研究課題/領域番号 |
22K04579
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分25010:社会システム工学関連
|
研究機関 | 広島大学 |
研究代表者 |
土肥 正 広島大学, 先進理工系科学研究科(工), 教授 (00243600)
|
研究期間 (年度) |
2022-04-01 – 2025-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2024年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2023年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
キーワード | 信頼性 / 寿命解析 / 多項式故障モデル / ウェーブレット多項式 / 統計的推論 / 非定常ポアソン過程 / 多項式モデル / 故障分布 / 計算基盤 / ソフトウェア信頼性 |
研究開始時の研究の概要 |
本研究では, これらの故障率関数もしくは強度関数が多項式によって与えられる多項式故障モデルを静的多項式故障モデルと動的多項式故障モデルに分類し, 信頼性評価を含む統計的推論問題を統一的に取扱う一般的な計算基盤を確立することを目的とする. 具体的に, 現実の世界において広く適用されているパラメトリックモデルよりも一般的かつ柔軟な信頼性評価を行うための計算基盤を, 理論構築とツール開発の両面から研究する. 軽量かつ高速に寿命解析と信頼性評価を実行するプロトタイプを開発し, 観測された実データを用いた実証研究を通じて, 多項式故障モデルの有効性を検証する.
|
研究実績の概要 |
本年度は最も基本的な単純整数次局所多項式モデルを静的故障モデルと動的故障モデルに適用し, これらの統計的推論アルゴリズムを開発すると同時に, ハードウェアとソフトウェアの両面から多項式故障モデルの適用可能性を調査する実証研究を行った. ハードウェアの寿命データに関しては歴史も古く, 多くのレファレンスデータが既に公開されているため, 実データに基づいた実証研究を行うことは比較的容易であった. ソフトウェアのテスト期間における欠陥データやフィールドで報告される障害データ(脆弱性検出データも含む)として, オープンソースのデータが利用可能であり, GitHub 上のリポジトリで公開されている開発データを調査することで, オペレーティングシステムなど主要オープンソースの寿命データを解析することが可能であった. また, ハードウェアとソフトウェアの寿命分析において用いられてきた典型的なパラメトリックモデルや不完備な情報化で用いられるノンパラメトリックモデルとの性能評価を行うことで, 提案する多項式故障モデルの有効性について検証した. さらにドゥーブシウェブレットに基づいた修理系システムの寿命データ解析の手法についても検討し、多項式モデルとの比較実験を行った。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
今年度の目標であった寿命解析で用いられるオープンデータの獲得は順調に実施できた。特に、GitHub 上のリポジトリで公開されている開発データの調査には時間を要したが、主要オープンソースの寿命データを解析用に整理することで、故障モデルの性能評価のベンチマーク基盤を整備することが出来た。 一方、不完備な情報化で用いられるノンパラメトリックモデルの予測法について、いくつかの理論的に克服しなければならない問題点が明らかとなった。この問題に対しては、近年進展の目まぐるしい機械学習アルゴリズムの活用が有効であると考えられ、さらなる改善を目指して文献調査等を継続的に行っている。
|
今後の研究の推進方策 |
今後は, 単純整数次局所多項式モデル以外の多項式モデルに着目し, それらの推論スキームの確立を目指す. 単純整数次局所多項式モデルと同様に, 多項式の次数を決定するために情報量基準を用いて最尤推定を行うことは可能であるが, フーリエ多項式, ルジャンドル多項式, ラグランジュ多項式を用いて多項式故障モデルを推定する問題では, 強い非線形性と多峰性, および不連続な多項式を扱う場面があるため, 通常の最尤原理に基づいて推論を行うことは困難である. そこで, 解像度の観点から推定量のデノイズを行う縮小推定を適用し, 故障モデルを推論するためのスキームを確立する. これは申請者らがソフトウェア信頼性評価において既に確立した方法論を汎用的な信頼性問題に拡張することに対応しており, 新しい多項式故障モデルの解析法の見通しは既に立っている. また, ウェーブレット変換と CNN (畳み込みニューラルネットワーク) などの機械学習モデルの親和性は知られているので, AI 技術を応用した故障モデルの解析法を世界に先駆けて開発することが十分に期待できる.
|