面向飞机预测性维护的代理神经网络局部稳定性

代理神经网络如今在工业界被常规用作计算量大的工程仿真（例如结构分析中的仿真）的替代品。它们能够在工业应用中（例如在产品设计、测试或监测阶段）生成更快的预测，从而进行分析。由于其性能和时间效率，这些代理模型正被开发用于安全关键型应用。神经网络验证，特别是对其鲁棒性（例如对扰动的鲁棒性）的评估，是使其能够纳入实际应用并通过认证的下一个关键步骤。我们评估了经验和形式化方法在飞机预测性维护背景下的适用性和可扩展性，针对的是设计用于根据外部载荷预测飞机部件承受应力的代理神经网络。该案例研究涵盖了高维输入和输出空间，因此验证过程需适应多目标约束。我们探索了验证方法在评估此类代理模型对输入噪声的局部稳定性方面的互补性。我们展示了在一个验证“流水线”中顺序组合方法的有效性，并证明了在评估目标属性所需运行时间上的后续增益。