痛点

系统发生风险前无法及时预警；
设备资产多，维护成本高，连续性生产特点显著，一旦发生故障则全线停产，损失严重
机器学习样本数据难于搜集，故障模型难以确定；
系统复杂度越来越高，系统崩溃的可能性也越高，且通常并没有早期征兆；
高度复杂的系统受外界不确定性影响的风险更大；且外界不确定性很难预知。
用户价值

可对复杂系统进行综合分析，无需进行机器学习。

可对海量数据进行分析，秒级响应。

可对影响系统风险的主要变量进行识别。

通过系统复杂度分析对系统进行提前报警，在风险发生前做出预判。

核心优势

对输入数据要求低，可对原始数据进行分析

超量数据处理能力

实时监测分析（可写入芯片）

预测系统熵，突变预测

可分析系统复杂度/稳定性，数据相关性，主要变量识别

应用领域广泛，已在金融、医疗、车联网、智能制造等行业有成功案例

应用场景

复杂生产现场风险预测

在特定位置点，以一定频率采集传感器数据，可进行实时监测，提供早期预测。

储能电站风险预测

对储能电站电池组进行实时监控，判断故障电池及定位，给出告警信号，避免事故发生。

数字模型的可信度测量

判断数字化模型模拟真实事物的仿真度如何。

复杂设备结构健康监测
在故障即将发生之前提供系统失效的早期预警信号
医疗健康监测

病人生命体征监控及健康状况预测

金融领域风险预测

股市、基金风险分析

算法介绍

复杂度映射图


复杂度映射图：

•即便在结点和连接数都很大的情况下，仍然易于分析
•可以很容易地确定出枢纽点

传统图：

•当结点和连接数很大时，难于分析（意大利面效应）
•难以确定枢纽点
临界复杂度
复杂度不会无限地增长，它有最大值。最大值被称为临界复杂度，在接近临界复杂度时，系统会变得易损和脆弱。
在达到临界复杂度之后，复杂度就会开始衰退，除非对系统进行结构改变。
复杂度与健壮性
在接近临界复杂度时，系统功能不容易正常——其行为会变得不可预测。
系统的脆弱性与其和临界复杂度之间的距离成正比。管理良好的系统总会保持好与临界复杂度的安全距离。
复杂性的突然变化意味着(内源或外源性的)损伤，可能被视为危机的早期预警和前兆。
变量识别
可分析系统复杂度，以及影响复杂度的主要变量识别
算法原理
•复杂度定义为结构和熵的函数，如下所示：C= f(S○E)
•其中S表示N×N邻接矩阵，E是N×N熵矩阵,○是哈达玛矩阵乘积算式，f是范数算式。
•上面的公式代表了复杂性的一个形式化定义。邻接矩阵是通过专利的多维算法确定的，这就确立了有关系统的结构。
•{E}各分量之间的关系强度，即所谓的广义相关，是基于熵和香农信息论的概念进行计算。我们选择了这种方法因为它避免了传统的基于模型的技术试图描述数据的缺点。
•我们“无模型”方法的巨大优势是它独立于数据的数值调节和识别结构存在的能力。一旦得到了熵矩阵和邻接矩阵，就可以计算出系统的复杂度。
•QCM可以不需要数据进行目前AI类算法的训练工作，直接根据原始数据进行系统的复杂度分析，得到系统是否临近稳定边界，从而对系统进行事先预警。
复杂度实时计算