事件树、故障树、决策树与贝叶斯网络

《事件树、故障树、决策树与贝叶斯网络》由会员分享，可在线阅读，更多相关《事件树、故障树、决策树与贝叶斯网络（8页珍藏版）》请在装配图网上搜索。

1、rh同翻茹Sb件舛事件树、故障树、决策树与贝叶斯网络周建方，许智勇河海大学机电学院，江苏常州（213022）E-mail: rgxzy摘 要：事件树、故障树和决策树分析法是系统分析的重要方法，能够对系统风险、系统薄弱环节等进行有效的分析，但存在表示结构复杂、不能表达更复杂变量等缺点。贝叶斯网络 作为一种新兴的系统分析工具， 能够解决事件树、故障树和决策树的一些缺点。本文较为系 统地分析了两种方法之间的关系，并通过三个例子对其作了具体阐述。关键词：事件树；故障树；决策树；贝叶斯网络事件树（ET）、故障树（FT）和决策树（DT）是系统分析方法中重要并且得到广泛应用的方法19，该方法能够对系统的危险

2、性、薄弱环节以及损益值等进行识别评价，具有简明、形象化的特点，体现了以系统工程方法研究问题的系统性、准确性和预测性。但ET、FT和DT存在不能表达更复杂变量（如故障树不能表达多态变量）以及表示结构复杂等缺点。贝叶斯网络（BN ）是包含一个条件概率表的有向无环图，是目前不确定知识表达和推 理领域中最有效的理论模型之一。贝叶斯网络是人工智能、概率理论、图论、决策分析相结 合的产物，适用于表达和分析不确定性和概率性的事物，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理10，11。自1988年由Pearl提出后12,13，已成为表示概率知识基础上的不确定性的有

3、力工具，贝叶斯网络另外一个重要优点就是能够表达复杂变量并且结构简单（BN的大小随问题规模增加呈线性增长）。由于事件树、故障树、决策树与贝叶斯网络都能有效的解决系统风险问题，故本文尝试 将事件树、故障树和决策树向贝叶斯网络转化方法做统一的研究，其中故障树向贝叶斯网络的转化已有一些文献做过介绍14,15，而事件树和决策树向贝叶斯网络的转化的研究较少。1. 事件树与贝叶斯网络事件树分析（ETA ,Event Tree Analysis ）方法是一种逻辑演绎分析方法，它在给定的一个初 因事件的前提下，分析此初因事件可能导致的各种事件序列的结果，从而可以评价系统的可靠性和安全性。图1是某坝的一个事件树模

4、型3。该坝的设计洪水重现期 Tr =1000年。导致大坝风险 失事的初始事件是入库洪水。根据流量或洪水频率的区间划分，将事件树做首次分支。在一定的入库洪水条件下，洪水位可能超越坝顶，亦可能不超越坝顶，这就形成了事件树的第二次分支；洪水漫顶情况下，大坝可能失事，亦可能不失事；同样，洪水不漫顶条件下，可能 会发生渗透管涌或边坡失稳等结构失事事件，亦可能不发生。这样，事件树形成了第三次分支。该事件树的计算用子事件概率相乘和相加的组合，可求出总风险率为0.000479。现使用贝叶斯网络分析法来分析该模型，事件树向贝叶斯网络转化可按如下步骤：步骤1:对事件序列中的每个事件，在贝叶斯网络中建立一个节点，并

5、根据该事件名称 进行命名，对于重复事件只建立一个节点。如入库洪水事件可对应贝叶斯网络中的Floor节占；八、步骤2:对影响结果，建立一个子节点，根据后果的数目确定该节点的状态空间，并依 照影响后果确定每个状态的名称。如将漫顶失事和结构失事对应为贝叶斯网络中的Wreck节点；步骤3:将父节点和子节点用有向弧连接起来形成贝叶斯网络的拓扑结构；步骤4:根据每个影响后果对应的事件序列和发生的概率确定子节点的条件概率表。如 图2中Overflow和wreck节点的条件概率表。转换后贝叶斯网络模型如图2,其中节点按如下定义：Floor:入库洪水；Overflow:漫顶;Wreck :失事。通过相应的贝叶斯

6、网络软件 （HUGIN）运算得系统的失效概率为0.00047884。同时可以通过网络的双向推理功能计算出当该大坝失事时1000年Tr 10000年的洪水（50.4%）是导致该大坝失事的主要因素，相关工程设计人员可将有限的时间、资金投入到对主要风险因素处理上，以求得最好的经济效益。P=Q.9QF= Q. 17T100 年:结构失事P= 0 0001:貉构不失爭Pf= 0 S999漫顶失事P= 0. 30漫戍不失爭Pr= 0.70结构失耶P= 0. 002:结构不失爭Fr= 0.990洪水干樫顶Pr= 1洪水漫顶P= . 02洪水不戻顶rr- 0 9B漫顶失爭P= . GO愎顶不失爭IMO年三 T

7、CCIQOO年F=0 0009洪水不渥顶Fr=0.4fi结枸失爭P= 0.20Pr= Q. 83Fr= CL SOP= 0. 9010000年P= 70 逞顶不失事F-0 0001洪水不ifi顶结构失爭P= 0L 40-3 -rh同翻茹Sb件舛结梅不失事rr = o 60图1某大坝的事件树Figure1 a dam Event TreeFLOOROdOO100-10001000-10000100DD-.OverflowYesNCvesNoVes JL NoV4SL隅Yes00.0001 卩.30,00206|0.2|0.70 410.9999|o.70.99804|0.80.3pj6Week图

8、2某大坝的贝叶斯网络模型Figure2 a dam s BN modelFLOOR0*10QI3朋100-10000.0091000-10000a .000910000-.-.0.0001FLOOR0-100100-1000 100C-10.1000Q-.Yes00L020.170.910.98Q33CMOverflowFLOOROwrnowvreck2. 故障树与贝叶斯网络故障树分析法是以系统最不希望发生的事件作为发生的目标（顶事件），找出系统内可能发生的部件失效、环境变化、人为失误等因素（各种底事件）与系统失效之间的逻辑联系， 用倒立树状图形表示出来。它可用于系统故障分析，分析某项故障产生

9、的原因；可用于系统故障模式识别，进行故障预测和诊断，找出系统中的薄弱环节，以便在设计中采取相应的改进，实现系统的设计优化。如图3的某舰空导弹发动机意外点火的故障树是一个典型的故障树模型6，原文献计算出该发动机意外点火的概率为0.0021。现用贝叶斯网络分析该问题。首先将故障树向贝叶斯网络，转化步骤为如下：步骤1:对故障树中的每个底事件与非底事件（中间事件和顶事件），在贝叶斯网络中建立一个父节点或子节点，并根据该事件名称进行命名，对于重复事件只建立一个节点。如故障树中的Event1、Gate4对应贝叶斯网络中的父节点Event1和子节点Gate4;步骤2：按照故障树中相应底事件的失效概率确定贝叶

10、斯网络中父节点的先验概率；步骤3:按照故障树中顶事件，中间事件和底事件之间的连接关系建立贝叶斯网络中节点之间的连接；步骤4：按照故障树中的逻辑门确定贝叶斯网络中子节点的条件概率分布（逻辑门的转 化可参照文献14，15）。原故障树转化后的贝叶斯网络模型如图4，将其导入到HUGIN软件中运算出该发动机意外点火的概率为0.00205，和原文献结果相同。若该发动机已发生意外点火，引起发生的原因按概率顺序为 Event6（ 0.444） Event5（0.415） Event7（ 0.137） Event1= Event2（ 0.0024） Event4（ 0.000373） Event3（0.0000

11、86 ）。而这个结果是原故障树不易推导出来的。3. 决策树与贝叶斯网络所谓 决策”就是为了实现特定的目标，在占有一定信息的基础上，根据主客观条件，对需要决定的问题进行论证，从多种行动方案中选出最佳方案的过程。决策的类型根据方案实现的不同可以划分为确定型决策和不确定型决策。而决策树就是用来解决风险型决策问 题。它是解决决策问题时使用的一种分析工具，是用树状图形来分析和选择行动方案的一种系统分析方法。图5是某微型汽车销售的决策树模型。该微型汽车厂根据目前国内市场情况提出两种发 展方案9，其一是换型，根据市场调研分析：成功的概率为62%，失败的概率为 38% ;方案二是对目前的产品进行技术改造，根据

12、市场情况，成功的概率为74%，失败的概率为 26%,无论采用哪种方案，都有保持原产量和增加产量两个方案。根据市场调研结果整理分析，未来市场状况将较好的概率为32 %，般的概率为 47%，较差的概率为 21%，如果换型或技术改造的方案失败，只能继续生产原产品，现需要进行决策如何使企业获得最大的利润， 按照决策树计算方法计算出最佳策略为换型并增产，收益为14.36，原文献计算结果有误(14.28 )。现使用贝叶斯网络来对该问题进行分析计算，先将决策树向贝叶斯网络的转化，步骤如下：步骤1:将决策树中的每个决策结点、状态节点和结果节点分另U对应到贝叶斯网络的决 策节点、状态节点和效益节点，相同事件可合

13、并为一个节点。如将算例中换型或技改的决策对应到网络中的 Decision决策节点、收益值对应网络中的U1效益节点等。步骤2 :根据具体情况给出父节点的先验概率和决策的类型。如算例中市场不同状态的 概率值可作为网络中Efficience1节点的先验概率，决策节点Output有两种状态：增产或原产量。步骤3 :根据决策树的逻辑关系用有向弧连接决策结点、状态结点以及效益节点。步骤4：对中间节点给出条件概率表和效益节点条件损益值表。如图6中U1节点的条件损益值表。根据如上步骤，建立起如图6的贝叶斯网络模型， 可见该模型比对应的决策树模型简单 的多，将其导入到 HUGIN软件中，得到采用换型并增产的决策

14、可获得最大利润，为14.36单位。4. 结束语本文通过三个例子，系统总结介绍了事件树、 故障树、决策树向贝叶斯网络的转化方法， 从中可看出：(1) 事件树、故障树和决策树都可以按照一定的步骤向贝叶斯网络转化，也就是说贝 叶斯网络同时具有事件树、故障树和决策树的功能；(2) 事件树、故障树和决策树对问题的表达方式不同，而贝叶斯网络表达方式统一， 便于计算机软件处理；(3) 贝叶斯网络表示形式结构简单，其规模随问题增加呈线性增长，而事件树、故障 树和决策树的规模随问题增加呈指数增长，因而贝叶斯网络更易用来处理复杂的系统；(4) 贝叶斯网络具有很方便的双向推理和自我学习更新功能，很容易找到系统的薄弱

15、 环节，这是事件树、故障树和决策树所欠缺的；(5) 由于贝叶斯网络极大的简化了模型表示方法，所以表示不如事件树、故障树和决 策树形象，这给直观理解带来了不便。总体来说，贝叶斯网络无论是在表达方式复杂程度上还是在运算速度上都明显优于对应-5 -rh同翻茹Sb件舛的事件树、故障树和决策树模型，这使得贝叶斯网络成为当前研究不确定性问题和系统决策的有力工具。-6 -rh同翻茹Sb件舛-# -rh同翻茹Sb件舛前苗Pt功幵戋闭書G*te26TT I t f：, ；EvexIGit*5A-# -rh同翻茹Sb件舛-# -rh同翻茹Sb件舛a- itfii 巧EvtnSflTJi审恰耶證扯射准备时发动机意外

16、点火基本事件贺住的丽時s ignition and the probability of the basic incidentEvent4happenrwhappenEvent3happennohappenhappennohappenhappen1000notnappenOi|l|ik|G放昶节点的朵伴概率表Get詁Figure3 the FT of a engineEver. 7EvemtiEvent4Event3EvenISGatBbEvenl2EvenriGate2Gate!Gale 4Gate2Gate?节点的杀件概率表Everilihappen:nohappenGsrt&4happe

17、n nohappen happen*nobiappeHhappen、卩I10nahappen0aa1Gate 1,3,4, 6, 6节点类根序号慕本爭件名称握生的慚率Evtnrl低M1扰伯号左接作用剑点火益J-0.00000$Ex-enr2动开爻意外縛合-0.000005E /till 3iKM F扰佶号F扰产先鈿册：=0.000074竝:波黠故谭野=0 0003右Even(5前搭爆炸理竹世外爆炸=0.00085Epent6安全继电器 K1意外驳合匪=0 00091Eenr7外界十扰怏杀统泯收到陛射佶号旷=0.00028图3发动机意外点火的故障树及基本事件发生概率-# -rh同翻茹Sb件舛-#

18、 -rh同翻茹Sb件舛图4发动机意外点火的贝叶斯网络-# -rh同翻茹Sb件舛一股一般ZT押）一般4了彌1Figure4 the BN of a engine s ignition呼3旳一艇卩豁凰避酸1时）一越心？歸200EfUciencelgood0.32medium0 470 21iOutputorign 创EfficiencyDecisionsuccessfailurechangeL沏朗ce0.6210.741138心Decisioni 丽门ge advanceFigure5 The DT of a mini-car s saleDeelsionicter*geEfficiencyaic

19、OutputoriginalmiDreaseorigin 由ri creasetfficience-1good medumbadgood medimnbodgaodlmecfumbadgoad mediumbadUHty301O曲5D30-12S0|-108|D1-10DecisionfidvomceEfficience2successf&iureOutputorlghlincreMeorlgtnd|incrtastEfficiencBlgood metsum | bfidgood | medlimiifoodmedium： badgood medluin | hadUtiity12|4|-7

20、|25|15-10Bopio|e|a|-iaUiU1节点的蔡件损益值图6微型汽车销售的贝叶斯网络模型Figure6 the BN of the mini-car s sale图5微型汽车销售的决策树参考文献1 符文琛，邢家佑.事件树分析在安全上的应用J.铁道劳动安全卫生与环保，1995, 22 ( 2): 123-124。2 幸福堂，张引弟，向晓东.工业管网水系统事件树探析J.武汉科技大学学报(自然科学版)，2006, 29(5):6-9。3 姜树海，范子武，吴时强.洪灾风险评估和防洪安全决策M.中国水利水电出版社，2005，86-87。4 Hassl D F. Advanced Concep

21、ts in Fault Tree Analysis J .System Safety Symposium, 1965:8-9.5 邵延峰，薛红军.故障树分析法在系统故障诊断中的应用J.中国制造业信息化，2007，36( 1)： 72-74。吴进煌.舰空导弹发动机意外点火故障树分析J.海军航空工程学院学报，2006, 21(6)： 653-656。7 王莎莎，孙继银，李琳琳.故障决策树模型在诊断专家系统中的应用J.计算机应用.2005(25): 293-294。8 Cardie C. Using Decision Trees to Improve Case-based Learning J.Pr

22、oceedings of the 10th InternationalConference on Machine Learning, 1993: 25-32。9 韩亮.决策树决策在汽车企业营销决策中的应用J.陕西汽车，1999，4： 34-38。10 詹原瑞.影响图理论方法与应用M.天津大学出版社，1995，18-30 .11 Jensen F V. An Introduction to Bayesian Networks M.New York: Springer, 1996.12 Charniak E. Bayesian Networks without TearsJ. A I Magazi

23、ne, 1991, 12 (4):50- 63.13 Pearl J. Graphical Models for Probabilistic and Causal ReasoningJ. In: The Computer Science and Engineering Handbook. Kluwer Academic Publishers, 1997: 697-714.14 谢斌,张明珠严于鲜.贝叶斯网络对故障树方法的改进J.绵阳师范学院学报，2004，23 (2): 29-33。15 王广彦，马志军，胡起伟.基于贝叶斯网络的故障树分析J.系统工程理论与实践，2004(6): 78-83。E

24、vent Tree、Faulty Tree、Decision Tree and BayesianNetworkZhou Jianfang, Xu ZhiyongCollege of Mechanical & Electrical Engineering ， Hohai Univ.，Changzhou (213022)AbstractEvent Tree、Faulty Tree and Decision Tree are the important methods in system analysis. They can an alyze the weak factors and the ris

25、k of the system, and they also have some disadva ntages at the same time, for example, they can not express more complex values and their models are complex and so on. As a new system an alysis tool, Bayesia n Network can outcome some shortco mings of these three Trees. The relati on ship of the two methods was in troduced detailedly through givi ng three examples in this paper.Keywords : Event Tree; Faulty Tree; Decision Tree; Bayesian Network作者简介：周建方，男，汉族，1961年10月出生，江苏武进人，博士，教授，博士生导师， 河海大学常州校区管委会主任，主要研究方向为弹性力学的Hamiltom理论和方法、工程结构的可靠性分析和力学分析、混凝土的断裂力学、损伤力学研究和碳纤维增强混凝土性能研 究。-8 -