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·