针对部分覆盖范围的可修复硬件系统的主动学习方法

《IEEE Access》：Active Learning for Repairable Hardware Systems with Partial Coverage

　　

摘要：

在使用现场数据确定最佳诊断测试和硬件系统实例以推断可靠性特征时面临挑战，尤其是在预算固定和维护周期较短的情况下。主动学习（AL）在机器学习和深度学习任务中已被证明在数据有限和预算受限的情况下具有参数推断的潜力。然而，针对可修复硬件系统的可靠性模型参数推断的主动学习方法仍较少被研究。这需要专门的主动学习获取函数（AFs），这些函数需要考虑硬件老化问题以及硬件系统由多个子系统组成的事实，而这些子系统在给定的诊断测试中可能只进行部分测试。为了解决这些挑战，本文提出了一种放宽的混合整数半定规划（MISDP）主动学习获取函数，该函数结合了诊断覆盖率（DC）、费希尔信息矩阵（FIMs）和诊断测试预算。设计了针对两种诊断测试场景的实证模拟实验：（1）具有重叠子系统覆盖范围的硬件系统的部分测试；（2）其中一个诊断测试完全包含另一个诊断测试的子系统覆盖范围的测试。所提出的方法与文献中最广泛使用的主动学习获取函数（基于熵的方法）以及几种为可靠性模型参数推断量身定制的主动学习获取函数进行了比较。在超过4500种实验配置中，所提出的方法在平方赫林格距离（SHD）曲线下的面积（AUC）和均方误差（MSE）曲线方面平均排名最高，并具有统计显著性。