Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On the Additive Capacity Problem for Quantitative Information Flow Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

LIFT: Learning Fault Trees from Observational Data

verfasst von : Meike Nauta, Doina Bucur, Mariëlle Stoelinga

Erschienen in: Quantitative Evaluation of Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Industries with safety-critical systems increasingly collect data on events occurring at the level of system components, thus capturing instances of system failure or malfunction. With data availability, it becomes possible to automatically learn a model describing the failure modes of the system, i.e., how the states of individual components combine to cause a system failure. We present LIFT, a machine learning method for static fault trees directly out of observational datasets. The fault trees model probabilistic causal chains of events ending in a global system failure. Our method makes use of the Mantel-Haenszel statistical test to narrow down possible causal relationships between events. We evaluate LIFT with synthetic case studies, show how its performance varies with the quality of the data, and discuss practical variants of LIFT.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Probabilistic Model Checking for Continuous-Time Markov Chains via Sequential Bayesian Inference
Nächstes Kapitel A Robust Genetic Algorithm for Learning Temporal Specifications from Data
Fußnoten
Literatur
1.
Ruijters, E., Stoelinga, M.: Fault tree analysis: a survey of the state-of-the-art in modeling, analysis and tools. Comput. Sci. Rev. 15, 29–62 (2015)MathSciNetCrossRef
2.
Murthy, S.K.: Automatic construction of decision trees from data: a multi-disciplinary survey. Data Min. Knowl. Discov. 2(4), 345–389 (1998)CrossRef
3.
Tan, P., Steinbach, M., Kumar, V.: Introduction to Data Mining. Pearson Education (2006)
4.
Li, J., Ma, S., Le, T., Liu, L., Liu, J.: Causal decision trees. IEEE Trans. Knowl. Data Eng. 29(2), 257–271 (2017)CrossRef
5.
Mantel, N., Haenszel, W.: Statistical aspects of the analysis of data from retrospective studies of disease. J. Nat. Cancer Inst. 22(4), 719–748 (1959)
6.
Kabir, S.: An overview of fault tree analysis and its application in model based dependability analysis. Expert Syst. Appl. 77, 114–135 (2017)CrossRef
7.
Aizpurua, J.I., Muxika, E.: Model-based design of dependable systems: limitations and evolution of analysis and verification approaches. Int. J. Adv. Secur. 6(1–2), 12–31 (2013)
8.
Sharvia, S., Kabir, S., Walker, M., Papadopoulos, Y.: Model-based dependability analysis: state-of-the-art, challenges, and future outlook. In: Software Quality Assurance, pp. 251–278. Elsevier (2016)
9.
Madden, M.G., Nolan, P.J.: Generation of fault trees from simulated incipient fault case data. WIT Trans. Inf. Commun. Technol. 6, 568–569 (1994)
10.
Papadopoulos, Y., McDermid, J.: Safety-directed system monitoring using safety cases. Ph.D. thesis, University of York (2000)
11.
Li, S., Li, X.: Study on generation of fault trees from Altarica models. Procedia Eng. 80, 140–152 (2014)CrossRef
12.
Bozzano, M., Villafiorita, A.: The FSAP/NuSMV-SA safety analysis platform. Int. J. Softw. Tools Technol. Transf. 9(1), 5 (2007)CrossRef
13.
14.
Leitner-Fischer, F., Leue, S.: Probabilistic fault tree synthesis using causality computation. Int. J. Crit. Comput.-Based Syst. 4(2), 119–143 (2013)CrossRef
15.
Li, J., Shi, J.: Knowledge discovery from observational data for process control using causal Bayesian networks. IIE Trans. 39(6), 681–690 (2007)CrossRef
16.
17.
Chickering, D.M., Heckerman, D., Meek, C.: Large-sample learning of Bayesian networks is NP-hard. J. Mach. Learn. Res. 5, 1287–1330 (2004)MathSciNetMATH
18.
Kleinberg, S.: Why: A Guide to Finding and Using Causes. O’Reilly (2015)
19.
Birch, M.: The detection of partial association, I: the 2 \(\times \) 2 case. J. Royal Stat. Soc. Ser. B (Methodological) 26, 313–324 (1964)MathSciNetMATH
20.
21.
Koller, D., Friedman, N.: Probabilistic Graphical Models: Principles and Techniques. MIT Press (2009)
22.
Rohrer, J.M.: Thinking clearly about correlations and causation: graphical causal models for observational data (2017)
23.
Quinlan, J.R.: C4. 5: Programs for Machine Learning. Elsevier (2014)
Metadaten
Titel
LIFT: Learning Fault Trees from Observational Data
verfasst von
Meike Nauta
Doina Bucur
Mariëlle Stoelinga
Copyright-Jahr
2018
Buch
Quantitative Evaluation of Systems

Print ISBN: 978-3-319-99153-5

Electronic ISBN: 978-3-319-99154-2

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-99154-2_19

Premium Partner

    Bildnachweise