第16卷第1期 智能系统学报 Vol.16 No.1 2021年1月 CAAI Transactions on Intelligent Systems Jan.2021 D0:10.11992/tis.202003001 系统故障因果关系分析的智能驱动方式研究 崔铁军1，李莎莎2 (1.辽宁工程技术大学安全科学与工程学院，辽宁阜新123000,2.辽宁工程技术大学工商管理学院，辽宁葫 芦岛125105) 摘要：为适应未来智能环境和安全领域的故障数据分析需求，本文提出系统故障因果关系分析思想。论述了 通过数理统计方法分析系统故障数据存在的问题，研究了系统故障的相关性和关联性，前者基于故障数据反应 故障表象；后者基于故障概念反应故障本质。将智能情况下的故障因果分析划分为4个层次，包括数据驱动、 因素驱动、数据-因素驱动、数据-因素-假设驱动。该方法的特点是获得广泛的故障因果关系，深入了解因果 关系，两者兼顾和更接近于人的思维。4种驱动对故障因果分析的能力依次上升，可为安全科学与智能科学结 合提供渠道。 关键词：安全系统工程；故障数据：因果关系：智能科学；智能分析；空间故障树；因素空间：驱动方式 中图分类号：X913,C931.1,TP18文献标志码：A文章编号：1673-4785(2021)01-0092-06 中文引用格式：崔铁军，李莎莎.系统故障因果关系分析的智能驱动方式研究.智能系统学报，2021,16(1)：92-97. 英文引用格式：CUI Tiejun,LI Shasha..Intelligent analysis of system fault data and fault causal relationship.CAAI transactions on intelligent systems,2021,16(1):92-97. Intelligent analysis of system fault data and fault causal relationship CUI Tiejun',LI Shasha2 (1.College of Safety Science and Engineering,Liaoning Technical University,Fuxin 123000,China;2.School of business adminis- tration,Liaoning Technical University,Huludao 125105,China) Abstract:To meet the needs of fault data analysis in the future intelligent environment and safety field,we propose the idea of causal relationship analysis of system fault.First,the problems existing in the analysis of system fault data by mathematical statistics are discussed,the correlation and relevance of system fault are studied,showing that the former is based on faulty data,reflecting the fault representation;the latter is based on fault concept,reflecting fault essence. The fault causal analysis in the intelligent situation is divided into four levels:data driven,factor driven,data-factor driven,and data-factor-hypothesis driven.Their characteristics are to separately obtain and understand a wide range of fault causal relationships,both considering and closer to human thought.The ability of the four drivers to analyze the fault causal relationship increases in turn,it can provide a channel for combining safety science and intelligent science. Keywords:safety system engineering;fault data;causal relationship;intelligent science;intelligent analysis;space fault tree;factor space;driving mode 面对无人化、智能化、信息化和数据化的复 取、存在较多的冗余和错误，通过数理统计方法 杂系统，目前系统故障分析方法存在明显不足， 不易获得准确而深入的故障因果关系：其次是在 特别是智能科学和技术涌现后问题更加严重。首 故障数据基础上只能通过分析数据得到故障因果 先是故障数据分析。故障数据特点在于难以提 关系。但这种关系完全基于数据，虽然能广泛了 收稿日期：2020-03-01 解故障因果关系，但深入研究基本影响因素较为 基金项目：国家自然科学基金项目(52004120,51704141)：国家 重点研发计划项目(2017YFC1503102):辽宁省教育 困难。这将进一步导致故障预测、预防和治理的 厅科学研究项目LJ2020QNL018):辽宁工程技术大 学学科创新团队项目(LNTU20TD-31). 困难；三是面向复杂系统故障的智能管控系统的 通信作者：崔铁军.E-mail:c4.159@163.com. 基础数学理论不充分。单纯基于故障大数据和因
DOI: 10.11992/tis.202003001 系统故障因果关系分析的智能驱动方式研究 崔铁军1 ，李莎莎2 （1. 辽宁工程技术大学 安全科学与工程学院，辽宁 阜新 123000; 2. 辽宁工程技术大学 工商管理学院，辽宁 葫 芦岛 125105） 摘 要：为适应未来智能环境和安全领域的故障数据分析需求，本文提出系统故障因果关系分析思想。论述了 通过数理统计方法分析系统故障数据存在的问题，研究了系统故障的相关性和关联性，前者基于故障数据反应 故障表象；后者基于故障概念反应故障本质。将智能情况下的故障因果分析划分为 4 个层次，包括数据驱动、 因素驱动、数据−因素驱动、数据−因素−假设驱动。该方法的特点是获得广泛的故障因果关系，深入了解因果 关系，两者兼顾和更接近于人的思维。4 种驱动对故障因果分析的能力依次上升，可为安全科学与智能科学结 合提供渠道。 关键词：安全系统工程；故障数据；因果关系；智能科学；智能分析；空间故障树；因素空间；驱动方式 中图分类号：X913; C931.1; TP18 文献标志码：A 文章编号：1673−4785(2021)01−0092−06 中文引用格式：崔铁军, 李莎莎. 系统故障因果关系分析的智能驱动方式研究 [J]. 智能系统学报, 2021, 16(1): 92–97. 英文引用格式：CUI Tiejun, LI Shasha. Intelligent analysis of system fault data and fault causal relationship[J]. CAAI transactions on intelligent systems, 2021, 16(1): 92–97. Intelligent analysis of system fault data and fault causal relationship CUI Tiejun1 ，LI Shasha2 (1. College of Safety Science and Engineering, Liaoning Technical University, Fuxin 123000, China; 2. School of business administration, Liaoning Technical University, Huludao 125105, China) Abstract: To meet the needs of fault data analysis in the future intelligent environment and safety field, we propose the idea of causal relationship analysis of system fault. First, the problems existing in the analysis of system fault data by mathematical statistics are discussed, the correlation and relevance of system fault are studied, showing that the former is based on faulty data, reflecting the fault representation; the latter is based on fault concept, reflecting fault essence. The fault causal analysis in the intelligent situation is divided into four levels: data driven, factor driven, data-factor driven, and data-factor-hypothesis driven. Their characteristics are to separately obtain and understand a wide range of fault causal relationships, both considering and closer to human thought. The ability of the four drivers to analyze the fault causal relationship increases in turn, it can provide a channel for combining safety science and intelligent science. Keywords: safety system engineering; fault data; causal relationship; intelligent science; intelligent analysis; space fault tree; factor space; driving mode 面对无人化、智能化、信息化和数据化的复 杂系统，目前系统故障分析方法存在明显不足， 特别是智能科学和技术涌现后问题更加严重。首 先是故障数据分析。故障数据特点在于难以提 取、存在较多的冗余和错误，通过数理统计方法 不易获得准确而深入的故障因果关系；其次是在 故障数据基础上只能通过分析数据得到故障因果 关系。但这种关系完全基于数据，虽然能广泛了 解故障因果关系，但深入研究基本影响因素较为 困难。这将进一步导致故障预测、预防和治理的 困难；三是面向复杂系统故障的智能管控系统的 基础数学理论不充分。单纯基于故障大数据和因 收稿日期：2020−03−01. 基金项目：国家自然科学基金项目 (52004120, 51704141)；国家 重点研发计划项目 (2017YFC1503102)；辽宁省教育 厅科学研究项目 (LJ2020QNL018)；辽宁工程技术大 学学科创新团队项目 (LNTU20TD-31). 通信作者：崔铁军. E-mail：ctj.159@163.com. 第 16 卷第 1 期 智 能 系 统 学 报 Vol.16 No.1 2021 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2021
第1期 崔铁军，等：系统故障因果关系分析的智能驱动方式研究 ·93· 素，而不考虑数据与因素关系和人的假设条件， 本文不论述监测和收集问题，因为这些偏重 难以通过智能系统管控分析复杂系统故障。 于硬件。当获得故障数据后如何处理才是关键问 目前关于系统故障数据的智能处理及因果关 题。系统故障一般具有因果关系，即哪些事件导 系研究的文献不多，较新的研究包括：光纤通信 致了故障，故障又导致了哪些事件发生。因此安 故障数据智能检测山；故障因果信息的故障智能 全科学，特别是故障研究最终需要揭示故障之间 诊断；空间故障树与因素空间融合的智能可靠 的因果关系。另一方面，处理故障数据的方法很 性分析；自适应选择融合智能故障分类技术： 多，但目前最常用的是数理统计。数理统计之父 智能变电站网络设备故障定位；智能电表运行 Karl Pearson热衷于从基础数据归类得到表征变 故障监控与预测m,智能电网监控大数据模型 量，然后使用这些变量研究事物的关系6。通过 构建1等。这些研究在各自领域取得了较好成 2个随机变量的联合分布表达它们之间的联系。 果，但并没有解决故障数据处理和故障因果关系 这当然取得了极大成功，奠定了数理统计基础。 分析等本质理论问题。 但这种联系说明了何种问题？例如交通事故和时 作者根据对故障信息转换9、故障状态、故 间的对应分布关系，6：00-8：00和17：00-19：00时间 障对象分类☒，故障的因素影响311及故障演 范围内交通事故达到峰值，并正态分布。说明交 化6等的研究，对上述3个问题提出了解决方 通事故与时间存在联系，但这种关系并非因果关 案。对上述3个问题提出了一些看法。论述了通 系。因为联合分布得到的因果关系具有双向性。 过数理统计方法分析故障数据的弊端；给出了系 即由甲推断乙，同时由乙也可以推断甲。那么这 统故障原因及结果的相关性和关联性区别；最后 个例子就变成了时间与交通事故存在联系，这显 论述了智能系统对故障因果关系分析的4个层 然难以解释。在数理统计发展中也有类似争论。 次。希望能为复杂系统故障分析提供智能方法。 以父亲身高推断儿子身高，发展相关椭圆的主轴 向自变量轴偏转说明具有遗传回归性，即儿子身 故障数据的数理统计 高与父亲身高相关；有人用儿子身高推断父亲身 广义的数据包含了各种数据形式。系统存在 高，得到了同样现象6，说明儿子身高与父亲身高 对人而言就是能获得系统发散出来的数据。数据 互为因果。这使得Pearson的追随者们难以理解， 是系统存在的表现形式。但人受限于技术方法， 并从此在数理统计研究中回避这类问题，一直影 在不能获得数据时将难以判断系统存在，更难以 响到现在。 了解系统特性。这是系统层面的问题，但专业技 正如上述问题，交通事故与时间之间有一个 术领域可能更加严重。 人流的因素，上班时间人流多，而人流多造成交 安全科学相对而言较新，涉及到社会的方方 通事故多；父亲与儿子存在内在的基因联系，他 面面。与其他科学相同，其基础理论的建立需要 们的身高也与环境相关。因此只用数理统计方法 大量数据支持。虽然安全理论多数来源于相关学 研究故障数据中的各种原因和故障关系是不充分 科但也需要这些数据。人们对系统的要求是在规 的。这将直接导致故障原因控制不当，甚至原因 定时间内、规定条件下完成预定功能，即系统的 本身就是错误的。正如本文提出的空间故障网络 可靠性：与之对应的是系统失效性。通常情况在 理论描述系统故障演化过程得到的结论，原因和 给定条件下，系统都具有可靠性。那么系统的可 结果之间可能存在多条通路，错误的因果分析将 靠状态是一种通常状态；当系统遇到意外作用时 造成通路上事件控制不能阻止结果发生。这是由 可能出现失效状态。这种失效是人们关心的问 于没有分析故障发生的本质原因。 题，因此研究系统安全主要关注于系统失效 2系统故障的相关性和关联性 状态。 如上所述，对系统失效的研究也立足于数 相关性和关联性在日常生活中是相近甚至相 据。系统运行时散发的数据可分为正常数据和异 同的，但本文要进行区分。汪培庄教授m提出的 常数据。可靠性和失效性就蕴含在这些数据之 因素空间理论是智能科学的数学基础。该理论认 中。失效性特征蕴含在异常数据，即故障数据 为，关联性层次要高，存在于概念层面：而相关性 中，正常数据也有作用但不直接。因此研究系统 较低，存在于变量层面。因素空间中的“因”不是 安全的主要基础就是故障数据。那么问题是如何 原因而是影响因果关系的因素。故障的原因和结 监测、收集、筛选、分析和处理故障数据。 果实际上是笼统的，其中蕴含了很多影响原因和
素，而不考虑数据与因素关系和人的假设条件， 难以通过智能系统管控分析复杂系统故障。 目前关于系统故障数据的智能处理及因果关 系研究的文献不多，较新的研究包括：光纤通信 故障数据智能检测[1] ；故障因果信息的故障智能 诊断[2] ；空间故障树与因素空间融合的智能可靠 性分析[3] ；自适应选择融合智能故障分类技术[4] ； 智能变电站网络设备故障定位[5] ；智能电表运行 故障监控[6] 与预测[7] ；智能电网监控大数据模型 构建[8] 等。这些研究在各自领域取得了较好成 果，但并没有解决故障数据处理和故障因果关系 分析等本质理论问题。 作者根据对故障信息转换[9] 、故障状态[10] 、故 障对象分类[11-12] ，故障的因素影响[13-15] 及故障演 化 [16] 等的研究，对上述 3 个问题提出了解决方 案。对上述 3 个问题提出了一些看法。论述了通 过数理统计方法分析故障数据的弊端；给出了系 统故障原因及结果的相关性和关联性区别；最后 论述了智能系统对故障因果关系分析的 4 个层 次。希望能为复杂系统故障分析提供智能方法。 1 故障数据的数理统计 广义的数据包含了各种数据形式。系统存在 对人而言就是能获得系统发散出来的数据。数据 是系统存在的表现形式。但人受限于技术方法， 在不能获得数据时将难以判断系统存在，更难以 了解系统特性。这是系统层面的问题，但专业技 术领域可能更加严重。 安全科学相对而言较新，涉及到社会的方方 面面。与其他科学相同，其基础理论的建立需要 大量数据支持。虽然安全理论多数来源于相关学 科但也需要这些数据。人们对系统的要求是在规 定时间内、规定条件下完成预定功能，即系统的 可靠性；与之对应的是系统失效性。通常情况在 给定条件下，系统都具有可靠性。那么系统的可 靠状态是一种通常状态；当系统遇到意外作用时 可能出现失效状态。这种失效是人们关心的问 题，因此研究系统安全主要关注于系统失效 状态。 如上所述，对系统失效的研究也立足于数 据。系统运行时散发的数据可分为正常数据和异 常数据。可靠性和失效性就蕴含在这些数据之 中。失效性特征蕴含在异常数据，即故障数据 中，正常数据也有作用但不直接。因此研究系统 安全的主要基础就是故障数据。那么问题是如何 监测、收集、筛选、分析和处理故障数据。 本文不论述监测和收集问题，因为这些偏重 于硬件。当获得故障数据后如何处理才是关键问 题。系统故障一般具有因果关系，即哪些事件导 致了故障，故障又导致了哪些事件发生。因此安 全科学，特别是故障研究最终需要揭示故障之间 的因果关系。另一方面，处理故障数据的方法很 多，但目前最常用的是数理统计。数理统计之父 Karl Pearson 热衷于从基础数据归类得到表征变 量，然后使用这些变量研究事物的关系[16]。通过 2 个随机变量的联合分布表达它们之间的联系。 这当然取得了极大成功，奠定了数理统计基础。 但这种联系说明了何种问题？例如交通事故和时 间的对应分布关系，6:00~8:00 和 17:00~19:00 时间 范围内交通事故达到峰值，并正态分布。说明交 通事故与时间存在联系，但这种关系并非因果关 系。因为联合分布得到的因果关系具有双向性[16]。 即由甲推断乙，同时由乙也可以推断甲。那么这 个例子就变成了时间与交通事故存在联系，这显 然难以解释。在数理统计发展中也有类似争论。 以父亲身高推断儿子身高，发展相关椭圆的主轴 向自变量轴偏转说明具有遗传回归性，即儿子身 高与父亲身高相关；有人用儿子身高推断父亲身 高，得到了同样现象[16] ，说明儿子身高与父亲身高 互为因果。这使得 Pearson 的追随者们难以理解， 并从此在数理统计研究中回避这类问题，一直影 响到现在。 正如上述问题，交通事故与时间之间有一个 人流的因素，上班时间人流多，而人流多造成交 通事故多；父亲与儿子存在内在的基因联系，他 们的身高也与环境相关。因此只用数理统计方法 研究故障数据中的各种原因和故障关系是不充分 的。这将直接导致故障原因控制不当，甚至原因 本身就是错误的。正如本文提出的空间故障网络 理论描述系统故障演化过程得到的结论，原因和 结果之间可能存在多条通路，错误的因果分析将 造成通路上事件控制不能阻止结果发生。这是由 于没有分析故障发生的本质原因。 2 系统故障的相关性和关联性 相关性和关联性在日常生活中是相近甚至相 同的，但本文要进行区分。汪培庄教授[17] 提出的 因素空间理论是智能科学的数学基础。该理论认 为，关联性层次要高，存在于概念层面；而相关性 较低，存在于变量层面。因素空间中的“因”不是 原因而是影响因果关系的因素。故障的原因和结 果实际上是笼统的，其中蕴含了很多影响原因和 第 1 期 崔铁军，等：系统故障因果关系分析的智能驱动方式研究 ·93·
·94· 智能系统学报 第16卷 结果的因素。 因素空间承认狭义因果论和广义因果论，在 关联性存在于概念，是很多知识，包括本能、 因素层面上讨论因果关系。因素是表征事物和区 经验、规范和常识等的集合。它可以独立于数据 别事物的特征要素，因果关系可能存在众多因素 通过人或是人工智能直接得到，是对象状态或属 的影响。这将导致同因不同果，或者同果不同 性层面的事物。比如甲的A状态增加，乙的B状 因，甚至因果相同时经历完全不同的发展过程。 态增加，因此它们是关联的。最通俗的例子是鸡 这使因果关系存在多样性，即使在表面上是相似 鸣和天亮的关系。鸡鸣可推天亮，天亮可推鸡 的。所以因果分析应基于数据的狭义因果论和基 鸣。前者说明鸡鸣是鸡的本能因素，天亮则是条 于状态的广义因果论，即从因素的关联性和相关 件因素：可以说成天亮是原因，鸡鸣是结果。后 性两方面寻找对结果最有影响的因素，进而找到 者则不能说成鸡鸣是原因，天亮是结果。但因素 基本原因。 空间在广义上承认后者的因果关系，即广义因果 3故障因果分析的4个驱动层次 关系。后者在人工智能方面可能更具效用，是人 们对自然界规律的总结。人们不会关心天亮了鸡 图灵奖得主珀尔于2018年出版的《为什么 为什么打鸣，而会关心鸡打鸣预示着天亮。因此 一关于因果关系的新科学》6中提到：因果性 关联性取决于知识和概念层面的意义。基于状态 研究有3个层次：1)研究关联与相关，是统计学 和因素层面的关联性是广义因果论。 和人工智能现行的广义因果性研究：2)干预研 相关性在于具体的数据层面，是通过数据分 究，当有第3方因素影响时，研究剔除该因素后 析得到的不同类型数据之间的关系。最简单的例 两者之间的关系；3)反事实推理，认为数据是事 子，在线性代数中2组数据有联系称为线性相 实记录，机器学习把学习和推理局限在事实世 关。正如上节提到的交通事故与时间存在正态分 界，但人脑思维能跳出事实进行假想。基于作 布关系，即为两者相关。相关性分析往往用于比 者对故障数据及因果分析，特别是智能分析的 较复杂和数据量较大且经验不足情况下的两事物 研究的认为故障因果分析可分为4个层次，它 关系分析。如上节使用数理统计方法的不足一 们是数据驱动、因素驱动、数据-因素驱动、数据 样，只能得到数据分布的相关性。可能根本不具 -因素-假设驱动。如图1所示1819，左侧为系统 有因果关系或者有中间事件传递了因果关系。基 运动空间和系统映射论的表示，右侧为4个层次 于数据层面得到的相关性是狭义因果论。 关系。 获取可测 数据平面 相关数据 同时考虑 自然！系统向数据 系统 平面投影 人工智能数据分析数据驱动因素分析因素驱动 自然系 系统（陕射）调整因素第1层次 第1层次 的结构 映射) 调整因素 系统向因素 调整因素 数据+因素驱动 平面投影 (常3层次 人的智慧假设 同时考虑 调整因素 因素平面 数据+因素+假设驱动 调整已知可调节因素 (第4层次) 图14个层次的关系 Fig.1 Relationships of four levels 3.1数据驱动 出来的。如果系统数据恒定则很难被认知，比如 目前各门类科学一般以数据作为基础建立理 存在于宇宙中的微波背景辐射。这类数据一直存 论体系。在提出各种理论的同时也需要找到相应 在，人类无从分辨。或者另一情况，系统散发数 的数据进行验证，因此数据成为现代科学发展的 据且不断变化，但人的现有技术无法探测。这对 基础。但正如第1节所述，数据本身就是难以解 于人而言系统是不存在的，因为没有对应的数 决的问题。因为系统存在是通过数据的波动表现 据。如黑洞，光无法逃离因此看不到，但它确实
结果的因素。 关联性存在于概念，是很多知识，包括本能、 经验、规范和常识等的集合。它可以独立于数据 通过人或是人工智能直接得到，是对象状态或属 性层面的事物。比如甲的 A 状态增加，乙的 B 状 态增加，因此它们是关联的。最通俗的例子是鸡 鸣和天亮的关系。鸡鸣可推天亮，天亮可推鸡 鸣。前者说明鸡鸣是鸡的本能因素，天亮则是条 件因素；可以说成天亮是原因，鸡鸣是结果。后 者则不能说成鸡鸣是原因，天亮是结果。但因素 空间在广义上承认后者的因果关系，即广义因果 关系。后者在人工智能方面可能更具效用，是人 们对自然界规律的总结。人们不会关心天亮了鸡 为什么打鸣，而会关心鸡打鸣预示着天亮。因此 关联性取决于知识和概念层面的意义。基于状态 和因素层面的关联性是广义因果论。 相关性在于具体的数据层面，是通过数据分 析得到的不同类型数据之间的关系。最简单的例 子，在线性代数中 2 组数据有联系称为线性相 关。正如上节提到的交通事故与时间存在正态分 布关系，即为两者相关。相关性分析往往用于比 较复杂和数据量较大且经验不足情况下的两事物 关系分析。如上节使用数理统计方法的不足一 样，只能得到数据分布的相关性。可能根本不具 有因果关系或者有中间事件传递了因果关系。基 于数据层面得到的相关性是狭义因果论。 因素空间承认狭义因果论和广义因果论，在 因素层面上讨论因果关系。因素是表征事物和区 别事物的特征要素，因果关系可能存在众多因素 的影响。这将导致同因不同果，或者同果不同 因，甚至因果相同时经历完全不同的发展过程。 这使因果关系存在多样性，即使在表面上是相似 的。所以因果分析应基于数据的狭义因果论和基 于状态的广义因果论，即从因素的关联性和相关 性两方面寻找对结果最有影响的因素，进而找到 基本原因。 3 故障因果分析的 4 个驱动层次 图灵奖得主珀尔于 2018 年出版的《为什么 —关于因果关系的新科学》[16] 中提到：因果性 研究有 3 个层次：1) 研究关联与相关，是统计学 和人工智能现行的广义因果性研究；2) 干预研 究，当有第 3 方因素影响时，研究剔除该因素后 两者之间的关系；3) 反事实推理，认为数据是事 实记录，机器学习把学习和推理局限在事实世 界，但人脑思维能跳出事实进行假想。基于作 者对故障数据及因果分析，特别是智能分析的 研究[9-15] ，认为故障因果分析可分为 4 个层次，它 们是数据驱动、因素驱动、数据−因素驱动、数据 −因素−假设驱动。如图 1 所示[18-19] ，左侧为系统 运动空间和系统映射论的表示，右侧为 4 个层次 关系。 因素平面 数据平面 系统向数据 平面投影 系统向因素 平面投影 调整已知可调节因素 自然 系统 数据分析 因素分析 同时考虑 调整因素 人的智慧假设 同时考虑 调整因素 调整因素 调整因素 di fi 自然系统 的结构 (映射) 获取可测 相关数据 人工智能 系统 (映射) 数据驱动 (第 1 层次) 因素驱动 (第 1 层次) 数据+因素驱动 (第 3 层次) 数据+因素+假设驱动 (第 4 层次) 图 1 4 个层次的关系 Fig. 1 Relationships of four levels 3.1 数据驱动 目前各门类科学一般以数据作为基础建立理 论体系。在提出各种理论的同时也需要找到相应 的数据进行验证，因此数据成为现代科学发展的 基础。但正如第 1 节所述，数据本身就是难以解 决的问题。因为系统存在是通过数据的波动表现 出来的。如果系统数据恒定则很难被认知，比如 存在于宇宙中的微波背景辐射。这类数据一直存 在，人类无从分辨。或者另一情况，系统散发数 据且不断变化，但人的现有技术无法探测。这对 于人而言系统是不存在的，因为没有对应的数 据。如黑洞，光无法逃离因此看不到，但它确实 ·94· 智 能 系 统 学 报 第 16 卷
第1期 崔铁军，等：系统故障因果关系分析的智能驱动方式研究 ·95· 存在。第3种情况，数据变化且能被探测，但可能 化过程中发散数据，这些数据体现了自然系统的 无法处理，即无法通过现有方法进行处理或得不 特征：另一方面人工智能是后天产物，是基于人 到需要的科学结果。这种情况是目前最普遍的， 的意识创造的，只能被动接受自然散发出来的数 正如数理统计理论。它是基于现有数据，通过数 据。人工智能的工作在于分析数据，将数据分类 据分析找到不同因素之间的关系。这种关系通常 形成对应的因素；分析改变这些因素后自然系统 只是数据层面的现象关系，既不是因果逻辑关 的反应，即得到自然规律；然后人工智能根据目 系，也不是推理得到的关系，甚至是假象。目前 标调整因素进而调整自然系统达到人的要求。进 的智能科学大数据技术也是基于数据的，相较于 一步的，人工智能实际上实现了数据到因素的映 数理统计其数据量规模更大，可区分和挖掘的结 射。这里的数据是人们能感知、能检测、能处理 果更多。但大数据技术是否有效取决于其数据完 的数据：因素则是人们通过现有技术能改变量值 整性和因素的全面性。如果数据不完整、冗余和 的因素。对应地，自然系统作用是在变化过程中 错误，或因素不完整、不相关或冗余，大数据分析 发散数据，然后接受人工智能系统通过改变因素 也无法得到真实的因果关系。 对自然的干预。自然系统实际上是从因素到数据 这些对安全领域的故障研究十分不利，无论 的映射。表面上人工智能系统与自然系统的映射 是使用数理统计、智能或者大数据技术，只依赖 应该相同，但实则存在区别。人工智能系统与自 于数据而不重视因素都难以分析故障的因果关 然系统对于数据和因素的映射方向是相反的，因 系。因此数据驱动是故障因果分析的第1阶段。 此得到的结构是逆结构；另外人工智能系统得到 3.2因素驱动 的数据是自然系统数据的子集甚至很少一部分， 因素是区分事物状态的基本要素，从因素角 人工智能系统可调节的因素也是自然因素的子 度可划分事物。方法一般是定性分析，如主成分 集。所以人工智能系统得到的系统映射结构完成 分析、差分分析、分解分析等。因素驱动的分析 的功能只是自然系统功能的一部分，功能只能无 以因素作为基础，对同一系统，通过分析因素及 限接近但不能达到。 其量值差异可获得该系统的状态、发展趋势、发 因此基于数据-因素驱动的分析方法所得因 生故障的可能性等：对多个不同系统，可通过区 果关系仍是不全面的，但也较数据驱动和因素驱 分因素及其量值来区分系统，进行聚类分析：也 动更全面。数据驱动依赖于现实，大数据能体现 可通过因素的合取与析取，将因素进一步拆分或 最广泛的相关性，但不具备深入了解本质原因的 合成，前者细化因素增加系统特征，后者减少因 能力。因素驱动能从现象了解本质，进行逻辑推 素形成关键字以示区别。基于因素驱动的方法很 理，基于因素的不同了解系统的不同，但缺少广 多，因素空间理论是其中之一2021。将安全科学 泛的现象联系。因此数据-因素驱动更能发现广 与因素空间结合，特别是空间故障树理论与因素 泛的故障联系并深入分析故障因果关系。 空间的结合，为安全理论的智能化发展提供了一 3.4 数据-因素-假设驱动 条途径。目前基于因素空间分析了矿业、机械、 数据驱动基于事实的广泛数据，因素驱动解 人因和电气系统故障过程，研究得到了原因与系 释内在因果联系，数据-因素驱动结合了2种优 统故障之间的关系9。提出了针对故障数据的 势，更适合系统故障分析和故障因果关系推理。 因素分析法。作为因果故障分析的第2阶段。 但人对自然的理解与目前人工智能处理问题的一 3.3数据-因素驱动 个区别在于人可以假设。人可假设未来可能出现 文献[18-19]给出了更为抽象的系统故障变 的因素及其变化，判定系统故障的可能性。基于 化过程表述，提出了系统运动空间及系统映射 人知识的假设可加入到系统故障分析过程中，即 论。系统运动空间用于度量系统运动，即系统运 是Pearl提出的反事实推理。至于如何让智能系 动的特征和趋势等。系统映射论是在系统运动空 统具有假设能力是人工智能领域的任务。在安全 间中，研究数据流和因素流之间的关系。认为人 领域分析系统故障时，这种假设是重要的。假设 工系统，包括人工智能都是在实现自然系统的功 也体现在系统设计阶段给定的运行条件，即在给 能。即人设计、建造和运行的系统都是在完成人 定的假设条件下系统是安全的，不发生事故或概 设定条件下的预定功能，而这种基本是替代人了 率很低。假设是高级智能，合理给定假设将有效 解自然和改造自然的功能。那么将人工智能系统 地收集数据并判别因素。更进一步的，如果人工 与自然系统对应，自然系统客观存在，同时在变 智能能在假设数据和因素情况下分析系统故障的
存在。第 3 种情况，数据变化且能被探测，但可能 无法处理，即无法通过现有方法进行处理或得不 到需要的科学结果。这种情况是目前最普遍的， 正如数理统计理论。它是基于现有数据，通过数 据分析找到不同因素之间的关系。这种关系通常 只是数据层面的现象关系，既不是因果逻辑关 系，也不是推理得到的关系，甚至是假象。目前 的智能科学大数据技术也是基于数据的，相较于 数理统计其数据量规模更大，可区分和挖掘的结 果更多。但大数据技术是否有效取决于其数据完 整性和因素的全面性。如果数据不完整、冗余和 错误，或因素不完整、不相关或冗余，大数据分析 也无法得到真实的因果关系。 这些对安全领域的故障研究十分不利，无论 是使用数理统计、智能或者大数据技术，只依赖 于数据而不重视因素都难以分析故障的因果关 系。因此数据驱动是故障因果分析的第 1 阶段。 3.2 因素驱动 因素是区分事物状态的基本要素，从因素角 度可划分事物。方法一般是定性分析，如主成分 分析、差分分析、分解分析等。因素驱动的分析 以因素作为基础，对同一系统，通过分析因素及 其量值差异可获得该系统的状态、发展趋势、发 生故障的可能性等；对多个不同系统，可通过区 分因素及其量值来区分系统，进行聚类分析；也 可通过因素的合取与析取，将因素进一步拆分或 合成，前者细化因素增加系统特征，后者减少因 素形成关键字以示区别。基于因素驱动的方法很 多，因素空间理论是其中之一[20-22]。将安全科学 与因素空间结合，特别是空间故障树理论与因素 空间的结合，为安全理论的智能化发展提供了一 条途径。目前基于因素空间分析了矿业、机械、 人因和电气系统故障过程，研究得到了原因与系 统故障之间的关系[9-15]。提出了针对故障数据的 因素分析法。作为因果故障分析的第 2 阶段。 3.3 数据−因素驱动 文献 [18-19] 给出了更为抽象的系统故障变 化过程表述，提出了系统运动空间及系统映射 论。系统运动空间用于度量系统运动，即系统运 动的特征和趋势等。系统映射论是在系统运动空 间中，研究数据流和因素流之间的关系。认为人 工系统，包括人工智能都是在实现自然系统的功 能。即人设计、建造和运行的系统都是在完成人 设定条件下的预定功能，而这种基本是替代人了 解自然和改造自然的功能。那么将人工智能系统 与自然系统对应，自然系统客观存在，同时在变 化过程中发散数据，这些数据体现了自然系统的 特征；另一方面人工智能是后天产物，是基于人 的意识创造的，只能被动接受自然散发出来的数 据。人工智能的工作在于分析数据，将数据分类 形成对应的因素；分析改变这些因素后自然系统 的反应，即得到自然规律；然后人工智能根据目 标调整因素进而调整自然系统达到人的要求。进 一步的，人工智能实际上实现了数据到因素的映 射。这里的数据是人们能感知、能检测、能处理 的数据；因素则是人们通过现有技术能改变量值 的因素。对应地，自然系统作用是在变化过程中 发散数据，然后接受人工智能系统通过改变因素 对自然的干预。自然系统实际上是从因素到数据 的映射。表面上人工智能系统与自然系统的映射 应该相同，但实则存在区别。人工智能系统与自 然系统对于数据和因素的映射方向是相反的，因 此得到的结构是逆结构；另外人工智能系统得到 的数据是自然系统数据的子集甚至很少一部分， 人工智能系统可调节的因素也是自然因素的子 集。所以人工智能系统得到的系统映射结构完成 的功能只是自然系统功能的一部分，功能只能无 限接近但不能达到。 因此基于数据−因素驱动的分析方法所得因 果关系仍是不全面的，但也较数据驱动和因素驱 动更全面。数据驱动依赖于现实，大数据能体现 最广泛的相关性，但不具备深入了解本质原因的 能力。因素驱动能从现象了解本质，进行逻辑推 理，基于因素的不同了解系统的不同，但缺少广 泛的现象联系。因此数据-因素驱动更能发现广 泛的故障联系并深入分析故障因果关系。 3.4 数据−因素−假设驱动 数据驱动基于事实的广泛数据，因素驱动解 释内在因果联系，数据−因素驱动结合了 2 种优 势，更适合系统故障分析和故障因果关系推理。 但人对自然的理解与目前人工智能处理问题的一 个区别在于人可以假设。人可假设未来可能出现 的因素及其变化，判定系统故障的可能性。基于 人知识的假设可加入到系统故障分析过程中，即 是 Pearl 提出的反事实推理。至于如何让智能系 统具有假设能力是人工智能领域的任务。在安全 领域分析系统故障时，这种假设是重要的。假设 也体现在系统设计阶段给定的运行条件，即在给 定的假设条件下系统是安全的，不发生事故或概 率很低。假设是高级智能，合理给定假设将有效 地收集数据并判别因素。更进一步的，如果人工 智能能在假设数据和因素情况下分析系统故障的 第 1 期 崔铁军，等：系统故障因果关系分析的智能驱动方式研究 ·95·
·96· 智能系统学报 第16卷 因果关系，那么将更接近于人。因为故障数据是 12-19 实际产生的，不是所有故障都能发生并产生数 GU Yujiong,YANG Nan,CHEN Dongchao,et al.Study 据；即使发生人们也不可能识别和记录所有数 on intelligent fault diagnosis of steam turbines using fault 据。所以理论上的数据假设是必要的，以分析更 causality information[J].Noise and vibration control,2019, 为广泛的故障数据和情况。因素更是有限的，实 39(4):12-19. 际缺少和出现新的因素都将导致系统故障及因果 [3]崔铁军，汪培庄.空间故障树与因素空间融合的智能可 关系变化。人工智能应该较人更为全面和深入地 靠性分析方法[).智能系统学报，2019,14(5)：853-864. CUI Tiejun,WANG Peizhuang.Intelligent reliability ana- 分析系统故障，其全面性来源于数据及数据假 lysis method based on space fault tree and factor space[J]. 设，深入性来源于因素和因素假设。因此数据- CAAI transactions on intelligent systems,2019,14(5): 因素-假设的方式是目前较优的人工智能系统故 853-864. 障数据及故障因果关系分析方法。 [4]高欣，刁新平，刘婧，等.基于模型自适应选择融合的智 这4个层次对系统故障数据和因果关系分析 能电表故障多分类方法[J】.电网技术，2019,43(6)： 的能力逐次提升，表示的因果关系越来越广泛和 1955-1961. 深人，也越来越智能。因素空间理论作为人工智 GAO Xin,DIAO Xinping,LIU Jing,et al.A multi-classi- 能的数学基础，目前仍有较大发展空间。特别是 fication method of smart meter fault type based on model 在安全科学领域对于故障数据及故障因果关系分 adaptive selection fusion[J].Power system technology, 析方面拥有巨大的发展潜力。 2019,43(6):1955-1961 [5]姜学朴，吴港，孙婷，等.智能变电站网络设备故障的快 4结束语 速准确定位技术1.电测与仪表，2019,56(8)：94-98. JIANG Xuepu,WU Gang,SUN Ting,et al.Fast and accur- 1)论述了目前分析系统故障数据面临的问 ate location technology of network equipment fault in 题。基于数理统计的故障数据分析应用广泛，但 smart substation[J].Electrical measurement and instru 只能得到数据层面的因果关系。可能只是表面关 mentation,.2019,56(8:94-98. 系，不是本质关系，也可能是经过了多次因果传 [6]岑华.基于PLC的智能电表运行故障监控系统设计 递后表现出来的关系。这不利于系统故障的预 制造业自动化，2018,40(11)少138-141. 测、预防与治理。 CEN Hua.Design of intelligent meter operation fault mon- 2)论述了系统故障因果关系的关联性和相关 itoring system based on PLC[J].Manufacturing automa- 性。关联性存在于概念，取决于知识和概念层面 tion,2018,40(11):138-141. 的意义，是广义因果论。相关性在于具体的数据 [7]郑安刚，张密，曲明钰，等.基于贝叶斯网络的智能电能 层面，通过数据分析得到不同类型数据之间的关 表故障类型预测).电测与仪表，2018,55(21)上143-147. 系，是狭义因果论。因素空间承认狭义因果论和 ZHENG Angang,ZHANG Mi,QU Mingyu,et al.Predic- 广义因果论，并在因素层面上讨论因果关系。 tion of the fault type of smart meters based on the bayesian 3)将系统故障分析的智能系统划分为4个层 network[J.Electrical measurement and instrumentation, 次，数据驱动、因素驱动、数据-因素驱动、数据 2018,55(21)143-147 [8]冷喜武，陈国平，蒋字，等.智能电网监控运行大数据应 因素-假设驱动。数据驱动能获得广泛的故障因 用模型构建方法].电力系统自动化，2018,42(20)： 果关系，因素驱动深入了解故障因果关系，数据 115-123 -因素驱动兼顾两者，数据-因素-假设驱动更接 LENG Xiwu,CHEN Guoping,JIANG Yu,et al.Model 近于人的思维。 construction method of big data application for monitoring 参考文献： and control of smart grid.Automation of electric power systems,2018,42(20):115-123. [1]魏爽.光纤通信故障数据智能检测算法设计.激光杂 [9]崔铁军，李莎莎.安全科学中的故障信息转换定 志，2019,40(11)118-122 律[).智能系统学报，2020,15(2)：360-366. WEI Shuang.Design of intelligent detection algorithm for CUI Tiejun,LI Shasha.The conversion law of fault in- fault data of optical fiber communication[J].Laser journal, formation in safety science[J].CAAI transactions on intel- 2019,40(11)118-122 ligent systems,2020,15(2):360-366. [2]顾煜炯，杨楠，陈东超，等.利用故障因果信息的汽轮机 [10]崔铁军，马云东.基于因素空间的煤矿安全情况区分方 故障智能诊断研究.噪声与振动控制，2019,39(4)： 法的研究[].系统工程理论与实践，2015,35(11)：
因果关系，那么将更接近于人。因为故障数据是 实际产生的，不是所有故障都能发生并产生数 据；即使发生人们也不可能识别和记录所有数 据。所以理论上的数据假设是必要的，以分析更 为广泛的故障数据和情况。因素更是有限的，实 际缺少和出现新的因素都将导致系统故障及因果 关系变化。人工智能应该较人更为全面和深入地 分析系统故障，其全面性来源于数据及数据假 设，深入性来源于因素和因素假设。因此数据− 因素−假设的方式是目前较优的人工智能系统故 障数据及故障因果关系分析方法。 这 4 个层次对系统故障数据和因果关系分析 的能力逐次提升，表示的因果关系越来越广泛和 深入，也越来越智能。因素空间理论作为人工智 能的数学基础，目前仍有较大发展空间。特别是 在安全科学领域对于故障数据及故障因果关系分 析方面拥有巨大的发展潜力。 4 结束语 1) 论述了目前分析系统故障数据面临的问 题。基于数理统计的故障数据分析应用广泛，但 只能得到数据层面的因果关系。可能只是表面关 系，不是本质关系，也可能是经过了多次因果传 递后表现出来的关系。这不利于系统故障的预 测、预防与治理。 2) 论述了系统故障因果关系的关联性和相关 性。关联性存在于概念，取决于知识和概念层面 的意义，是广义因果论。相关性在于具体的数据 层面，通过数据分析得到不同类型数据之间的关 系，是狭义因果论。因素空间承认狭义因果论和 广义因果论，并在因素层面上讨论因果关系。 3) 将系统故障分析的智能系统划分为 4 个层 次，数据驱动、因素驱动、数据−因素驱动、数据− 因素−假设驱动。数据驱动能获得广泛的故障因 果关系，因素驱动深入了解故障因果关系，数据 −因素驱动兼顾两者，数据−因素−假设驱动更接 近于人的思维。 参考文献： 魏爽. 光纤通信故障数据智能检测算法设计 [J]. 激光杂 志, 2019, 40(11): 118–122. WEI Shuang. Design of intelligent detection algorithm for fault data of optical fiber communication[J]. Laser journal, 2019, 40(11): 118–122. [1] 顾煜炯, 杨楠, 陈东超, 等. 利用故障因果信息的汽轮机 故障智能诊断研究 [J]. 噪声与振动控制, 2019, 39(4): [2] 12–19. GU Yujiong, YANG Nan, CHEN Dongchao, et al. Study on intelligent fault diagnosis of steam turbines using fault causality information[J]. Noise and vibration control, 2019, 39(4): 12–19. 崔铁军, 汪培庄. 空间故障树与因素空间融合的智能可 靠性分析方法 [J]. 智能系统学报, 2019, 14(5): 853–864. CUI Tiejun, WANG Peizhuang. Intelligent reliability analysis method based on space fault tree and factor space[J]. CAAI transactions on intelligent systems, 2019, 14(5): 853–864. [3] 高欣, 刁新平, 刘婧, 等. 基于模型自适应选择融合的智 能电表故障多分类方法 [J]. 电网技术, 2019, 43(6): 1955–1961. GAO Xin, DIAO Xinping, LIU Jing, et al. A multi-classification method of smart meter fault type based on model adaptive selection fusion[J]. Power system technology, 2019, 43(6): 1955–1961. [4] 姜学朴, 吴港, 孙婷, 等. 智能变电站网络设备故障的快 速准确定位技术 [J]. 电测与仪表, 2019, 56(8): 94–98. JIANG Xuepu, WU Gang, SUN Ting, et al. Fast and accurate location technology of network equipment fault in smart substation[J]. Electrical measurement and instrumentation, 2019, 56(8): 94–98. [5] 岑华. 基于 PLC 的智能电表运行故障监控系统设计 [J]. 制造业自动化, 2018, 40(11): 138–141. CEN Hua. Design of intelligent meter operation fault monitoring system based on PLC[J]. Manufacturing automation, 2018, 40(11): 138–141. [6] 郑安刚, 张密, 曲明钰, 等. 基于贝叶斯网络的智能电能 表故障类型预测 [J]. 电测与仪表, 2018, 55(21): 143–147. ZHENG Angang, ZHANG Mi, QU Mingyu, et al. Prediction of the fault type of smart meters based on the bayesian network[J]. Electrical measurement and instrumentation, 2018, 55(21): 143–147. [7] 冷喜武, 陈国平, 蒋宇, 等. 智能电网监控运行大数据应 用模型构建方法 [J]. 电力系统自动化, 2018, 42(20): 115–123. LENG Xiwu, CHEN Guoping, JIANG Yu, et al. Model construction method of big data application for monitoring and control of smart grid[J]. Automation of electric power systems, 2018, 42(20): 115–123. [8] 崔铁军 , 李莎莎 . 安全科学中的故障信息转换定 律 [J]. 智能系统学报, 2020, 15(2): 360–366. CUI Tiejun, LI Shasha. The conversion law of fault information in safety science[J]. CAAI transactions on intelligent systems, 2020, 15(2): 360–366. [9] 崔铁军, 马云东. 基于因素空间的煤矿安全情况区分方 法的研究 [J]. 系统工程理论与实践, 2015, 35(11): [10] ·96· 智 能 系 统 学 报 第 16 卷
第1期 崔铁军，等：系统故障因果关系分析的智能驱动方式研究 ·97· 2891-2897 science of cause and effect[M].New York:Basic Books CUI Tiejun,MA Yundong.Research on the classification 2018. method about coal mine safety situation based on the [18]WANG P Z.SUGENO M.The factors field and back- factor space[J].Systems engineering theory and practice, ground structure for fuzzy subsets[J].Fuzzy mathematics, 2015,35(11:2891-2897 1982,2(2):45-54. [11]崔铁军，马云东.因素空间的属性圆定义及其在对象分 [19]CUI Tiejun,LI Shasha.System movement space and sys- 类中的应用[.计算机工程与科学，2015,37(11)： tem mapping theory for reliability of IoT[J].Future gener- 2169-2174 ation computer systems,2020,107:70-81. CUI Tiejun,MA Yundong.Definition of attribute circle [20]崔铁军，李莎莎.系统运动空间与系统映射论的初步探 in factor space and its application in object 讨).智能系统学报，2020,15(3)：445-451. classification[J].Computer engineering and science, CUI Tiejun,LI Shasha.Preliminary study of system 2015,37(11):2169-2174. movement space and system mapping theory[J].CAAI [12]崔铁军，马云东.基于因素空间中属性圆对象分类的相 transactions on intelligent systems,2020,15(3):445-451. 似度研究及应用[J】.模糊系统与数学，2015,29(6)： [21]汪培庄.因素空间理论—机制主义人工智能理论的 56-63. 数学基础[).智能系统学报，2018,13(1)37-54. CUI Teijun,MA Yundong.Research on the similarity of WANG Peizhuang.Factor space-mathematical basis of object classification of attribute circular and application mechanism based artificial intelligence theory[].CAAI based on factors space[J].Fuzzy system and mathematics, transactions on intelligent systems,2018,13(1):37-54. 2015,296):56-63. [22]汪培庄.因素空间与数据科学.辽宁工程技术大学学 [13]崔铁军，李莎莎，王来贵.完备与不完备背景关系中蕴 报（自然科学版），2015,34(2)：273-280. 含的系统功能结构分析.计算机科学，2017,44(3)： WANG Peizhuang.Factor spaces and data science[J]. 268-273,306. Journal of Liaoning Technical University(Natural Sci- CUI Tiejun,LI Shasha,WANG Laigui.System function ence,2015,34(2):273-280. [23]汪培庄，郭嗣琮，包研科，等.因素空间中的因素分析 structure analysis in the complete and incomplete back- ground relationship[J].Computer science,2017,44(3): 法.辽宁工程技术大学学报（自然科学版），2014， 268-273,306 33(7):865-870 WANG Peizhuang,GUO Sicong,BAO Yanke,et al. [14]崔铁军，马云东.多维空间故障树构建及应用研究U 中国安全科学学报，2013,23(4)：32-37,62 Causality analysis in factor spaces[J].Journal of Liaoning Technical University(Natural Science),2014,33(7): CUI Tiejun,MA Yundong.Research on multi-dimension- 865-870 al space fault tree construction and application[J].China safety science journal,2013,23(4):32-37,62. 作者简介： [15]崔铁军.汪培庄，马云东.01SFT中的系统因素结构反 崔铁军，副教授，博土，主要研究 分析方法研究J).系统工程理论与实践，2016,36(8)： 方向为系统可靠性及系统故障演化理 2152-2160. 论，主持国家自然科学基金项目1项， CUI Tiejun,WANG Peizhuang,MA Yundong.Inward 授权发明专利22项。获得多项国家 及省部级奖励。发表学术论文200余 analysis of system factor structure in 01 space fault 篇，出版专著5部。 tree[J].Systems engineering theory and practice,2016, 36(8):2152-2160. [16]崔铁军，李莎莎.空间故障树与空间故障网络理论综 李莎莎，讲师，博士，主要研究方 述[.安全与环境学报，2019,19(2)：399-405 向为系统可靠性及安全管理，国家自 然科学基金项目评审专家，主持国家 CUI Tiejun,LI Shasha.Revision of the space fault tree 自然科学基金项目1项，授权发明专 and the space fault network system[J].Journal of safety 利5项。发表学术论文20余篇，出版 and environment,2019,19(2):399-405. 专著3部。 [17]PEARL J,MACKENZIE D.The book of why:the new
2891–2897. CUI Tiejun, MA Yundong. Research on the classification method about coal mine safety situation based on the factor space[J]. Systems engineering theory and practice, 2015, 35(11): 2891–2897. 崔铁军, 马云东. 因素空间的属性圆定义及其在对象分 类中的应用 [J]. 计算机工程与科学, 2015, 37(11): 2169–2174. CUI Tiejun, MA Yundong. Definition of attribute circle in factor space and its application in object classification[J]. Computer engineering and science, 2015, 37(11): 2169–2174. [11] 崔铁军, 马云东. 基于因素空间中属性圆对象分类的相 似度研究及应用 [J]. 模糊系统与数学, 2015, 29(6): 56–63. CUI Teijun, MA Yundong. Research on the similarity of object classification of attribute circular and application based on factors space[J]. Fuzzy system and mathematics, 2015, 29(6): 56–63. [12] 崔铁军, 李莎莎, 王来贵. 完备与不完备背景关系中蕴 含的系统功能结构分析 [J]. 计算机科学, 2017, 44(3): 268–273,306. CUI Tiejun, LI Shasha, WANG Laigui. System function structure analysis in the complete and incomplete background relationship[J]. Computer science, 2017, 44(3): 268–273,306. [13] 崔铁军, 马云东. 多维空间故障树构建及应用研究 [J]. 中国安全科学学报, 2013, 23(4): 32–37,62. CUI Tiejun, MA Yundong. Research on multi-dimensional space fault tree construction and application[J]. China safety science journal, 2013, 23(4): 32–37,62. [14] 崔铁军, 汪培庄, 马云东. 01SFT 中的系统因素结构反 分析方法研究 [J]. 系统工程理论与实践, 2016, 36(8): 2152–2160. CUI Tiejun, WANG Peizhuang, MA Yundong. Inward analysis of system factor structure in 01 space fault tree[J]. Systems engineering theory and practice, 2016, 36(8): 2152–2160. [15] 崔铁军, 李莎莎. 空间故障树与空间故障网络理论综 述 [J]. 安全与环境学报, 2019, 19(2): 399–405. CUI Tiejun, LI Shasha. Revision of the space fault tree and the space fault network system[J]. Journal of safety and environment, 2019, 19(2): 399–405. [16] [17] PEARL J, MACKENZIE D. The book of why: the new science of cause and effect[M]. New York: Basic Books, 2018. WANG P Z, SUGENO M. The factors field and background structure for fuzzy subsets[J]. Fuzzy mathematics, 1982, 2(2): 45–54. [18] CUI Tiejun, LI Shasha. System movement space and system mapping theory for reliability of IoT[J]. Future generation computer systems, 2020, 107: 70–81. [19] 崔铁军, 李莎莎. 系统运动空间与系统映射论的初步探 讨 [J]. 智能系统学报, 2020, 15(3): 445–451. CUI Tiejun, LI Shasha. Preliminary study of system movement space and system mapping theory[J]. CAAI transactions on intelligent systems, 2020, 15(3): 445–451. [20] 汪培庄. 因素空间理论——机制主义人工智能理论的 数学基础 [J]. 智能系统学报, 2018, 13(1): 37–54. WANG Peizhuang. Factor space-mathematical basis of mechanism based artificial intelligence theory[J]. CAAI transactions on intelligent systems, 2018, 13(1): 37–54. [21] 汪培庄. 因素空间与数据科学 [J]. 辽宁工程技术大学学 报(自然科学版), 2015, 34(2): 273–280. WANG Peizhuang. Factor spaces and data science[J]. Journal of Liaoning Technical University(Natural Science), 2015, 34(2): 273–280. [22] 汪培庄, 郭嗣琮, 包研科, 等. 因素空间中的因素分析 法 [J]. 辽宁工程技术大学学报(自然科学版), 2014, 33(7): 865–870. WANG Peizhuang, GUO Sicong, BAO Yanke, et al. Causality analysis in factor spaces[J]. Journal of Liaoning Technical University(Natural Science), 2014, 33(7): 865–870. [23] 作者简介： 崔铁军，副教授，博士，主要研究 方向为系统可靠性及系统故障演化理 论，主持国家自然科学基金项目 1 项， 授权发明专利 22 项。获得多项国家 及省部级奖励。发表学术论文 200 余 篇，出版专著 5 部。 李莎莎，讲师，博士，主要研究方 向为系统可靠性及安全管理，国家自 然科学基金项目评审专家，主持国家 自然科学基金项目 1 项，授权发明专 利 5 项。发表学术论文 20 余篇，出版 专著 3 部。 第 1 期 崔铁军，等：系统故障因果关系分析的智能驱动方式研究 ·97·