本发明涉及电气安全系统工程，特别是涉及电气系统故障分析过程中的因素间因果关系的分析。
背景技术：
因果概念的逻辑推理在现实应用领域目前并不常见，这种现象的主要原因可归结为如下节点：1)相关理论不成熟，在数学上对于因素间因果关系的推理方法不成熟，这也是智能科学发展的不足，目前的方法要么过于复杂，要么不切合现场实际；2)现场缺乏应用条件，智能科学的这些推理方法一般需要专业性较强的人员进行操作，一般人员难以实现；3)现今对数据的分析是对大数据的分析，人工难以实现，所以不但算法要合理而且要易于在计算机中进行这样的推理，上述几点造成了因果关系推理发展的障碍，但作为智能科学重要的问题之一，是研究人员必须面对的问题，也是实际工程中大数据分析必须解决的问题。
对于因素间因果关系分析问题，目前主要涉及化工生产,统计分析,经济投资及预测,数理分析等，这些研究取得了一些列成果，但仍存在一定欠缺，一是使用的数学方法不是智能推理，而是代数逻辑；二是算法不利于计算机实现，进而并不适合对大数据的处理；三是应用背景的科学问题难以结合推理方法协调处理问题。
在研究空间故障树框架过程中，发现来源于实际现场的故障数据与一些因素有关，而这些关系难以定量的分析出来，对于故障数据与其影响因素之间的因果分析可以提供因素化简、故障变化趋势分析、故障影响因素挖掘等依据，所以故障数据与影响因素之间的定性因果关系分析是极其重要的，另一方面，来源于现场的故障数据一般经过日积月累后属于大数据量级，但目前的空间故障树框架中缺乏相应的因果推理且适合大数据的计算机算法，所以这里根据因素空间的基本思想，将同样分析因素影响的空间故障树所分析的现场故障数据进行因果概念的分析和提取，分析元件故障概率与影响因素之间的因果关系，挖掘出适合故障分析和计算机处理的因果概念，从而丰富空间故障树理论和提高因素空间的实际应用价值。
技术实现要素：
1.一种分析电气系统故障影响因素间因果关系的方法，其特征在于，为了分析实际电气系统故障数据与影响因素之间的因果关系，提出一种因素间因果概念的提取方法；针对电气系统故障数据分析，将影响元件故障的使用时间和使用温度作为影响因素；将元件故障概率作为目标因素；通过故障数据背景关系分析和基本概念半格分析得出影响因素和目标因素之间的因果概念；分析结果中包括了三种基本概念：不可再分的基本概念、中间基本概念、不包含故障概率相的概念；前者属于真概念，可用于电气系统故障因果关系分析；后两者不能用于实例因果关系分析，只可作为根据影响因素对故障进行分类的方法；可用于电气系统故障分析过程中的因素间因果关系的分析。
2.根据权利要求1所述一种分析电气系统故障影响因素间因果关系的方法，其特征在于方法的特点：一方面考虑从理论层面的背景关系中分析得到的原子概念，另一方面是从实际例子的基本概念半格分析得到的基本概念；分别分析两种概念外延和内涵的对应关系，从而找出即理论联系实际，又内涵联系外延的真概念，用于因果关系推理；方法主要包括：构建论域；生成背景关系；产生原子概念；计算分辨度；产生基本概念；辨别真概念。
3.根据权利要求1所述一种分析电气系统故障影响因素间因果关系的方法，其特征在于分析电气系统故障概率与影响故障因素之间的因果关系，步骤：
1)针对空间故障树数据特点，设数据的论域为U＝{u1,u2,...,um}，m为对象个数，设故障状态中包含n个因素，其中前n-1个因素为影响因素f1～n-1，最后一个为目标因素fn，算法中目标因素专指故障概率，划分每个因素的定性相X(fi)＝{K1,K2,...,}，K表示因素fi对应的相，定性相对应的数值表示范围D(fi)＝{(a1,a2],...,(ak-1,ak]}；
2)建立因素相空间的苗卡尔积相空间，在U上的n个因素的定性相空间X＝X(f1)×...×X(fn)，状态指a＝(a1,...,an)∈X，去除虚状态，得到U上的n个因素组成的背景关系R；
3)根据背景关系R形成原子内涵，根据论域U形成具有对合性的原子概念；
4)计算各因素的分辨度，并根据分辨度对因素进行排序；
5)根据因素分辨度排序，依次按照因素对论域U进行对象分类，首先按最高分辨度的因素fMax的定性相X(fMax)＝{K1,K2,...,}划分论域U＝{u1,u2,...,um}的对象；并根据相(K1,K2,...)出现的顺序对U中对象进行分类{Ck＝(uk,1,...,uk,n(k))}(k＝1,...,K)，形成分类排序后的新论域U1，得到基本概念βk，之后对第二高分辨度的因素fMax进行分类，在上次对U1对象分类顺序基础上按照第二高分辨度dMax的因素fMax的定性相X(fMax)＝{K1,K2,...,}划分U1＝{u1,u2,...,um}的对象；根据相K1,K2,...出现的顺序对U1中对象进行分类{Ck＝(uk,1,...,uk,n(k))}(k＝1，...，Q-1，Q+1，...，K)，形成论域U2，得到基本概念βk+1，依次类推直至分析全部因素，得到全部基本概念{β}；
6)绘制基本概念半各图，分辨出真概念。
4.根据权利要求1所述一种分析电气系统故障影响因素间因果关系的方法，其特征在于根据某电气系统故障数据提取的20个故障状态，构成基本状态信息表，分析电气元件故障概率与使用时间和使用温度之间的因果关系；设20个故障状态组成论域U＝{a,b,...,t}，m＝20，在故障状态中包含三个因素，其中两个影响因素为使用时间f1和使用温度f2，一个目标因素为元件故障概率f3，划分每个因素的定性相，及对应的数值表示范围：
X(f1)＝X(使用时间)＝{K1,K2,K3}＝{短，中，长},D(f1)＝{(a1,a2],(a2,a3],(a3,a4]}＝{(0，15]天，(15，30]天，(30，50]天}，
X(f2)＝X(使用温度)＝{K1,K2,K3}＝{低，中，高},D(f2)＝{(a1,a2],(a2,a3],(a3,a4]}＝{(0，15]℃，(15，25]℃，(25，40]℃},
X(f3)＝X(故障概率)＝{K1,K2,K3}＝{低，中，高},D(f3)＝{(a1,a2],(a2,a3],(a3,a4]}＝{(0，30]％，(30，60]％，(60，100]％}。
5.根据权利要求1所述一种分析电气系统故障影响因素间因果关系的方法，其特征在于三个因素分别为f1＝使用时间，f2＝使用温度，f3＝故障概率，构成因素相空间的苗卡尔积相空间：X＝X(f1)×X(f2)×X(f3)＝{短低低，短低中，短低高，短中低，短中中，短中高，短高低，短高中，短高高，中低低，中低中，中低高，中中低，中中中，中中高，中高低，中高中，中高高，长低低，长低中，长低高，长中低，长中中，长中高，长高低，长高中，长高高}，X被分为27个格子；计算因素分辨度：m＝20，f1＝使用时间，f2＝使用温度，f3＝故障概率，有df1>df2>df3；根据因素分辨度的排序进行对象划分，fMax＝f1，X(fMax)＝{短，中，长}，对U＝{a,b,...,t}进行划分，得f1划分的状态信息表，得β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)；fMax＝f2，X(fMax)＝{低，中，高}，对C1{a,b,c,d,e,f}+C2{g,h,i,j,k,l,m}+C3{n,o,p,q,r,s,t}进行划分，得f2划分的状态信息表，得β31＝(长低，C21)，β32＝(长中，C22)，β33＝(长高，C23)；fMax＝f3，X(fMax)＝{低，中，高}，对C11{a,b}，C12{c,d}，C13{e,f}，C22{j,k}进行划分，得f3划分的状态信息表，得β221＝(中中高，C221)，β222＝(中中中，C222)。
6.根据权利要求1所述一种分析电气系统故障影响因素间因果关系的方法，其特征在于不可再分的基本概念：β21＝(中低，C21)，β23＝(中高，C23)，β31＝(长低，C21)，β32＝(长中，C22)，β33＝(长高，C23)，β111＝(短低高，C111)，β112＝(短低中，C112)，β121＝(短中低，C121)，β122＝(短中中，C122)，β131＝(短高高，C131)，β132＝(短高中，C132)，β221＝(中中高，C221)，β222＝(中中中，C222)；中间基本概念：β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)，β11＝(短低，C11)，β12＝(短中，C12)，β13＝(短高，C13)，β22＝(中中，C22)；不包含故障概率相的概念：β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)，β11＝(短低，C11)，β12＝(短中，C12)，β13＝(短高，C13)，β21＝(中低，C21)，β22＝(中中，C22)，β23＝(中高，C23)，β31＝(高低，C21)，β32＝(高中，C22)，β33＝(高高，C23)。
因果概念提取方法。
根据空间故障树(SpaceFaultTree，SFT)和因素空间理论的特点，制定如下方法来分析SFT中故障概率与影响故障因素之间的因果概念。
步骤：
1)针对空间故障树数据特点，设数据的论域为U＝{u1,u2,...,um}，m为对象个数，设故障状态中包含n个因素，其中前n-1个因素为影响因素f1～n-1，最后一个为目标因素fn，算法中目标因素专指故障概率，划分每个因素的定性相X(fi)＝{K1,K2,...,}，K表示因素fi对应的相，定性相对应的数值表示范围D(fi)＝{(a1,a2],...,(ak-1,ak]}；
2)建立因素相空间的苗卡尔积相空间，在U上的n个因素的定性相空间X＝X(f1)×...×X(fn)，状态指a＝(a1,...,an)∈X，去除虚状态，得到U上的n个因素组成的背景关系R；
3)根据背景关系R形成原子内涵，根据论域U形成具有对合性的原子概念；
4)计算各因素的分辨度，并根据分辨度对因素进行排序；
5)根据因素分辨度排序，依次按照因素对论域U进行对象分类，首先按最高分辨度的因素fMax的定性相X(fMax)＝{K1,K2,...,}划分论域U＝{u1,u2,...,um}的对象；并根据相(K1,K2,...)出现的顺序对U中对象进行分类{Ck＝(uk,1,...,uk,n(k))}(k＝1,...,K)，形成分类排序后的新论域U1，得到基本概念βk，之后对第二高分辨度的因素fMax进行分类，在上次对U1对象分类顺序基础上按照第二高分辨度dMax的因素fMax的定性相X(fMax)＝{K1,K2,...,}划分U1＝{u1,u2,...,um}的对象；根据相K1,K2,...出现的顺序对U1中对象进行分类{Ck＝(uk,1,...,uk,n(k))}(k＝1，...，Q-1，Q+1，...，K)，形成论域U2，得到基本概念βk+1，依次类推直至分析全部因素，得到全部基本概念{β}；
6)绘制基本概念半各图，分辨出真概念。
上述过程涉及到的概念如下：
定义1：影响因素f1～n-1和目标因素fn：根据空间故障树分析特点，分析最终目标为元件或系统的故障发生概率，所以定义目标因素为故障概率；影响元件或系统故障发生概率的因素定义为影响因素；影响因素有n-1个，目标因素为最后一个因素；
定义2：映射f:U→X(f)叫做一个因素，其中U是一类事物的集合，叫做它的定义域或论域，X(f)是它从事物所映照出来的属性或状态(统称为相)的集合，叫做它的相空间；
定义3：在相空间中，每一个组成相空间中的相的匹配叫做状态；
定义4：给定U上的因素集F＝{f1,…,fn}，已知fj具有相空间X(fj)(j＝1,...,n)),取X＝X(f1)×...×X(fn)，对任意a＝(a1,...,an)∈X，记
[a]＝F-1(a)＝{u∈U|F(u)＝a}, (1)
[a]可能是空集，若则称a是一个原子内涵.全体实相的集合记为
叫做因素F＝{f1,…,fn}的背景关系R，也叫做f1,…,fn的实际笛卡尔乘积空间；
定义5：给定因素空间(U,X(F)),设R是因素F0＝{f1,…,fn}的背景关系，则对任意a∈R,称α＝(a,[a])为原子概念，a和[a]分别叫做概念α的原子内涵和原子外延；对任意记[A]＝∪{[a]|a∈A},称γ＝(A,[A])是分别以A,[A]为内涵和外延的概念；称是由(U,X(F))所生成的概念布尔代数，
a和[a]都是原子，由于F是从H(U,F)到R的同构映射,它们一定满足Wille的对合性，由原子概念取并可生成整个概念代数，理论上及其简单；
定义6：从实例中根据对象状态和对象关系确定的概念叫做基本概念β，所有基本概念形成一个半格，叫做基本概念半格；
定义7：设H(U,F)＝{Ck＝(uk,1,...,uk,n(k))}(k＝1,...,K),，
df＝1-[n(1)(n(1)-1)+…+n(K)(n(K)-1)]/m(m-1), (3)
叫做因素f对U中对象的分辨度；
定义8：原子概念是从背景关系中得到的概念内涵和外延的统一；基本概念是从实际情况中得到的概念内涵和外延的统一，当原子概念等价或被包含于基本概念时，称之为真概念，
真概念可用于实际问题的因果关系推理，因为在理论和实际上进行了内涵和外延的统一；
定义9：在形成的因素相空间的苗卡尔积相空间中，有一些状态组合，即因素的相的组合是不符合常理的，这样的a成为一个虚状态a`。
附图说明
图1基本概念半格图。
具体实施方式
根据故障数据提取的20个故障状态，如表1所示，分析元件故障概率与使用时间和使用温度之间的因果关系。
表1基本状态信息表
使用上述方法步骤进行实例分析。
步骤1：
根据上述实例，设20个故障状态组成论域U＝{a,b,...,t}，m＝20，在故障状态中包含三个因素，其中两个影响因素为使用时间f1和使用温度f2，一个目标因素为元件故障概率f3，
划分每个因素的定性相，及对应的数值表示范围：
X(f1)＝X(使用时间)＝{K1,K2,K3}＝{短，中，长},D(f1)＝{(a1,a2],(a2,a3],(a3,a4]}＝{(0，15]天，(15，30]天，(30，50]天}，
X(f2)＝X(使用温度)＝{K1,K2,K3}＝{低，中，高},D(f2)＝{(a1,a2],(a2,a3],(a3,a4]}＝{(0，15]℃，(15，25]℃，(25，40]℃},
X(f3)＝X(故障概率)＝{K1,K2,K3}＝{低，中，高},D(f3)＝{(a1,a2],(a2,a3],(a3,a4]}＝{(0，30]％，(30，60]％，(60，100]％}。
步骤2：
三个因素分别为f1＝使用时间，f2＝使用温度，f3＝故障概率，构成因素相空间的苗卡尔积相空间：
X＝X(f1)×X(f2)×X(f3)＝{短低低，短低中，短低高，短中低，短中中，短中高，短高低，短高中，短高高，中低低，中低中，中低高，中中低，中中中，中中高，中高低，中高中，中高高，长低低，长低中，长低高，长中低，长中中，长中高，长高低，长高中，长高高}，X被分为27个格子，
可根据常识性知识去除虚状态，比如在本例中，元件故障概率随使用时间增加，所以当X(f1)＝长，则X(f3)≠低或中，所以，状态[长*低]和[长*中]是虚状态，其中*＝X(f2)，相空间中的虚状态有：{长低低，长低中，长中低，长中中，长高低，长高中}，为6个格子。
步骤3：
去除上述6个格子，剩余具有物理逻辑意义的状态有：{短低低，短低中，短低高，短中低，短中中，短中高，短高低，短高中，短高高，中低低，中低中，中低高，中中低，中中中，中中高，中高低，中高中，中高高，长低高，长中高，长高高}，为21个格子，
将上述21个状态就是原子的内涵，对应于表1得到原子概念：[短低低]＝{Φ}，[短低中]＝{b}，[短低高]＝{a}，[短中低]＝{c}，[短中中]＝{d}，[短中高]＝{Φ}，[短高低]＝{Φ}，[短高中]＝{f}，[短高高]＝{e}，[中低低]＝{Φ}，[中低中]＝{Φ}，[中低高]＝{g,h,i}，[中中低]＝{Φ}，[中中中]＝{k}，[中中高]＝{j}，[中高低]＝{Φ}，[中高中]＝{Φ}，[中高高]＝{l,m}，[长低高]＝{n,o,p}，[长中高]＝{q,r}，[长高高]＝{s,t}，其中：[短低低]＝{Φ}，[短中高]＝{Φ}，[短高低]＝{Φ}，[中低低]＝{Φ}，[中低中]＝{Φ}，[中中低]＝{Φ}，[中高低]＝{Φ}，[中高中]＝{Φ}只有内涵而没有外延，不能构成原子概念，
α1＝([短低中],{b})，α2＝([短低高],{a})，α3＝([短中低]，{c})，α4＝([短中中]＝{d})，α5＝([短高中]，{f})，α6＝([短高高]，{e})，α7＝([中低高]，{g,h,i})，α8＝([中中中]，{k})，α9＝([中中高]，{j})，α10＝([中高高]，{l,m})，α11＝([长低高]，{n,o,p})，α12＝([长中高]，{q,r})，α13＝([长高高]，{s,t})，既具有内涵，也有外延，形成13个具有对合性的原子概念。
步骤4：
计算因素分辨度：m＝20
f1＝使用时间，n(1)＝6,n(2)＝7,n(3)＝7，df1＝1-(6×5+7×6+7×6)/(20×19)＝0.7，
f2＝使用温度，n(1)＝8,n(2)＝6,n(3)＝6，df2＝1-(8×7+6×5+6×5)/(20×19)＝0.6947，
f3＝故障概率，n(1)＝1,n(2)＝4,n(3)＝15，df3＝1-(1×0+4×3+15×14)/(20×19)＝0.4158，
有df1>df2>df3。
步骤5：
1)根据因素分辨度的排序进行对象划分，已知fMax＝f1，X(fMax)＝{短，中，长}，对U＝{a,b,...,t}进行划分，得新分类排序论域U1，如表2所示。
表2f1划分的状态信息表
f1划分后U1＝C1{a,b,c,d,e,f}+C2{g,h,i,j,k,l,m}+C3{n,o,p,q,r,s,t}，根据f1的内涵与外延分类对应，得到三个基本概念：β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)。
2)已知fMax＝f2，X(fMax)＝{低，中，高}，对C1{a,b,c,d,e,f}+C2{g,h,i,j,k,l,m}+C3{n,o,p,q,r,s,t}进行划分，得新分类排序论域U2，如表3所示，
表3 f2划分的状态信息表
f2划分后C1{a,b,c,d,e,f}得：
C1{a,b,c,d,e,f}＝C11{a,b}+C12{c,d}+C13{e,f}，
根据f1，f2的内涵与外延分类对应，得到三个基本概念：β11＝(短低，C11)，β12＝(短中，C12)，β13＝(短高，C13)，
f2划分后C2{g,h,i,j,k,l,m}得：
C2{g,h,i,j,k,l,m}＝C21{g,h,i}+C22{j,k}+C23{l,m}，
根据f1，f2的内涵与外延分类对应，得到三个基本概念：β21＝(中低，C21)，β22＝(中中，C22)，β23＝(中高，C23)，
f2划分后C3{n,o,p,q,r,s,t}得：
C3{n,o,p,q,r,s,t}＝C31{n,o,p}+C32{q,r}+C33{s,t}，
根据f1，f2的内涵与外延分类对应，得到三个基本概念：β31＝(长低，C21)，β32＝(长中，C22)，β33＝(长高，C23)。
3)已知fMax＝f3，X(fMax)＝{低，中，高}，对C11{a,b}，C12{c,d}，C13{e,f}，C22{j,k}进行划分，得新分类排序论域U3，如表4所示，
表4 f3划分的状态信息表
f3划分后C11{a,b}得：
C11{a,b}＝C111{a}+C112{b}，
根据f1，f2,f3的内涵与外延分类对应，得到两个基本概念：β111＝(短低高，C111)，β112＝(短低中，C112)，
f3划分后C12{c,d}得：
C12{c,d}＝C121{c}+C122{d}，
根据f1，f2,f3的内涵与外延分类对应，得到两个基本概念：β121＝(短中低，C121)，β122＝(短中中，C122)，
f3划分后C12{c,d}得：
C13{e,f}＝C131{e}+C132{f}，
根据f1，f2,f3的内涵与外延分类对应，得到两个基本概念：β131＝(短高高，C131)，β132＝(短高中，C132)，
f3划分后C12{c,d}得：
C22{j,k}＝C221{j}+C222{k}。
根据f1，f2,f3的内涵与外延分类对应，得到两个基本概念：β221＝(中中高，C221)，β222＝(中中中，C222)，上述得到的基本概念共有β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)，β11＝(短低，C11)，β12＝(短中，C12)，β13＝(短高，C13)，β21＝(中低，C21)，β22＝(中中，C22)，β23＝(中高，C23)，β31＝(高低，C21)，β32＝(高中，C22)，β33＝(高高，C23)，β111＝(短低高，C111)，β112＝(短低中，C112)，β121＝(短中低，C121)，β122＝(短中中，C122)，β131＝(短高高，C131)，β132＝(短高中，C132)，β221＝(中中高，C221)，β222＝(中中中，C222)。
步骤6：
根据上述分析得到的基本概念绘制基本概念半格图，如图1所示，从图中可以看出三种不同的概念：不可再分的基本概念；中间基本概念；不包含故障概率相的概念。
不可再分的基本概念：β21＝(中低，C21)，β23＝(中高，C23)，β31＝(长低，C21)，β32＝(长中，C22)，β33＝(长高，C23)，β111＝(短低高，C111)，β112＝(短低中，C112)，β121＝(短中低，C121)，β122＝(短中中，C122)，β131＝(短高高，C131)，β132＝(短高中，C132)，β221＝(中中高，C221)，β222＝(中中中，C222)。
这些概念形成了八组等价关系，即代表背景关系中原子概念的内涵和外延等价于实例概念半格分析的内涵和外延，背景关系来源于相空间的组合，概念半格分析源于实际例子，所以上述等价关系表明了理论与实际概念的外延和内涵的统一，所以上述基本概念是真概念，可用于理论联系实际的实例因果关系分析。
这些概念形成了五组包含关系，前件的原子概念的内涵有三个因素，后件的基本概念的内涵有两个概念，所以原子概念对应基本概念的一种特例，但他们的外延相同，所以α7，α10，α11，α12，α13是可用于因果关系判断的真概念。
中间基本概念：β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)，β11＝(短低，C11)，β12＝(短中，C12)，β13＝(短高，C13)，β22＝(中中，C22)，中间基本概念在概念半格中是承上启下的，是过度性的概念，这些基本概念可对对象进行分类，但依据是影响因素，不是目标因素，所以对故障数据的因果概念分析无效。
不包含故障概率相的概念：β1＝(短，C1)，β2＝(中，C1)，β3＝(长，C3)，β11＝(短低，C11)，β12＝(短中，C12)，β13＝(短高，C13)，β21＝(中低，C21)，β22＝(中中，C22)，β23＝(中高，C23)，β31＝(高低，C21)，β32＝(高中，C22)，β33＝(高高，C23)，这些基本概念不包含目标因素，对因果分析无效，但可进行对象分类。