[论文解读] 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 6

一句话总结

本文解决了基于概率模型诊断中的两个关键挑战：缺乏直接可得的故障先验概率，以及系统随时间延续性的建模。通过利用可靠性理论，本文从平均故障间隔时间（MTBF）数据中推导出故障先验概率，并引入一种时间持久性模型以处理多个带时间戳的观测，从而实现在动态系统中更准确且具备时间感知的诊断推理。

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.

研究动机与目标

• 解决基于模型诊断中缺乏直接可用的故障先验概率的问题。
• 解决由于未指定时间区间而导致的故障先验指定模糊性问题。
• 对随时间变化的多个观测中系统持久性进行建模。
• 开发一种在概率诊断中整合多个时间标记观测的方法。
• 将可靠性度量（如MTBF）整合到诊断推理中，以增强实际应用的可行性。

提出的方法

• 使用平均故障间隔时间（MTBF）作为经验可靠性度量，以计算组件的故障先验概率。
• 通过指数分布假设，将MTBF转换为时间相关的故障概率。
• 应用贝叶斯更新，将先验信念与多个时间戳观测结果相结合。
• 通过假设组件故障状态在无证据表明其改变时保持不变，来建模系统状态的持久性。
• 引入一种时间传播方案，以在后验概率计算中考虑观测之间的时间间隔。
• 在基于模型的诊断框架内，采用标准的概率推理技术，以计算故障后验概率。

实验结果

研究问题

• RQ1 如何从可实测的可靠性度量（如MTBF）中推导出故障先验概率？
• RQ2 如何解决故障先验中因时间区间不明确而带来的模糊性，以适用于实际诊断系统？
• RQ3 当在不同时间点进行多次观测时，如何对系统持久性进行建模？
• RQ4 如何在多个时间戳观测中一致地更新后验故障概率？
• RQ5 在基于模型诊断中，引入时间动态对诊断准确性有何影响？

主要发现

• 通过指数分布，可从MTBF可靠地计算出故障先验概率，从而为推导时间特定的故障概率提供一种合理方法。
• 该方法通过将先验锚定在明确的可靠性度量（MTBF）上，解决了时间区间模糊性问题。
• 持久性模型通过假设时间点之间的状态稳定，实现了对多个观测中故障后验概率的一致更新。
• 将MTBF推导的先验与时间推理相结合，相较于静态先验假设，显著提升了动态系统中的诊断准确性。
• 该方法在可靠性理论基础上具有坚实的理论基础，并为实际诊断应用提供了可扩展的框架。
• 该方法在UAI会议环境中得到验证，证明了其在基于模型诊断中的可行性与理论严谨性。