千里之堤，溃于蚁穴，WLF青年科学家利用AI预防复杂基础设施系统故障

近日，一场十分不幸的台湾列车出轨事故引发高度关切，牵动两岸人民的心，我们向事故中的逝者表示深切哀悼，愿伤者早日康复。

4·2台湾列车出轨事故  图｜ETtoday

一个小错误，却导致惨烈的后果，这在交通、建筑、供水、电网、通讯等基础设施系统中并不罕见。研究人员会采取多种策略来应对这类风险，来自苏黎世联邦理工学院（ETH）智能维护系统教授奥尔加·芬克（Olga Fink）也是其中之一。奥尔加·芬克于去年参加了第三届世界顶尖科学家论坛（WLF），为我们分享了她和她团队的研究。在本文中，她与其他三位同样来自ETH的学者一起，为我们展示了4个基础设施系统的管理策略：增加城市系统韧性，风险管理关键网络系统，预测系统故障与系统寿命，以及关注多重性。

策略1——城市系统：

增加韧性，了解子系统之间的相互影响

来自ETH的结构动力学和地震工程学教授博伊达尔·斯托亚迪诺维奇（Božidar Stojadinović），致力于研究城市系统以及如何增加抗震性。作为新加坡城市未来韧性系统项目一个研究小组的领头人，他正与新加坡南洋理工大学、新加坡国立大学的研究人员共同开发一个全面的城市计算机模型，用以模拟城市系统可能会面临的各种挑战以及后续影响。

新加坡南洋理工大学“点心楼”  图｜NTU

新加坡是个高密度城市，它在气候变化、土地稀缺等挑战下，需要长期的规划并对城市基础设施进行及时调整。该模型不仅整合了所有和建筑相关的基础设施系统（如电力和供水），还能对用户与系统的交互进行建模，即允许用户运行多种系统的多重模拟，并在这些模拟中交换信息。

新加坡国立大学  图｜NUS

“这个功能至关重要，”斯托亚迪诺维奇说，“城市系统的复杂性就在于各个子系统相互影响的方式。”他补充道，“我们已经很擅长对单个系统进行建模和优化，但我们尚未完全了解系统之间如何影响彼此。”这个模型旨在解决这一问题，斯托亚迪诺维奇和他的同事们鼓励专家们将城市系统视为一个整体。

策略2——关键网络系统：

风险管理，预防可能的连锁反应

“没有人能预测到它。”面对系统故障，总听到这样的回应。而来自ETH可靠性与风险工程教授吉奥瓦尼·圣萨维尼（Giovanni Sansavini）对此观点表示反对。作为一名资深工程师，他致力于研究复杂网络中的风险，如相互依存的能源网络和大型供应链。

复杂网络系统会随着时间进行扩张或收缩，进而改变结构，这让其风险变得难以描述。不少复杂网络分布于全球，而且通常没有固定的运作模式。例如电网，会受到各种不同的影响，且在负载下的响应与正常运行时并不一样。

同样地，圣萨维尼和他的团队利用计算机模型展开了实验。利用不确定性量化（uncertainty quantification）的科学研究方法，该团队能捕捉到大量可能发生的影响和故障，并随之观测建模网络的表现。这样的蒙特卡罗模拟法（Monte Carlo simulations，即把概率现象作为研究对象的数值模拟方法，蒙特卡罗是摩纳哥的著名赌城，该法为表明其随机抽样的本质而命名；与之对应的是确定性算法。）可以研究无数故障之间的相互关系，能为发现隐藏的或“系统性”的风险提供线索，即某种风险可能触发连锁故障，而连锁故障通常是造成复杂系统严重问题的根源。例如2003年的意大利大规模断电事故，原因就是负荷不断增加导致自动系统一个接一个地连锁关闭导致的。

蒙特卡洛  图｜Azamara

策略3——复杂系统：

预测故障，以及预测使用寿命

从飞机和燃气轮机到铁路等基础设施系统，奥尔加·芬克（Olga Fink）和她的团队对复杂系统的故障进行了研究。作为智能维护系统教授，芬克开发了智能算法，可从状态监视设备收集的数据中学习。这些算法解决了各种挑战，从检测系统故障、诊断不同的故障类型，到预测下一次故障可能发生的时间，甚至实施规范性的维护策略。

芬克说：“我们的目标是预测这些系统剩余的使用寿命，然后控制它们的运行以延长其使用寿命。”这些智能算法会从历史与实时操作以及状态监视数据中学习，这个过程需要大量的数据，而这也让团队遇到了一个难点，芬克表示，“在安全关键系统（safety-critical systems）中，故障很少发生，这意味着我们没有足够的数据来学习。”

芬克教授和她的团队  图｜ETU Zurich

幸运的是，他们自有妙计：“使用代表系统状态健康的数据，来训练算法检测偏差。”同时，获取类似系统的状态监测数据并将其适用于一些特定系统，也对算法的训练很有帮助。

不过，即使这样，很多情况下数据量依旧不足，研究人员还需要将他们的算法与物理模型相结合，来模拟他们正在监控的系统，或利用物理领域的知识来丰富AI模型。通过这些方式，算法可以使用更少的数据，并且能让根据算法输出来作决策的专家们更容易对此进行说明。

例如在美国宇航局的一个项目中，研究人员能够通过这样的算法预测飞机引擎的剩余使用寿命。芬克对这一成就感到特别自豪：尽管早期故障监测技术已经相对成熟，但预测系统剩余使用寿命要困难得多。她开玩笑道，这是她研究领域的“圣杯”。

奥尔加·芬克在去年参加了第三届世界顶尖科学家论坛，并在分论坛“世界顶尖科学家青年论坛之人工智能会议Ⅰ”上带来了“将物理学和AI算法结合起来建立信任”（Building Trust by building physics and AI algorithms together）的主题演讲，分享了她和团队的上述研究。

世界顶尖科学家青年论坛之人工智能会议  

图｜新民晚报

策略4——关键研究设施：

关注多重性，例如备用电力系统

作为ETH设施管理主管，沃尔特·伊滕（Walter Iten）的部门负责学院所有建筑与基础设施的技术和管理。伊腾表示，停电是最大的问题：“没有电什么都不行！”而该部门能够让Zentrum校区的部分区域从两个不同的变电站获取电力；在大规模停电发生时，学院最重要的区域能使用备用柴油发电机；对于特别敏感的研究设备，还能利用电池以确保电力的不间断供应。这就是ETH关注多重性（redundancy）的原因。

柴油发电机  图｜Generator Source

不过，最重要的是针对所有设施和建筑物的预测性维护策略，即各类破坏发生的预防措施。IT维护工具会跟踪每个系统的运行时间和维护计划，并在到期时触发维护工作。传感器的监测作用也越来越突出，它能检测到突发故障。设施管理团队可以在计算机上远程访问这些数据，并在一定程度上干预系统的操作。尽管目前这些设施监控系统和维护工具还没有进行互联，但随着传感器技术和人工智能的发展，这是迟早的事情。

作者：Mar­tina Märki, Mi­chael Walther

编译：冬青子

参考链接点击「阅读原文」获取！

延伸阅读