量化復雜度管理-QCM
痛點
系統(tǒng)發(fā)生風險前無法及時預警；
設(shè)備資產(chǎn)多，維護成本高，連續(xù)性生產(chǎn)特點顯著，一旦發(fā)生故障則全線停產(chǎn)，損失嚴重
機器學習樣本數(shù)據(jù)難于搜集，故障模型難以確定；
系統(tǒng)復雜度越來越高，系統(tǒng)崩潰的可能性也越高，且通常并沒有早期征兆；
高度復雜的系統(tǒng)受外界不確定性影響的風險更大；且外界不確定性很難預知。
用戶價值
可對復雜系統(tǒng)進行綜合分析，無需進行機器學習。
可對海量數(shù)據(jù)進行分析，秒級響應(yīng)。
可對影響系統(tǒng)風險的主要變量進行識別。
通過系統(tǒng)復雜度分析對系統(tǒng)進行提前報警，在風險發(fā)生前做出預判。
核心優(yōu)勢
對輸入數(shù)據(jù)要求低，可對原始數(shù)據(jù)進行分析
超量數(shù)據(jù)處理能力
實時監(jiān)測分析（可寫入芯片）
預測系統(tǒng)熵，突變預測
可分析系統(tǒng)復雜度/穩(wěn)定性，數(shù)據(jù)相關(guān)性，主要變量識別
應(yīng)用領(lǐng)域廣泛，已在金融、醫(yī)療、車聯(lián)網(wǎng)、智能制造等行業(yè)有成功案例
應(yīng)用場景
復雜生產(chǎn)現(xiàn)場風險預測
在特定位置點，以一定頻率采集傳感器數(shù)據(jù)，可進行實時監(jiān)測，提供早期預測。
儲能電站風險預測
對儲能電站電池組進行實時監(jiān)控，判斷故障電池及定位，給出告警信號，避免事故發(fā)生。
數(shù)字模型的可信度測量
判斷數(shù)字化模型模擬真實事物的仿真度如何。
復雜設(shè)備結(jié)構(gòu)健康監(jiān)測
在故障即將發(fā)生之前提供系統(tǒng)失效的早期預警信號
醫(yī)療健康監(jiān)測
病人生命體征監(jiān)控及健康狀況預測
金融領(lǐng)域風險預測
股市、基金風險分析
算法介紹
復雜度映射圖
復雜度映射圖：
?即便在結(jié)點和連接數(shù)都很大的情況下，仍然易于分析
?可以很容易地確定出樞紐點
傳統(tǒng)圖：
?當結(jié)點和連接數(shù)很大時，難于分析（意大利面效應(yīng)）
?難以確定樞紐點
臨界復雜度
復雜度不會無限地增長，它有最大值。最大值被稱為臨界復雜度，在接近臨界復雜度時，系統(tǒng)會變得易損和脆弱。
在達到臨界復雜度之后，復雜度就會開始衰退，除非對系統(tǒng)進行結(jié)構(gòu)改變。
復雜度與健壯性
在接近臨界復雜度時，系統(tǒng)功能不容易正?！湫袨闀兊貌豢深A測。
系統(tǒng)的脆弱性與其和臨界復雜度之間的距離成正比。管理良好的系統(tǒng)總會保持好與臨界復雜度的安全距離。
復雜性的突然變化意味著(內(nèi)源或外源性的)損傷，可能被視為危機的早期預警和前兆。
變量識別
可分析系統(tǒng)復雜度，以及影響復雜度的主要變量識別
算法原理
?復雜度定義為結(jié)構(gòu)和熵的函數(shù)，如下所示：C= f(S○E)
?其中S表示N×N鄰接矩陣，E是N×N熵矩陣,○是哈達瑪矩陣乘積算式，f是范數(shù)算式。
?上面的公式代表了復雜性的一個形式化定義。鄰接矩陣是通過專利的多維算法確定的，這就確立了有關(guān)系統(tǒng)的結(jié)構(gòu)。
?{E}各分量之間的關(guān)系強度，即所謂的廣義相關(guān)，是基于熵和香農(nóng)信息論的概念進行計算。我們選擇了這種方法因為它避免了傳統(tǒng)的基于模型的技術(shù)試圖描述數(shù)據(jù)的缺點。
?我們“無模型”方法的巨大優(yōu)勢是它獨立于數(shù)據(jù)的數(shù)值調(diào)節(jié)和識別結(jié)構(gòu)存在的能力。一旦得到了熵矩陣和鄰接矩陣，就可以計算出系統(tǒng)的復雜度。
?QCM可以不需要數(shù)據(jù)進行目前AI類算法的訓練工作，直接根據(jù)原始數(shù)據(jù)進行系統(tǒng)的復雜度分析，得到系統(tǒng)是否臨近穩(wěn)定邊界，從而對系統(tǒng)進行事先預警。
復雜度實時計算
地址：北京市豐臺區(qū)菜戶營南路139號中陽大廈703A
電話：010-63852037
商務(wù)郵箱：business@norteksoft.com