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·