍较为零散，亟需统一的知识整合与应用框架。
• 未来机器学习在安全领域的应用有望增强系统韧性，减少人为错误，并支持主动安全管理。
• 本文指出，机器学习在揭示传统统计方法难以检测的故障数据隐藏模式方面具有巨大潜力。