空间故障树与因素空间融合的智能可靠性分析方法

现有系统可靠性分析方法一般具有针对性,缺乏广泛的适应性和扩展性。由于智能科学、信息科学和大数据技术的涌现和发展,使得传统可靠性分析技术难以适应新的需要。因此作者提出了空间故障树理论,目的是分析多因素影响下的系统可靠性变化特征。将空间故障树理论与因素空间理论、云模型、模糊数学及系统稳定性等相结合,使其具有智能分析和故障大数据处理能力,以满足未来技术环境下的分析要求。本文论述了空间故障树和因素空间的发展史及主要理论与功能;以及两种理论结合,描述和分析系统演化过程的可行性。研究表明,空间故障树理论具有良好的扩展性和适应性,可适应未来技术环境,也可作为系统演化过程分析的普适框架。     

系统运动空间与系统映射论的初步探讨

在研究系统运动的动力和表象问题时,提出了系统运动空间和系统映射论的思想。由于它们在前期研究中解释了一些系统哲学问题,因此论文详细给出了它们及关联概念的定义。利用这些概念研究了自然系统和人工系统的特征,及它们之间的关系。研究表明:自然系统是因素全集到数据全集的映射;而人工系统是可测相关数据到可调节因素的映射。研究解释了人工系统得到的实验数据永远与自然系统产生的数据存在误差;人工系统的功能只是自然系统功能的一部分;人工系统只能无限趋近于自然系统而无法达到的原因。系统运动空间和系统映射论可以解决一些系统层面的问题,并拟在系统可靠性研究领域进行实现,但进一步问题有待研究。     

空间故障网络及其与空间故障树的转换

空间故障树是一种研究系统可靠性与影响因素关系的理论体系,用树型结构描述元件与系统之间的可靠性关系。但实际故障发生过程是复杂的,难以表示成树型结构,而更为广泛的是网状结构。因此,尝试将空间故障树中的树型结构转换为网络结构,进而形成空间故障网络。给出空间故障网络的定义、性质及其与空间故障树的转换方法。目的是将空间故障网络转换为空间故障树,以利用空间故障树已有研究结果。给出一般结构和多向环结构的空间故障网络,及其转换为空间故障树的方法。为使用空间故障树理论研究一般网络结构故障发生过程提供方法。     

系统故障因果关系分析的智能驱动方式研究

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。     

空间故障网络的柔性逻辑描述

为使空间故障网络(space fault network, SFN)描述系统故障演化过程(system fault evolution process, SFEP)时能蕴含信息的不确定性和演化特征,克服因素、数据和演化本身的不确定性,提出使用柔性逻辑对SFN进行描述和改造。首先论述了SFN存在的问题和使用柔性逻辑解决这些问题的可能性。使用柔性逻辑描述SFN,应从SFN的最基本单元、事件发生关系、SFN结构方面进行。给出了SFN中与、或和传递关系的柔性逻辑表示。在柔性逻辑条件下给出了SFN的关系组,进而得到SFN最终事件状态的柔性逻辑表示。实例结果蕴含了SFEP中各事件、因素和演化过程之间的柔性逻辑关系及其不确定性,为SFEP的智能化研究提供了新方法论和理论基础。     

人工智能系统故障分析原理研究

为研究未来系统在人工智能控制下的系统故障预测、预防、控制和恢复能力,提出一种基于信息生态方法论的人工智能系统故障分析方法。将研究对象划分为人、功能、自然和智能系统;以智能系统为核心,研究故障信息、知识和智能安全生成原理;论述了基础故障意识、情感和理智的特点。研究表明,系统故障的人工智能分析必须采用信息生态方法论结合安全科学理论进行。分析原理是基于信息生态方法论,考虑基础故障意识、情感与理智,及即时故障语义信息进行的综合决策与反应,以确保系统在规定条件下完成预定功能。     

SFT中故障及其影响因素的背景关系分析

为了使空间故障树具有智能推理的能力,采用因素空间中背景关系分析的基本原理,提出了可分析实际故障数据的故障及影响因素关系分析方法。将影响故障因素设为影响因素,将故障概率设为目标因素,通过建立相空间,制定背景关系状态对应表来分析背景空间,计算因素边缘分布,最终得到影响因素对目标因素的影响情况。该方法可通过定性分析后根据故障状态频率定量得到影响因素对目标因素的影响程度。最后通过实例分析得到元件使用时间和使用温度对故障概率的影响情况,并给出分析的具体过程。     

线性熵的系统故障熵模型及其时变研究

为研究系统故障在不同因素叠加时体现的总体规律、故障变化程度和故障信息量,提出系统故障熵的概念。基于线性熵的线性均匀度特性,推导了多因素相被划分为两状态时的线性熵模型。认为线性熵可以表征系统故障熵,进而研究了系统故障熵的时变特征。对连续时间间隔内的不同因素状态叠加下系统故障进行统计,得到系统故障概率分布,绘制系统故障熵时变曲线。从结果来看至少可以完成3项任务:从变化规律得到考虑不同因素影响下的系统故障熵变化情况,系统故障熵的总体变化规律,系统可靠性的稳定性。此研究可应用于类似情况下的各领域故障及数据分析。     

故障概率与影响因素因果关系的推理方法研究

为了研究元件故障发生概率与影响故障因素之间的因果关系,基于因素空间理论的基本思想,在空间故障树框架内提出了影响因素和目标因素因果逻辑关系的两种推理方法。即状态吸收法和状态复现法,前者尽量使最终推理结果包含所有状态信息,是广度优先方法;后者尽量使出现频率大的状态信息起主导作用,是深度优先方法。解释了上述两种方法出现的必然性。应用上述方法分析了故障概率与使用时间和使用温度之间的因果逻辑关系,并与已有分析结果进行比较。表明所得因果关系基本覆盖了故障概率分布特征,验证了方法的正确性。给出了方法的适应性特点及缺点。     

科学发现中的机器学习方法研究

大规模科学装置与重大科学实验使得科学发现进入了数据密集型的第四范式,借助蓬勃发展的人工智能技术促进智能科学发现势在必行.机器学习作为人工智能中的一项重要技术,已广泛应用于各个科学领域.然而,现有工作仅研究特定任务下的机器学习方法,没能抽象出一个通用的智能科学发现研究框架.本文首先总结了科学发现任务中常用的机器学习方法,并将科学任务归类为五大机器学习问题.其次,提出了基于机器学习的智能科学发现研究框架,作为“AI for Science”的典型范例,阐述了一种高效的智能科学发现模式.再次,本文以时域天文学中发现瞬变事件这一科学任务为例,通过实验证明了唯有恰当地结合领域知识后,机器学习算法才能更好地服务于智能科学发现,验证了该框架的有效性.最后进行总结与展望,以期对各领域进行智能科学发现形成参考意义.     

少故障数据条件下SFEP最终事件发生概率分布确定方法

为了在获得少故障数据条件下得到适合的系统故障演化过程（system fault evolution process,SFEP）中最终事件发生概率分布,提出一种考虑信息扩散且数据较少情况下的最终事件发生概率分布计算方法。该方法利用信息扩散原理以事件发生时因素为中心在研究区域内形成正态分布。同一事件的多次发生在研究区域中取最大值形成该事件发生概率分布,从而得到SFEP中边缘事件发生概率分布。将SFN中事件关系表示为关系组从而叠加关系,得到最终事件发生概率分布解析式计算分布。研究表明,所得结果与原有精确结果具有较高的符合性,但所需故障数据则少得多。可借助该方法在少故障数据条件下研究SFEP最终事件发生特征。     

基于同构节点的动态故障树分析方法

为了解决动态故障树研究领域的马尔可夫链状态空间爆炸问题,给出了一个基于同构节点的动态故障树分析方法。为每个节点建立一个对象,识别同构节点,求解时对于同构节点仅计算一次,从而减少状态空间中的状态数目、缩短计算时间。运用该方法对空间信息处理平台进行可靠性分析,并与其他方法进行对比,结果表明,如果系统结构具有较强的冗余特征,该方法在求解效率上具有比较明显的优势。     

系统故障演化过程描述方法研究

为了解系统故障演化过程,提供可行的描述方法,进一步对空间故障网络理论进行研究。将原有空间故障网络结构◢W=（V,L,R,H,B）改为W=（O,S,L,X）,即用四要素对象、状态、连接和因素描述故障演化过程构建空间故障网络。提出枚举法和实例法具体进行故障演化过程描述。研究三级往复式压缩机的第一级故障过程,并辨识了事件的对象、对象的状态及事件的逻辑关系,绘制了空间故障网络。以V▼10▽和V▼2▽为例得到了转换的空间故障树,并以V▼2▽为例研究了故障演化过程。得到了127种故障模式,其中64种有利于V▼2▽◣发生,剩余63种不利于发生。根据演化过程描述需要将故障演化过程进一步分类,论述了故障演化机理。