基于贝叶斯网络的主效应因素分析

主效应因素分析是故障定位、道路交通事故分析、航空事故分析、风险分析、致因分析等领域关注和研究的重要课题，对于分析事故原因以及采取有效预防措施、降低事故发生率具有重要意义。现有基于贝叶斯网络的致因分析方法多数基于构建的贝叶斯网络结构对影响事故发生的因素进行单独的灵敏度分析，忽略因素之间的交互效应，从而得到片面的结论。本文提出一种基于贝叶斯网络的主效应因素分析方法，在充分利用因素之间的关联关系进行贝叶斯网络结构构建之后，分析各因素对结果因素的影响路径并进行联合影响度分析。实验证明，本文方法克服了简单割裂地对各因素进行单独分析的缺点，能够得到更加可靠全面的致因分析结论。

主效应因素分析广泛应用于故障诊断、事故分析、风险分析等领域[1] [2]，能够为事故原因定位、致因分析以及制定有效预防措施提供定性定量分析依据。贝叶斯网络作为一种结合数据挖掘和不确定性知识推理的人工智能技术，已经广泛应用于各个领域，其优势之处主要体现在能够通过有向无环图表达出节点之间的相互关系，通过节点之间的条件概率进行不确定性知识推理[3]。基于贝叶斯网络的致因分析方法，通常包括因素提取、贝叶斯网络结构构建、贝叶斯网络参数计算、直接影响因素定位、灵敏度分析与排序等步骤，最后将灵敏度最高的直接影响因素作为导致事故发生的主效应因素。

现有基于贝叶斯网络的主效应因素分析方法多数基于构建的贝叶斯网络结构对影响事故发生的因素进行单独的灵敏度分析，从而实现致因定位或者故障定位。这种方法虽然在贝叶斯网络结构构建时考虑了因素之间的关联关系，在因素灵敏度分析时却忽略了因素之间的交互效应，有可能导致片面的分析结论，从而影响致因分析的全面性和可信度。

如果一个因素不仅直接对结果节点产生影响，同时通过影响另一个因素进而对结果节点产生影响， 那么我们认为这两个因素之间是存在交互效应的，在因素对结果影响分析的时候，除了要考虑因素本身对结果节点的直接影响，必须分析因素对交互效应的节点的影响，进而形成全面的分析结论。基于此， 本文提出一种基于贝叶斯网络的主效应因素分析方法，在充分利用因素之间的关联关系进行贝叶斯网络结构构建之后，分析各因素的影响路径并进行灵敏度分析和致因分析。这种方法不是简单割裂地对各因素进行单独分析，而是充分考虑因素之间的交互效应，从而得到更加可靠全面的致因分析结论。

2. 相关工作 随着国内外学者对主效应分析理论的不断研究和发展，学术界提出了多种分析模型，包括因果连锁模型、轨迹交叉模型、瑟利模型、突变模型等[4]。主效应因素分析方法的发展趋势是多种因素协同分析， 单一因素分析方法不能满足现阶段复杂过程的诊断分析需求。隶属于机器学习算法的贝叶斯网络作为一种可以融合多源信息的不确定性知识表迖与推理模型，在数据学习的基础上能与专家知识等多种方法进行有效结合，协同诊断。其优势体现在[5]：1) 基于图模型，能贴切并直观地描述变量间的因果关系和条