《International Journal of Disaster Risk Reduction》：AI-enabled resilience modeling across disaster, response, recovery and empirical study of cyber-physical infrastructure with industrial IoT
编辑推荐：
韧性基础设施依赖于灾害管理周期中三个关键阶段（扰动前准备、主动响应和扰动后恢复）的可靠、实时决策支持证据。然而，信息物理基础设施系统产生的嘈杂工业物联网数据流与决策者在危机条件下实际所需的清晰、可解释的韧性指标之间存在显著差距。本研究通过系统性实证基准测试，将
韧性基础设施依赖于灾害管理周期中三个关键阶段（扰动前准备、主动响应和扰动后恢复）的可靠、实时决策支持证据。然而，信息物理基础设施系统产生的嘈杂工业物联网数据流与决策者在危机条件下实际所需的清晰、可解释的韧性指标之间存在显著差距。本研究通过系统性实证基准测试，将七种统计和基于人工智能的方法应用于来自信息物理工业试验台的真实传感器数据（涵盖152天和七个故障-恢复循环），旨在弥合这一差距。这些方法依据六项韧性准则进行评估，覆盖扰动-响应-恢复的完整轨迹：恢复剖面、快速性、功能状态、系统准备度、恢复后性能水平以及重复扰动下的劣化。通过模糊TOPSIS聚合的15位领域专家知识表明，基于神经网络的建模获得了最高的贴近系数（0.94），在表征决策相关的韧性动态方面显著优于所有替代方法。关键的是，尽管80%的专家充分理解恢复剖面，但系统准备度和恢复后性能这两个与基础设施风险降低规划直接相关的指标，仍有多于一半的社区成员不熟悉，这突显了对标准化韧性关键绩效指标（KPI）框架的迫切需求。除了基准测试之外，本研究还推进了一个人机协同框架，其中人工智能将嘈杂的信息物理传感器流转换为可解释的功能损失轨迹，而人类专家保留治理权，从而在整个灾害管理周期中支持风险知情和可问责的决策。
**研究背景与问题**
关键基础设施的韧性依赖于灾害管理周期中可靠、实时的决策支持。然而，工业物联网（IIoT）数据流噪声大，与决策者所需的清晰韧性指标之间存在显著差距。现有韧性量化常采用功能损失（FL）指标，但基于噪声数据构建韧性曲线的方法缺乏标准化，文献中多依赖研究者主观选择，导致基准缺失和全局阈值难以定义。因此，本研究旨在系统比较七种统计和人工智能方法，以确定从嘈杂传感器数据构建韧性曲线的最佳途径，并识别韧性曲线可推断的关键概念。
**研究概要与意义**
研究人员采用信息物理工业试验台（152天，7次故障-恢复循环）的开源传感器数据，对五种统计方法和两种AI方法进行实证基准测试。通过15位领域专家使用模糊TOPSIS聚合评估，发现神经网络（NN）建模的贴近系数最高（0.94），显著优于其他方法。研究还揭示了专家对韧性概念熟悉度不均——系统准备度和恢复后性能水平仅47%专家熟悉，凸显了对标准化韧性KPI框架的需求。研究提出了人机协同框架，AI将噪声数据流转化为可解释的功能损失轨迹，人类专家保留治理权，支持风险知情决策。论文发表于《International Journal of Disaster Risk Reduction》。
**关键技术方法**
研究人员采用以下主要技术：(1) 通过LightGBM/XGBoost特征重要性分析及Spearman相关分析，从49个有效传感器信号中选出SENSOR_04（轴转速）作为韧性曲线构建数据；(2) 应用七种拟合法：移动平均、支持向量回归（SVR）、多项式拟合、随机森林、样条插值、神经网络（多层感知机）和Huber回归，对第二次故障事件进行曲线构建，并计算功能损失面积和恢复后间隙；(3) 通过结构化访谈收集15位专家对四种保留方法的六准则评分；(4) 采用模糊TOPSIS进行多准则排序。样本来源为开源离心泵试验台数据集。
**研究结果**
*Human–AI collaborative decision workflow enhancement*
通过模糊TOPSIS排序，神经网络获得最高贴近系数（0.9433），显著优于多项式拟合和SVR。神经网络曲线的恢复后间隙（GR=39.69）最低，表明其最接近理想性能基线，减少了解释歧义。专家中仅47%熟悉系统准备度和恢复后性能，而神经网络在这两项得分最高，说明AI曲线能缩小理论与实践差距。
*The best method to model Functionality Loss after a disturbance*
神经网络是建模扰动后功能损失的最适合方法；Huber回归为次优选择；多项式拟合仅在特定场景有效；SVM在本场景中不适用。
*The best method for each criterion*
针对六项准则，神经网络在准则1（恢复剖面）、4（系统准备度）、5（恢复后性能）和6（劣化）上得分最高；Huber回归在准则2（快速性）和3（功能状态）上领先。决策者可根据具体需求选择最优方法。
*Global disturbance–recovery behaviour over statistical point-by-point accuracy*
研究目标是捕捉宏观扰动-响应-恢复轨迹，而非逐点预测精度，因此不使用RMSE等误差指标。六项准则本身源自韧性曲线，专家判断是合适的仲裁方式，因为不存在独立于曲线的外部真值。
*Educational opportunities*
研究发现对系统准备度和恢复后性能水平等概念熟悉度较低，建议开展针对性培训和教育举措，以弥合理论与实践的差距。
*Practical applications and re-usability*
该框架可重用于其他关键基础设施领域（如电网、交通网络、通信系统），因为韧性曲线结构跨部门一致。但方法排序可能随场景变化，需重新基准测试。
*Future research*
未来研究方向包括调查学科偏见、比较信号去噪技术（如Savitzky–Golay滤波器、卡尔曼滤波器等）、引入定量精度指标、跨领域验证框架，以及通过可解释AI提升神经网络的可解释性。
**讨论总结**
研究人员与100位专家互动发现，安全领域对AI工具认识不足，感知缺乏AI专业知识是参与障碍，这一观察与概念熟悉度不均一致，支持了培训需求。韧性文献中术语不一致限制了跨系统可比性和多灾种操作可靠性，需要系统整合共享定义。模型选择依赖于情境，建议采用基于准则的选择方法，人类专家保留优先事项定义和治理权，形成人机伙伴关系。
**研究结论翻译**
这项研究表明，关键基础设施韧性曲线的构建最有效的方式是嵌入贯穿干扰、响应和恢复全过程的结构化人机协同框架。在基准测试方法中，神经网络模型成为最稳健的选择，获得最高贴近系数，并在所有评估标准中表现持续强劲。其优势不仅在于数值排名，更在于能连贯表示恢复剖面并区分功能状态，产生决策就绪指标，减少解释歧义并增强危机条件下的管理信心。
除方法论比较外，结果凸显了防灾韧性社区的关键挑战：专家对韧性概念熟悉度不均。尽管恢复剖面和快速性已被充分理解，但基础设施风险降低的关键KPI（如系统准备度和恢复后性能）在学科间认识不一致。AI生成的韧性曲线因此不仅作为分析工具，还作为认知桥梁，使抽象韧性概念在运营和应急管理团队中可测量、可操作。加强跨领域培训可进一步协调工程实践与减灾目标。
一个更广泛的局限是韧性文献中术语不一致，这限制了基础设施系统间可比性，削弱多灾种环境下的操作可靠性。对既有概念的不同解释阻碍了标准化，并使灾害风险所需跨学科协作决策复杂化。因此，系统整合共同定义和词汇对确保AI生成的韧性指标在危机决策中一致解释至关重要。
最后，模型选择仍依赖情境。基础设施类型、传感环境和灾害情景优先事项可能支持替代技术。因此，研究人员主张基于准则的选择方法，将曲线保真度和指标可靠性与具体危机场景的运营需求明确关联。在该结构中，AI执行稳健噪声建模和韧性指标提取，人类专家定义优先事项、解释输出并保留治理权，形成集成人机伙伴关系，以支持韧性基础设施社区的负责任风险知情决策。
