ＩＳＳＮ １６７３—９４１８ ＣＯＤＥＮ ＪＫＹＴＡ８ Ｊｏｕｒｎａｌ ｏｆ Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｅ—ｍａｉｌ：ｆｃｓｔ＠ｖｉｐ．１６３．ｅｏｍ ｈｔｔｐ：／／ｗｗｗ．ｃｅａｊ．ｏｒｇ Ｔｅｌ：＋８６．１０—５１６１６０５６ １６７３—９４１８／２０１１／０５（０２）一０ｌｌ４—１４ ＤＯＩ：１０．３７７８０．ｉｓｓｎ．１６７３—９４１８．２０１ １．０２．００２ 离散事件系统基于模型诊断的研究进展 赵相福 ，欧阳丹彤 １．浙江师范大学数理与信息工程学院，浙江金华３２１００４ ２．吉林大学符号计算与知识工程教育部重点实验室，长春１３００１２ Ｐｒｏｇｒｅｓｓ ｏｎ Ｍｏｄｅ１．ｂａｓｅｄ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｄｉｓｃｒｅｔｅ．ｅｖｅｎｔ Ｓｙｓｔｅｍｓ ＺＨＡＯ Ｘｉａｎｇｆｕ¨ＯＵＹＡＮＧ Ｄａｎｔｏｎｇ ，１．Ｃｏｌｌｅｇｅ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ Ｐｈｙｓｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｊｉａｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｊｉｎｈｕａ，Ｚｈｅｊｉａｎｇ ３２１００４，Ｃｈｉｎａ ２．Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｓｙｍｂｏｌｉｃ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ ｏｆ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ，Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈａｎｇｃｈｕｎ １ ３００ １ ２，Ｃｈｉｎａ ＋Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ：Ｅ—ｍａｉｌ：ｘｉａｎｇｆｕｚｈａｏ＠ｇｍａｉｌ．ｃｏｒｎ ＺＨＡＯ Ｘｉａｎｇｆｕ，ＯＵＹＡＮＧ Ｄａｎｔｏｎｇ．Ｐｒｏｇｒｅｓｓ ｏｎ ｍｏｄｅｌ－ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ－ｅｖｅｎｔ ｓｙｓｔｅｍｓ．Ｊｏｕｒｎａｌ ｏｆ Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１１，５（２）：１１４－１２７． Ａｂｓｔｒａｃｔ：Ｒｅｃｅｎｔｌｙ，ｍｏｄｅｌ—－ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ—－ｅｖｅｎｔ ｓｙｓｔｅｍｓ（ＤＥＳｓ）ｈａｓ ｂｅｅｎ ａｐｐｌｉｅｄ ｔｏ ｌａｒｇｅ ｔｅｌｅｃｏｍｍｕ—－ ｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋｓ ａｎｄ ｐｏｗｅｒ ｔｒａｎｓｍｉｓｓｉｏｎ ｎｅｔｗｏｒｋｓ．Ｉｔ ｈａｓ ａｔｔｒａｃｔｅｄ ｍｏｒｅ ａｎｄ ｍｏｒｅ ｉｎｔｅｒｅｓｔｓ ｉｎ ｂｏｔｈ ａｒｔｉｉｃｉａｌｆ ｉｎｔｅｌ— ｌｉｇｅｎｃｅ（ＡＩ）ａｎｄ ｃｏｎｔｒｏｌ ｅｎｇｉｎｅｅｒｉｎｇ ｉｆｅｌｄｓ．Ｆｉｒｓｔｌｙ，ｔｈｅ ｂａｓｉｃ ｉｄｅａ ａｎｄ ｍｏｄｅｌｉｎｇ ｍｅｔｈｏｄｓ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｎ，ｍｏｓｔ ａｐｐｒｏａｃｈｅｓ ｏｆ ｄｉａｇｎｏｓｉｎｇ ＤＥＳｓ ｍｏｄｅｌｅｄ ｂｙ ａｕｔｏｍａｔａ ｈａｖｅ ｂｅｅｎ ａｎａｌｙｚｅｄ ａｎｄ ｃｏｍｐａｒｅｄ ｉｎ ｄｉｆｆｅｒｅｎｔ ｖｉｅｗｓ．Ｔｈｅ ｍａｉｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｔｅｓｔｉｎｇ ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｏｆ ＤＥＳｓ ａｒｅ ａｌｓｏ ｐｒｅｓｅｎｔｅｄ ｉｎ ｔｈｅ ｆｏｌｌｏｗｉｎｇ．Ｆｉｎａｌｌｙ，ｓｏｍｅ ｏｐｅｎ ｑｕｅｓｔｉｏｎｓ ｒｅ ｇｉｖｅｎ ｉｎ ｓｙｓｔｅｍ ｍｏｄｅｌｉｎｇ，ｄｉｓｔａｉｂｕｔｅｄ ｏｎｌｉｎｅ ｄｉａｇｎｏｓｉｓ，ｄｉａｇｎｏｓｉｓ ｗｉｔｈ ｉｎｃｏｍｐｌｒｅｔｅ ｓｙｓｔｅｍｓ，ａｎｄ ｔｈｅ ｓｙｓｔｅｍ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｍｏｄｅｌ－ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ（ＭＢＤ）；ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ（ＤＥＳｓ）；ｄｉａｇｎｏｓａｂｉｌｉｔｙ Ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ ｕｎｄｅｒ Ｇｒａｎｔ Ｎｏ．６１００３１０１，６０９７３０８９，６０８７３１４８（国家自然科学基金）；ｔｈｅ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｚｈｅｊｉａｎｇ Ｐｒｏｖｉｎｃｅ ｏｆ Ｃｈｉｎａ ｕｎｄｅｒ Ｇｒａｎｔ Ｎｏ．Ｙ１ １００１９１（浙江省自然科学基金）；ｔｈｅ Ｏｐｅｎｉｎｇ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｓｙｍｂｏｌｉｃ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ ｏｆ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ ｏｆ Ｃｈｉｎａ ｕｎｄｅｒ Ｇｒａｎｔ Ｎｏ．９３Ｋ一１７—２００９一Ｋ０５（ｆｆ号计算与知识Ｔ程教育部重点实验室开放课题基金）． Ｒｅｃｅｉｖｅｄ ２０ １ ０—０４，Ａｃｃｅｐｔｅｄ ２０ １ ０—０６． 赵相福等：离散事件系统基于模型诊断的研究进展 ｌｌ５ 摘要：近年来，针对离散事件系统的基于模型诊断方法在大型通讯网络、电网故障诊断等领域获得了成 功应用，成为人工智能与控制工程领域的热门研究课题。介绍了针对离散事件系统的基于模型诊断的基本 思想与建模方法，从不同的角度对使用自动机建模的各种主要诊断方法进行了评析与比较：讨论了系统可 诊断性判定方法的研究进展。从系统建模、分布式在线诊断、不完备模型下的诊断以及系统实现等方面，展 望了针对离散事件系统的基于模型诊断领域中有待解决的问题。 关键词：基于模型的诊断；离散事件系统；可诊断性 文献标识码：Ａ 中图分类号：ＴＰ３１ １ 引言 随着科技的发展，人们设计制造出了越来越精 密复杂的系统，如大型电网、核电站、航天飞船、 智能汽车等。一旦系统中某个部件出现故障，可能 会导致整个系统无法运转，若不能及时处理甚至会 造成无可挽回的损失（如核泄漏、航天飞船无法正常 着陆等），因而研究复杂系统的故障诊断方法是一 个十分重要的课题。由于系统本身的复杂性，也使 得故障诊断成为一个亟待解决的难题。传统的专家 系统诊断方法，虽然可利用专家经验（类似于中医 诊断）给出具有一定可信度的诊断结果，但该方法 一方面需要专家的知识（而获取专家知识有时会比 较昂贵），另一方面严重依赖于待诊断系统本身的特 征，不具有设备独立性，尤其对于一些新兴复杂设备 的故障诊断因缺乏相关的专家经验而将无法应用。 基于模型的诊断（ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ，ＭＢＤ） 正是为了克服第一代专家诊断系统的严重缺陷而 出现的智能推理技术『１ 引。ＭＢＤ使用设备内部结构 与行为的知识进行故障诊断＿ｌ引，这正是该方法与传 统方法的本质区别，被誉为诊断理论和技术上的革 命。在ＩＪＣＡＩ一９９上，著名的ＭＢＤ专家Ｃｏｎｓｏｌｅ和 Ｄｒｅｓｓｉｅｒ在其特邀报告中指出：ＭＢＤ对整个人工智 ￣（ａｒｔｉｉｆｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）领域的研究起着重要推 动作用 。ＭＢＤ专家Ｓｔｅｒｓｓ称ＭＢＤ是对ＡＩ的一 个重要挑战和检验ｆＪ 。 如图１所示，ＭＢＤ的主要思想为：根据待诊断 系统中各组成部件的工作原理创建其各自的行为 模型，依据它们的连接方式获得整个系统的结构及 行为模型；然后由系统模型出发，根据当前输入信 息可预测系统的预期行为；而通过监控实际系统可 获得系统实际的行为。若检测到实际行为和预期行 为之间存在差异，则系统中肯定有部件发生了故障， 则由差异和系统模型出发通过诊断推理来产生候 选的故障部件集。从ＭＢＤ的主要思想可以看出，该 诊断方法基于系统本身的模型以及系统的“深知 识”，不依赖于专家的经验，因而具有较强的设备 独立性，易于更新和维护。 匝 一［ 一匝 Ｆｉｇ．１ Ｍａｉｎ ｉｄｅａ ｏｆ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ 图１基于模型诊断的主要思想 ＭＢＤ于２０世纪８０年代中期成为热门研究课 题，已在航天器故障检测、大型ＶＨＤＬ程序的故障 检测、大型通讯网络故障诊断、电网故障诊断、汽 车故障诊断等领域得到成功应用。尤其是获得美国 宇航局奖的Ｌｉｖｉｎｇｓｔｏｎｅ系统，在没有地面控制人员 指挥的情况下可自主诊断“深空一号”飞船的故 障并发出更正指令 。 根据对诊断结果逻辑约束的强弱不同，ＭＢＤ可 划分为两个基本流派：基于一致性的诊断（ｃｏｎｓｉｓｔｅｎｃｙ— ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ，ＣＢＤ） ｊ１¨ 和基于溯因的诊断 （ａｂｄｕｃｔｉｖｅ ｄｉａｇｎｏｓｉｓ，ＡＢＤ）¨ 。ＣＢＤ仅要求所得候 选诊断结果与系统模型、观测在逻辑上相一致（１￣ｌＪ “不冲突”）即可；而ＡＢＤ则不仅要求候选诊断结 １１６ ＪｏｕｒｎａｌｏｆＦｒｏｎｔｉｅｒｓ ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ计算机科学与探索 ２０１１，５（２） 果与系统模型、观测在逻辑上一致，还要求候选部 国内中山大学邱道文教授等开展了模糊或随机可诊 断陛问题的研究 ；笔者近年来也对离散事件系 统的在线诊断方法及不完备模型下的诊断理论等做 了一些探索［５０－５１］；除此之外国内还未见其他相关 报道。 件的（故障）行为必然能够逻辑推出实际的（异常）观 测。显然，ＡＢＤ比ＣＢＤ在逻辑约束上要求更强。相 应地，ＡＢＤ要求系统模型必须是完备的，即模型中 包含了正常行为和所有可能的故障行为；而ＣＢＤ 仅要求系统正常行为模型完备即可。 最初，ＭＢＤ只针对静态系统，而随着对动态系 从２０世纪９０年代初开始举行的一年一度的诊 断原理会议（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｄｉａｇｎｏｓｉｓ 统安全性和可靠性要求的与１３俱增，动态系统 ＭＢＤ已成为一个非常重要的研究课题。Ｃｏｎｓｏｌｅ和 Ｄｒｅｓｓｉｅｒ指出，动态系统的诊断至今仍是基于模型 诊断有待解决的问题之一，动态系统被认为是对模 型化特别是定性模型化以及推理机制的挑战。尤 其是最近几年，针对离散事件动态系统（ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ，ＤＥＳｓ）的基于模型的诊断方法ｌ 】受到了越 来越多的关注。这是由于离散事件系统在各状态中 接近于静态系统，而许多混合（ｈｙｂｒｉｄ）或者连续 （ｃｏｎｔｉｎｕｏｕｓ）值的动态系统通过量化以后，又可以使 用离散事件系统近似地表达Ｌ２Ⅲ。因此，研究离散事 件系统ＭＢＤ是研究静态系统与混合或者连续动态 系统ＭＢＤ的一个桥梁，是开展混合系统直至连续 动态系统ＭＢＤ研究的基础。 针对离散事件系统基于模型诊断方法的基本思 想为：首先使用自动机、Ｐｅｔｒｉ网或进程代数等工具 为待诊断系统建模，描述出系统的正常行为和所有 可能的故障行为；然后监控系统运行，并根据观测 序列来匹配系统的行为模型，从而找出系统可能的 行为轨迹，其中包含了系统所有可能的故障部件及 其故障原因。可以看出，这种基于模型诊断的离散 事件系统思想本质上属于ＡＢＤ。 关于离散事件系统的诊断研究，主要有：美国 密歇根大学Ｌａｆｏｒｔｕｎｅ教授等从监控理论来研究离 散可诊断性（即系统是否可诊断）等问题［１９，２ｔ－２２ ：法 国雷恩大学Ｃｏｒｄｉｅｒ教授等研究在线增量诊断及可 诊断性问题［２ 引；意大利布雷西亚大学Ｌａｍｐｅｒｔｉ教 授等研究主动系统诊断（后验及在线诊断）【 ：加 拿大多伦多大学Ｗｏｎｈａｍ教授等主要从全局一致性 研究分布式诊断聆 ０１．，澳大利亚国立大学的一些学 者也在研究增量诊断及可诊断陛分析的新方法［４１－４ 。 Ｐｒｉｎｃｉｐｌｅｓ（Ｄｘ）Ｉ５２１），主要侧重于使用人工智能领域 中的方法求解诊断；而每两年一度的离散事件系统 会议（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｄｉｓｃｒｅｔｅ Ｅｖｅｎｔ Ｓｙｓ— ｔｅｍｓ（ＷＯＤＥＳ）ｔ５３１），则主要侧重于使用控制工程领 域中的方法求解离散事件系统的故障；此外， ＩＪＣＡＩ、ＡＡＡＩ、ＥＣＡＩ等会议文集中也经常看到相 关论文发表。相关的主要围际期刊包括“ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏｌ”，“Ｊｏｕｒｎａｌ ｏｆ Ｄｉｓ— ｃｒｅｔｅ Ｅｖｅｎｔ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍｓ：Ｔｈｅｏｒｙ ａｎｄ Ａｐｐｌｉｃａ－ ｔｉｏｎｓ”．‘‘Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ”．‘‘ＡＩ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ’’ 等，最近几年都有相关的论文发表。 ２系统建模与表示 离散事件系统的状态在一些不均匀的离散时刻 由于某些事件触发而发生变换，并且一般状态变换 的内部机制比较复杂，因而往往无法用常规的数学 方法来描述。一般使用状态及转移的各种表示（如自 动机、进程代数、Ｐｅｔｒｉ网等）对ＤＥＳｓ建模。 ｆ １）有限状态自动机（ｆｉｎｉｔｅ—ｓｔａｔｅ ｍａｃｈｉｎｅｓ，ＦＳＭｓ） Ｓａｍｐａｔｈ等人 ４＿ 最早研究了基于模型的离散 事件系统的故障诊断方法。该方法使用有限状态机 对离散事件系统进行建模，并假设每一故障和相应 的系统行为都是已知的，且故障模型是完备的。所 有的组件使用ＦＳＭｓ建模表示。ＦＳＭ的每个状态对 应于组件的内部状态，转移则对应于相应的事件。 每个转移表示由于该事件的出现而导致的状态改 变。事件可分为可观测的和不可观测的事件：前者 为任何由传感器可获得的事件；其他的事件则建模 为不可观测的事件。其中不可观测事件的一个子集 为故障事件集，即需要通过推理得到的反常事件 集。故障通常假设是持续的，即一旦发生该故障事 件，系统将不能自行修复该故障。因此，一个带有 赵相福等：离散事件系统基于模型诊断的研究进展 １１７ 故障事件的转移也就表明了一个故障事件的开始。 当各组件使用ＦＳＭｓ建模以后，整个系统的ＦＳＭｓ 可以表示为完备的系统模型自动机与发出的观测 序列自动机的同步积。本文主要关注使用自动机对 系统建模的方法。 关于ＤＥＳｓ基于模型的诊断，许多研究和工程 人员提出了实际的诊断方法。根据诊断的时机、诊 模型则可由各组件及其交互事件按照合成建模 （ｃｏｍｐｏｓｉｔｅ ｍｏｄｅｌｉｎｇ）方式产生。 在传统有限状态自动机建模的基础上，为了表 达各组件之间的交互，有些学者提出了通讯 （ｃｏｍｍｕｎｉｃａｔｉｎｇ）自动机（ＣＦＳＭ）的概念用于对ＤＥＳｓ 建模 引。在通讯自动机中，每个组件被赋予了输 入和输出端口以便完成组件之间的事件交互。这些 组件之间的连接使用结构模型图描述，其中每个节 点表示一个组件，每条边表示组件之间的连接链。 当然，每个组件的行为模型依然使用ＦＳＭｓ表示， 用于描述每个组件对于接收到的消息事件所做出 的反应。 （２）进程代数（ｐｒｏｃｅｓｓ ａｌｇｅｂｒａ） 使用进程代数表示ＤＥＳｓ进行诊断的方法ｌ５刨和 ＦＳＭｓ建模的方法类似，都支持合成建模。使用进程 代数可以将每个ＤＥＳ系统表示为两个模型：一个为 系统的结构模型，即所有组件及其连接关系；另一 个则为每一组件的行为模型。这些模型通过性能评 估进程代数（ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｐｒｏｃｅｓｓ ａｌｇｅｂｒａ， ＰＥＰＡ） ７ｉ来表示。相比较ＦＳＭｓ对ＤＥＳｓ建模，使用 进程代数可以更为形式化地对系统建模，更为抽象 一些。 （３）Ｐｅｔｒｉ网 ＤＥＳｓ也可以使用Ｐｅｔｒｉ网建模，特别适用于对 并发系统建模。每个Ｐｅｔｒｉ网由库所（ｐｌａｃｅｓ）、跃迁 （ｔｒａｎｓｉｔｉｏｎｓ）及其连接的有向边（１ｉｎｋｓ）组成；每个库 所可以包含几个标￣（ｔｏｋｅｎｓ）。正如Ａｇｈａｓａｒｙａｎ等 人Ｌ５副所述，每个库所中至多仅有一个标记即足以满 足诊断的目的。标记到库所的每一种分配即对应于 系统的一个状态。为了诊断ＤＥＳ，将跃迁标签为观 测，并且将某些库所标签为故障，称系统是故障的， 如果存在至少一个故障库所包含一个标记。 ３基本的诊断方法 当离散事件系统使用自动机建模时，根据基于 模型诊断（尤其是ＡＢＤ）的基本思想，诊断结果一般 断计算所需的观测信息、诊断对象的布局、通讯的 方式以及编译技术等的不同，可以将现有的主要诊 断方法分为如下几类。 ３．１离线、在线与机载诊断 按照诊断的时间要求，现有的主要诊断方法可 分为离线（ｏｆｆ－ｌｉｎｅ）、在线（ｏｎ—ｌｉｎｅ）与机载（ｏｎ—ｂｏａｒｄ） 诊断方法。 在离线诊断中，假设待诊断的系统未在工作， 此时的系统可以看作一种实验台。通过模拟测试发 出命令并观测相应的结果，可以推论出系统可能的 状态，从而为在线诊断提供参考。 而在线诊断一般假设待诊断的系统处于工作模 式中，目的是通过监控在线运行的系统来标识系统 当前的运行状态及可能的故障情况，并能够及时排 除故障。一般可由一个监控中一ｔ￣，（ｓｕｐｅｒｖｉｓｏｒ）来负责 收集各传感器的信息，然后通过及时诊断推理给出 相应的系统状态及故障信息，从而保证系统的正常 运行。监控中心一般可以是独立于待诊断系统之外 的一个实体。 相对应地，机载诊断方法则要求诊断推理的实 体嵌入到待诊断系统中。能够及时接收系统中的相 关信息，以便及时诊断推理或预测，使得系统能够 正常高效运行。 从以上比较还可以看出，离线诊断可看作对静 态设备的诊断，或者是对动态系统某一状态的诊断； 诊断的场景不变化，时效性要求不太高。而在线诊 断则可看作对动态运行中系统的诊断，诊断的场景 可能随时在变化，可能要考虑系统的变化趋势；时 效性要求相对较高，有时甚至是紧急情况。此外， 机载诊断可看作是在线诊断的一种特殊情况，对时 间要求较高，同时由于机载诊断的存储空间一般较 少，因而对存储空间处理的需求也较高；而前两者 １ １ ８ Ｊｏｕｒｎａｌ ｏｆＦｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ 对空间要求相对较低。 些方法依赖于真实的观测发出序列，即认为收到的 观测序列和实际发出序列是相同的，否则可能丢失 解，甚至将无法求解。 为了提高在线诊断的效率，一般可以采取首先 离线编译系统的状态、观测以及相应的诊断结果， 构造出较为高效的诊断编译器；而当在线诊断时， 通过新获得的观测来匹配诊断编译器从而快速产 生诊断结果。后面还将给出各种基于不同编译技术 Ｇｒａｓｔｉｅｎ等人／２６－２７１提出分片观测自动机链的方 法可用于后验增量诊断，但是如何用于在线诊断， 和Ｐｅｎｃｏｌ６与ＣｏｒｄｉｅｒＩ 、Ｐｅｎｃｏｌ６等人 以及Ｃｏｒｄｉｅｒ 的诊断方法。 ３．２后验诊断与增量诊断 按照每次诊断产生所考虑的观测信息，可将诊 断方法分为后验（Ａ—ｐｏｓｔｅｒｉｏｒｉ）诊断及增量（ｉｎｃｒｅ． ｍｅｎｔａ１）诊断。 若每次结果产生都需要考虑到此时刻所有 可得的观测信息及系统的整个模型，则称为后验 诊断。 若每次诊断只需考虑前一次的诊断结果以及新 获得的观测信息来产生新的诊断结果，则称为增量 诊断。增量诊断是在线诊断的基础，因为一般来说， 通常仅保存上一次的诊断结果，而在当前获得新的 观测的情况下就要能够及时给出新的诊断结果。 对于后验诊断，一般假设已经得到的所有观测 都能正确地反映系统的实际变化情况，或者已经对 收到的不确定观测进行了修正处理。而增量诊断中， 由于是在不断地处理新增加的部分观测，而新收到 的部分观测可能由于通过观测信道传播的干扰而 与实际发出的信息有些差异，因而首先需要考虑观 测的不确定性处理问题。 由于诊断表示为系统模型自动机与发出的观测 序列自动机的同步积，因而实际发出的观测序列对 诊断结果是至关重要的。然而，由于传输信道延迟 等各种不确定因素使得收到的观测序列往往与实 际发出的序列可能并不相同 。】，从而影响诊断的结 果：并且文献［３０］给出的处理不确定观测的方法， 只是一种后验的观点，而不是在线的方法。而增量 诊断为在线诊断的本质，并且诊断一般是在线进行 的 ］。虽然Ｓａｍｐａｔｈ等人 １、Ｒｏｚ６与Ｃｏｒｄｉｅｒ【 １、 Ｌａｍｐｅｒｔｉ与Ｚａｎｅｌｌａ ＿３ ５＿提出了经典的诊断器方法及 其各种扩展方法，主要使用离线编译技术构建完备 的诊断器，通过在线匹配观测进行监控诊断，但这 与Ｇｒａｓｔｉｅｎ［２８１提到的分散式诊断方法一样，依赖于 所谓的“合理的窗口”．而没有给出观测自动机链 的合理分片方法，尤其是在线的增量诊断情形。若 时间窗口设置不合理，可能会丢失诊断解ｆ２ 引。 虽然文献【２３】指出可利用领域知识来求得“合 理的窗口”用于在线诊断，但若所得观测较为密集， 则可能仍然难以找到“合理的断点”，最坏的情形 为全局观测，此时就变成了后验诊断而非在线诊 断。正如Ｌａｍｐｅｒｔｉ与ＺａｎｅｌｌａＩ３６１所述，如何确定观测 序列的“合理的时间窗口”仍是有待解决的问题。 此外，文献［３６］从概念层次上指出，若观测是 分层逐渐给出的，则可以保持监控诊断的单调性 （注：此处的“单调性”是指先缩（去掉不一致的）后 张（单调扩展）的过程，即新增观测之后的诊断解必 须是在前面产生的某些诊断的基础上单调递增产 生的）。但如何在线保持观测的分层表示，依然没有 给出合理的方法。虽然文献［２６—２７］提出的观测自动 机链分片的方法可以满足该单调性，但如前所述， 只是后验方式，并没有给 合理的在线方法。 文献ｆ５０］提出了“连续的两个时间窗口”的概念， 可以不断地推断出实际发出的部分观测序列，从而 可用于在线增量诊断，并满足监控诊断的单调性。 ３．３集中式、分散式、分布式与分层诊断 按照每次诊断所考虑对象的角度不同，诊断方 法又可以分为集中式、分散式、分布式及分层诊断。 若每次诊断将整个系统建模并对整个系统进行 诊断推理，则称为集中式诊断方法。该方法的缺点 在于系统的空间复杂度可能较高，尤其是当系统规 模较大从而系统状态空间较大时。比如Ｓａｍｐａｔｈ等 人最早提出的全局诊断器方法＿５ 引，使用自动机表 达系统的全局模型，然后基于该全局模型构建一个 全局的诊断器（也为一个自动机），诊断器中每一个 赵相福等：离散事件系统基于模型诊断的研究进展 状态说明了当前的诊断结果，其中的转移标识为系 统观测。 由于空间复杂性的问题，全局诊断器方法在实 际大规模复杂系统中一般是不可行的，于是随后的 一些学者研究提出了各种扩展和改进的方法：分散 式、分布式及分层诊断方法。 分散式诊断方法将全局系统按照某种方式分解 为一些小规模的子系统，分别对各子系统建模，并 分别考虑各自的观测信息进行诊断推理得到各自 的局部子诊断结果。此外，新增一个协调器 （ｃｏｏｒｄｉｎａｔｏｒ），与各子系统通信（即用于检测相关的 输入／输出观测的一致性），以便协调各子诊断结果， 从而优化并产生最终的全局诊断结果。比如Ｄｅｂｏｕｋ 等人ｌ６叫提出了使用局部诊断器集合的体系结构。然 而这些局部诊断器依然是基于系统的全局模型。而 文献【２５］则描述和实现了一个在线的分散式诊断 ＤＥＳｓ的方法，基于“分治法（ｄｉｖｉｄｅ ａｎｄ ｃｏｎｑｕｅｒ）” 的原理而不要求计算全局模型。文献［６１ｌ￣ＪＪ提出了 基于分散式模型的局部诊断器方法，使得局部诊断 器同样仅仅依赖于由系统局部模型描述的局部行为。 与分散式诊断类似，分布式诊断同样将全局系 统分解为一些小的子系统，然后各子系统同样根据 相应的子观测进行诊断推理，产生各自的子诊断。 而与分散式诊断不同的是，分布式诊断方法不需要 额外引进一个协调器，而是由各子系统之间通信的 一致性来逐步优化各子诊断，从而给出最终的全局 诊断。比如Ｂａｒｏｎｉ等人Ｉ２ ９】提出了基于模型分解的方 法来处理大型的复杂系统诊断。 另外一种降低空间复杂度的方法则是考虑分层 诊断。分层方法主要是基于对系统的部分组成部件 的抽象表示来缩减系统的规模。该方法依然可以看 作是首先考虑系统整体，但此时的整体已经是一个 抽象的系统：其中的许多部件已经被抽象为某个大 的部件，因而整体系统由更少的抽象部件构成，从 而降低空间复杂度（当然诊断推理时间复杂度也会 相应降低）。当检测到某一抽象部件反常而其余部分 正常时，下一步的工作则仅仅考虑反常的抽象部件 即可而不必考虑全局的系统。当然此时需要将该抽 ｌｌ９ 象部件进一步细化以便求得更为精细的诊断结果。 比如文献［２４］提出的一种扩展的诊断器方法，将通 讯网络的每一个物理结构分支作为一个分层的层 次；显然，该方法强烈依赖于网络的结构特征。文 献［４０１提出一种形式化的分层诊断方法，但缺乏具 体的可操作性的分层方法。此外，文献［６２１提出基于 时间自动机的分层诊断方法，其中每一较高的分层 层次都为一个时间自动机，显然，这种方法需要带 时间的系统模型，而时间信息可能会引起新的复杂 性。文献［６３—６４１从控制工程领域的角度提出一种基 于所谓“Ｄ—ｈｏｌｏｎ”概念的分层方法，其中每一层为 一个Ｄ—ｈｏｌｏｎ，但没有给出如何划分产生好的 Ｄ—ｈｏｌｏｎｓ的方法。最近，笔者结合Ｌａｍｐｅｒｔｉ等人提 出的“Ｓｉｌｅｎｔ Ｃｌｏｓｕｒｅ”概念 引，给出了一种如何分解 系统的模型以产生好的Ｄ—ｈｏｌｏｎｓ的方法【ｏ引。 从以上比较还可以看出，分散式、分布式诊断 从局部子诊断人手通过子诊断合成方法来获得全 局诊断；而分层诊断则从全局人手，不过此时的全 局已经是含有大抽象部件（总组件数目更少）的全局 系统。 ３．４同步与异步诊断 根据系统中各子部分通讯同步的要求，可以将 诊断分为同步诊断和异步诊断。 同步诊断要求各子系统之间的发送与接收的消 息是同步的，即假设是无延迟的。 文献［２９］提到的异步诊断，则考虑了子系统之 间消息的发送与接收之间可能存在延迟，同一个发 送／接收信道内的多个不同消息可以按照先进先出 ＦＩＦＯ方式等待处理。因而，在考虑异步诊断时一般 假设通讯的子系统之间存在一个消息队列。当各通 讯队列中只有单一信息的特殊情形下，异步诊断也 就变成了同步诊断。 ３．５基于不同编译技术的诊断 Ｂａｒｏｎｉ等人ｌ２ 提出的基于模拟的诊断方法，不 使用编译技术，而是通过模拟观测重建出系统可能 的行为。由于事先没有构建整个系统的诊断器，因 而空间复杂度低，但是由于需要在线重建出系统行 为，造成时间复杂度较高。 ｌ２Ｏ Ｊｏｕｒｎａｌ ｏｆＦｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ 计算机科学与探索 ２０１１，５（２） 为了提高在线诊断的效率，可以使用一些先进 的编译技术，通过离线方式编译系统状态、观测与 且根据系统之间不同的相似度来确定使用上述三 种不同的编译知识与技术。 （２）基于ＯＢＤＤ的编译诊断方法 诊断的信息，从而提高在线诊断的效率。根据编译 技术的不同，可将现有的一些主要诊断方法分为如 下三种：基于ＦＳＭｓ的方法、基于有序二值决策图 （ｏｒｄｅｒｅｄ ｂｉｎａｒｙ ｄｅｃｉｓｉｏｎ ｄｉａｇｒａｍ，ＯＢＤＤ）的方法和 一ＯＢＤＤ是计算机领域中用来表示布尔表达式的 种数据结构，因此能用到布尔表达式的领域都可 以使用ＯＢＤＤ来解决相应的问题（７０－７１］，是一种广 泛应用的符号化知识表示方法，并且已有成熟的各 基于可分解的否定范式（ｄｅｃｏｍｐｏｓａｂｌｅ ｎｅｇａｔｉｏｎ ｎｏｒｍａｌ ｆｏｒｍ，ＤＮＮＦ）的编译方法。 （１）基于ＦＳＭｓ的编译诊断方法 Ｓａｍｐａｔｈ等人最早使用ＦＳＭｓ对系统建模，并 依据系统的模型构建一个诊断器，可用于在线诊断， 通过模拟系统的观测序列来产生系统的执行路径 以及所达到的状态，其中包含了相应的故障信息。 自从Ｓａｍｐａｔｈ等人提出使用基于ＦＳＭｓ的基本编译 技术之后，该方法已被扩展到带有时间的【６卅以及带 有概率的 １自动机的建模与编译技术。 一方面，尽管当系统规模较小相应的状态数目 较少时，诊断器方法是非常高效的，但是该方法却 难以广泛应用到实际中，这是由于诊断器的规模是 与系统本身的规模潜在地成指数级增长的；另一方 面，基本的诊断器方法存在一些假设使之在应用到 通讯网络中时受到太多的限制。于是，Ｒｏｚ６和 Ｃｏｒｄｉｅｒ等人提出了基于通讯ＦＳＭｓ表示的扩展诊断 器方法 引。而为了处理基本诊断器方法的复杂度问 题，Ｐｅｎｃｏｌ６等人则提出了分散式诊断器方法ｌ２ ５．叭］， 其中每一个局部诊断器均为基于ＦＳＭｓ离线编译的 基本诊断器。 Ｓｃｈｕｍａｎｎ与Ｐｅｎｃｏｌ６［６９１提出了基于ＦＳＭｓ的故 障标识器的概念，仅需要用于解释观测序列的可能 的故障知识，而不需要系统的状态信息一而这正是 诊断器方法所需要的。并且，诊断器方法可以看作 故障标识器的一种特殊情形。此外，与基本的诊断 器方法相比较，由于故障标识器仅关注系统可观测 的行为而不关注系统状态，因而时间与空间复杂度 也随之降低。 Ｌａｍｐｅｒｔｉ与Ｚａｎｅｌｌａ１３５１提出了三种基于重用的 诊断方法：基于行为的方法、基于溯因的方法以及 基于映射的方法。它们均基于ＦＳＭｓ对系统建模，并 种操作算子如香农展式（Ｓｈａｎｎｏｎ ｅｘｐａｎｓｉｏｎ）、Ａｐｐｌｙ 函数等，因而许多领域的知识表示都可以转化为布 尔表达式从而使用ＯＢＤＤ符号化编译处理，比如可 以应用于大规模电路表示中等。Ｓｚｔｉｐａｎｏｖｉｔｓ与 Ｍｉｓｒａ［７２１最早提出使用基于ＯＢＤＤ的符号计算方法 求解ＤＥＳｓ诊断问题。该方法并不依赖于基本的诊 断器方法，而是使用ＯＢＤＤ对系统关系模型Ｄ编 码。于是诊断集可以使用ｐ上的一阶逻辑公式刻画， 并且诊断通过使用标准的ＯＢＤＤ算子对Ｏ操作来 产生。但是，该文并未给出任何计算诊断的算法， 也未讨论比如ＯＢＤＤ中的变量排序的问题、如何提 取优先诊断解的问题等。 Ｔｏｒｔａ等人首先给出了使用ＯＢＤＤ压缩表示静 态系统模型的形式化方法 引。随后，该方法被扩展 到用于在线诊断动态系统 引，尤其是诊断时变的动 态系统，通过添加时间信息将系统的转移关系用 ＯＢＤＤ编码，并且给出了变量顺序的选择策略。比 起Ｓｚｔｉｐａｎｏｖｉｔｓ与Ｍｉｓｒａ提出的诊断方法 引，Ｔｏｒｔａ给 出的方法更为具体。当然，他们的方法均不依赖于 基本的诊断器方法。 Ｓｃｈｕｍａｎｎ等人也提出了基于ＯＢＤＤ编码求解 ＤＥＳｓ诊断的一个符号化框架 引。他们更为关注的 是对系统及相应的基本诊断器在ＯＢＤＤ层次上的 编码问题，并使用ＯＢＤＤ算子给出了同步符号化诊 断器的算法。由于ＯＢＤＤ符号化编码尤其适用于压 缩表示大规模的状态集，因而使得基本诊断器方法 的效率得到了提高。此外，通过比较还可以看出： Ｓｃｈｕｍａｎｎ等人的方法主要关注对基本诊断器的编 译，而Ｔｏｒｔａ等人给出的则是更一般的方法。 一般来说，当离线编译诊断信息时可能存在空 间爆炸的问题，而当未经过任何编译操作直接进行 赵相福等：离散事件系统基于模型诊断的研究进展 诊断时可能会有较差的时间性能，即编译相当于以 空间换时间。于是，Ｓｃｈｕｍａｎｎ等人 研究了关于不 同的时间与空间需求的方法频谱。在该频谱中，一 端为无任何编译信息的小规模系统的诊断方法，而 另一端则是针对所有观测行为都被编译了相关诊 断信息的诊断器方法。通过使用ＯＢＤＤ对所有方法 进行编码处理，从而降低诊断的复杂度。 此外，Ｃｏｒｄｉｅｒ等人提出使用模型检测的技术 （ＯＢＤＤ可以作为一种有效的数据结构）用于诊断 ＤＥＳｓ【７６１０该方法的主要优点在于，可以使用现有高 效的模型检测算法来离线测试实时系统的模型。 使用ＯＢＤＤ编译时的一个主要问题为：符号化 系统时的变量顺序选择对ＯＢＤＤ的规模有直接的影 响。可以根据具体情况如系统的结构等启发信息来 设定变量顺序，从而提高效率。 （３）基于ＤＮＮＦ的编译诊断方法 Ｄａｒｗｉｃｈｅ提出可分解的否定范式ＤＮＮＦ ７１，是 一种良好的知识编译技术，并且可以应用于ＭＢＤ 诊断中，将待诊断系统的知识进行高效编译预处理， 从而提高诊断效率。实际上，Ｄａｒｗｉｃｈｅ等人ｌ７ Ｊ之 前已经提出一种基于结构的方法对ＤＥＳｓ建模与诊 断，其实也是基于类似的ＤＮＮＦ的概念将诊断信息 进行了预编译，从而提高了诊断的效率。 Ｈｕａｎｇ与Ｄａｒｗｉｃｈｅ等人 ｕ＿指出：若使用一个逻 辑上较弱的ＤＮＮＦ表示，可以比使用ＯＢＤＤ获得更 好的效率和可扩展性。这是由于ＤＮＮＦ编译语言为 ＯＢＤＤ编译语言的一个严格超集并且比ＯＢＤＤ语 言更简洁 。这也就意味着：一方面，若一个系统 模型可以使用ＯＢＤＤ编译，则它也可以使用ＤＮＮＦ 编译；另一方面，某些系统模型可能使用ＤＮＮＦ编 译时有多项式的规模而使用ＯＢＤＤ时却没有。 然而，Ｓｃｈｕｍａｎｎ［７５１指出：ＯＢＤＤ更适用于诊断动 态系统，这是由于动态系统中的一个主要操作即状 态转移操作，可以在ＯＢＤＤ表示规模下多项式时间 内完成，而在ＤＮＮＦ表示中则需要指数级的时间。 至于ＦＳＭｓ和ＯＢＤＤ，通过比较文献［２５，６１］和 文献［８２］可以看出它们都是基于系统的分散式模型 （只是分别使用ＦＳＭｓ及ＯＢＤＤ表示而已），它们都 ｌ２１ 可用于降低ＤＥＳｓ诊断的全局复杂度。 ４可诊断性 通常来说，基于模型诊断求解的空间可能较大， 存在许多不同的解释。为了进一步缩小诊断空间， 获得更为精确的解释，在静态系统诊断中，一些学 者研究了传感器放置的问题，也可称为测量点选择 的问题，即通过测量系统中哪些部件的信息（即传 感器的测量值）能够更为精确地获得诊断所需要的 观测值 ］。而在ＤＥＳｓ诊断问题中也存在类似的 问题，称为系统故障的“可诊断性”问题，即是否 能够确保在获得有限数目的观测信息以后，总是能 够确定地得到精确的诊断信息。并且，也证明了它 们分别表示静态系统和动态设备的等价性 。 与静态系统诊断相比，动态系统可诊断性问题 的判定是一个更为复杂的问题。这是由于动态系统 可诊断性的判定依赖于观测的序列，而不仅仅是观 测值的集合。简单来说，称一个系统是可诊断的， 如果任何一个故障的出现，总能够保证在该故障出 现后的有限数目的观测以后可以确定地探测到它。 ＤＥＳｓ的可诊断ｌ生问题最早由Ｓａｍｐａｔｈ等人在 文献［５４】中提出，并且给出了通过创建诊断器的方 法来判定系统是否可诊断，即探测诊断器中是否存 在含有二义性状态的循环。这种基本方法的缺点在 于需要构建系统的全局诊断器，而诊断器的计算与 系统（确定的）全局模型的状态数目成指数级增长， 因而导致与系统的组件数目成双指数级增长。为解 决该问题，Ｊｉａｎｇ等人以及Ｙｏｏ与Ｌａｆｏｒｔｕｎｅ分别独立 提出了一种新算法——双模型（ｔｗｉｎ ｐｌａｎｔ）方法 蹦Ｊ， 可以在关于系统模型状态的多项式时间内完成。但 是，该方法对于大规模系统来说依然是难以适用的， 这是因为系统的ｔｗｉｎ ｐｌａｎｔ依然与系统的状态数目 成４次方增长。于是，Ｐｅｎｃｏｌ６研究了针对系统组件 或子系统创建局部ｔｗｉｎ ｐｌａｎｔｓ的方法来解决该问题 ， 主要思想为：采用分布式求解并逐步同步这些局部 ｔｗｉｎ ｐｌａｎｔｓ，直到能够确定系统是否可诊断。然而， 该方法并未考虑系统特定的结构信息，因而仍然难 以摆脱ｔｗｉｎ ｐｌａｎｔ方法的固有瓶颈：在最坏的情形， １ ２２ Ｊｏｕｒｎａｌ ｏｆ Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ 特别是当所有的局部ｔｗｉｎ ｐｌａｎｔｓ都被同步时，即已 （２）不确定观测情形下的分布式在线诊断 以往所有增量诊断方法，要么是一种集中式的 诊断方法而未考虑系统的分布式特征；要么虽然考 经重建了系统全局的ｔｗｉｎ ｐｌａｎｔ。此外，以上方法都 只是将可诊断性问题看作～个系统的测试问题而 没有深人分析系统为什么是不可诊断的，以及如何 通过改进系统配置来使得系统更加可诊断。 Ｓｃｈｕｍａｎｎ等人提出采用连接树Ｏｏｉｎ—ｔｒｅｅ）表达系统 虑了系统的分布（或分散）式特征，但相关的诊断方 法却仅为后验的增量诊断方法，而当观测不确定时 仍然难以在线应用。迄今为止，针对不确定观测情 形下的分布式在线增量诊断方法仍然值得进一步 的结构信息，充分利用结构信息来判定系统是否可 诊断，从而可以进一步提高效率＿４ ＿４ 。 ５应用简介 下面主要介绍离散事件系统基于模型诊断在电 网及大型通讯网络中的应用情况。 （１）电网故障诊断系统１３８／ 由意大利布雷西亚大学Ｌａｍｐｅｒｔｉ教授等研究的 电网故障诊断系统，将由断路器、保护器、电线等 构成的大型电网抽象为一个离散事件系统，根据各 部件的内在工作模式以及连接方式，使用基于模型 的方法对网络建模，通过匹配所观测到的现象来推 断网络的行为，给出故障的部件。已经实现了一个 较为通用的自动诊断环境。 （２）大型通讯网络故障诊断系统 由法国雷恩大学Ｃｏｒｄｉｅｒ教授等研究的大型通 讯网络的基于模型诊断系统，将大型通讯网络使用 通讯自动机建模，采用分散式方法，利用模块独立 性等特点处理复杂度问题。在ＭＡＧＤＡ（ｍｏｄｅｌｉｎｇ ａｎｄ ｌｅａｒｎｉｎｇ ｆｏｒ ｄｉｓｔｒｉｂｕｔｅｄ ｍａｎａｇｅｍｅｎｔ ｏｆ ａｌａｒｍｓ）项 目中诊断工具如ＤＤｙｐｌ５圳等得以实现，并基于ＳＤＨ （ｓｙｎｃｈｒｏｎｏｕｓ ｄａｔａ ｈｉｅｒａｒｃｈｙ）网络等对其进行了测 试【２５】 ６问题展望 （１）系统建模 关于动态系统基于模型诊断的建模研究，一些 学者采用了时态建模诊断［９０－９１１、定性建模的方法 ］ 等。但针对如何给出一个更适宜的方法对系统建模， 并能方便地用于诊断的问题，虽然现有自动机、进 程代数、Ｐｅｔｒｉ网等方法可用于离散事件系统建模， 但是复杂度依然较高，因而系统建模方法依然很值 得进一步拓展与研究。 研究。 （３）不完备模型下的故障诊断 以往关于离散事件系统ＭＢＤ的研究，总是假 设待诊断系统的模型是完备的，即该系统的自动机 模型中包含了系统正常行为模型和所有故障行为 模型。然而，实际中获得系统的完备行为模型非常 困难，常常是不可能的，那么，如何在模型不完备 的情况下对离散事件系统进行诊断，仍能给出较为 合理的解释？如何表达该诊断解，并使之能够很自 然地扩展经典的诊断表示？虽然国外曾有过关于 静态系统在模型不完备时的一些研究Ｉ１引，但是关于 模型不完备时的离散事件系统ＭＢＤ还未见其他相 关报道。 最近，在传统的自动机同步积表示诊断的基础 上，通过引入“同步度”的概念放松了模型与观测 自动机之间的同步程度，提出了自动机的“ｐ一同步 积”及“Ｐ一诊断”理论，使得经典的同步积（诊断）仅为 “ｐ一同步积”（“Ｐ一诊断”）的一种特殊情形 。 尽管提出的“Ｐ一诊断”方法可以较好地处理集中 式系统不完备模型下的故障诊断，但若对大规模系 统依然采取集中式诊断必将引起太高的复杂度，难 以实际应用，如何处理系统不完备模型下的分布式 诊断依然是有待解决的难题。 （４）系统实现 在离散事件系统基于模型诊断的应用开发方面， 国外虽有一些设计与实现，但大多还是针对特定的 实际系统，比如在大规模通讯网络 、电力传输 网络 等系统中的实现，现在仍缺乏一种较通用 的离散事件设备基于模型的诊断系统。尤其从２００９ 年开始由ＮＡＳＡ举办的首届诊断竞赛（ＤＸＣ）［９３１来看， 国际上也越发重视从系统实现上推动ＭＢＤ的发 赵相福等：离散事件系统基于模型诊断的研究进展 展。因此，设计较为通用的诊断系统原型也是值得 进一步研究的内容。 总之，无论从理论研究或实际应用来说，不确 定观测下的分布式在线诊断、不完备模型下的分布 式诊断以及通用的诊断原型系统设计都已成为亟 待解决的难题。 Ｒｅｆｅｒｅｎｃｅｓ： ［１】 Ｈａｍｓｃｈｅｒ Ｗ Ｃ，Ｃｏｎｓｏｌｅ Ｌ，ｄｅ Ｋｌｅｅｒ Ｊ．Ｒｅａｄｉｎｇｓ ｉｎ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ［Ｍ］．Ｓａｎ Ｍａｔｅｏ，ＣＡ，ＵＳＡ：Ｍｏｒｇａｎ— Ｋａｕｆｍａｎｎ Ｐｕｂｌｉｓｈｅｒｓ，１ ９９２． 【２］ Ｓｔｒｕｓｓ Ｅ Ｍｏｄｅｌ—－ｂａｓｅｄ ｐｒｏｂｌｅｍ ｓｏｌｖｉｎｇ［Ｍ］／／ｖａｎ Ｈａｒ ＿ ｍｅｌｅｎ Ｆ Ｌｉｆｓｃｈｉｔｚ Ｖ．Ｐｏｒｔｅｒ Ｂ．Ｈａｎｄｂｏｏｋ ｏｆ Ｋｎｏｗｌｅｄｇｅ Ｒｅｐｒｅｓｅｎｔａｔｉ０ｎ．［Ｓ．１．】：Ｅｌｓｅｖｉｅｒ，２００８：３９５—４６５． ［３］ Ｚｈａｎｇ Ｘ，Ｊｉａｎｇ Ｙ＇Ｃｈｅｎ Ａ，ｅｔ ａ１．Ａ ｇｒａｄｕａｌ ａｐｐｒｏａｃｈ ｆｏｒ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｏｆｔｗａｒｅ，２００８，１９ ｆ３１：５８４—５９３． ［４］ Ｃｈｅｎ Ｒ．Ｊｉａｎｇ Ｙ Ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ｗｉｔｈ ｃｏｎｓｔｒａｉｎｔｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２００１，２４ ｆ２）：１２７—１ ３５． 【５】 Ｆａｎ Ｚ Ｆ Ｊｉａｎｇ Ｙ Ｏｐｅｒａｔｏｒ ｃｏｍｐｏｎｅｎｔ ｍａｔｒｉｘ ｍｏｄｅｌ ｆｏｒ ＩＭＰ ｐｒｏｇｒａｍ ｄｉａｇｎｏｓｉｓ【Ｃ】，，Ｐｒｏｃ ｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ一０７）， Ｈｙｄｅｒａｂａｄ，Ｉｎｄｉａ，２００７：３５４—３５９． ［６］ Ｌｉｎ Ｌ．Ｊｉａｎｇ Ｙ Ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ｈｉｔｔｉｎｇ ｓｅｔｓ：Ｒｅｖｉｅｗ ａｎｄ ｎｅｗ ａｌｇｏｒｉｔｈｍｓ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒ， ２００３，８６（４）：１７７－１ ８４． 【７】 Ｃｈｅｎ Ａ，Ｃｈｅｎ Ｑ，Ｐａｎ Ｊ，ｅｔ ａ１．Ｆａｓｔ ｄｉａｇｎｏｓｉｎｇ ｔｈｒｏｕｇｈ ｄｉａｇｎｏｓｔｉｃ ｇｒａｐｈ ａｎａｌｙｓｉｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍ— ｐｕｔｅｒｓ，２００９，３２（８）：１４７０—１４８５． ［８］ ＭＢＤ（ＡＩ）Ｒｅｓｅａｒｃｈ Ｇｒｏｕｐ ａｔ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ［ＥＢ／ＯＬ］． ［２０１０—０４—１６］．ｈｔｔｐ：／／５９．７２．０．４６／ａｉ／． 【９］ Ｌｕａｎ Ｓ．Ｄａｉ Ｇ Ａｎ ａｐｐｒｏａｃｈ ｔｏ ｄｉａｇｎｏｓｉｎｇ ａ ｓｙｓｔｅｍ ｗｉｔｈ ｓｔｒｕｃｔｕｒｅ ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２００５，２８（５）：８０１—８０８． （１０Ｊ Ｃｈｅｎ Ｌ，Ｈｕａｎｇ Ｊ，Ｇｏｎｇ Ｚ．Ａ ｎｉｃｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃｏｍｐｕｔｉｎｇ ｄｉａｇｎｏｓｉｓ ｗｉｔｈ ｍｉｎｉｍｕｍ ｃｏｓｔ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２００５，２８（１２）：２０１９—２０２６． １２３ 【１ １】Ｙｕ Ｂ，Ｈｕａｎｇ Ｗ Ａ ｍｅｔｈｏｄ ｏｆ ｅｖａｌｕａｔｉｏｎ ｏｆ ｏｐｔｉｍｕｍ ｍｅａｓｕｒｉｎｇ ｐｏｉｎｔｓ ｉｎ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，１９９８，３０（１）：６一ｌ０． ［１ ２］Ｈａｎ Ｘ，Ｓｈｉ Ｚ，Ｌｉｎ Ｆ Ｒｅｓｅａｒｃｈ ａｄｖａｎｃｅｓ ｉｎ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｈｉｇｈ Ｔｅｃｈｎｏｌｏｇｙ Ｌｅｔｔｅｒｓ，２００９， １９（５）：５４３—５５０． 【１３】Ｄｅ Ｋｌｅｅｒ Ｊ．Ｄｉａｇｎｏｓｉｎｇ ｍｕｌｔｉｐｌｅ ｐｅｒｓｉｓｔｅｎｔ ａｎｄ ｉｎｔｅｒｍｉｔ— ｔｅｎｔ ｆａｕｌｔｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａ１ Ｊｏｉｎｔ Ｃｏｎｆｅｒ— ｅｎｃｅ ｏｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ一０９），Ｐａｓａｄｅｎａ， Ｃａｌｉｆｏｒｎｉａ，ＵＳＡ，２００９：７３３－７３８． ［１４］Ｃｏｎｓｏｌｅ Ｌ，Ｄｒｅｓｓｉｅｒ Ｏ．Ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｉｎ ｔｈｅ ｒｅａｌ ｗｏｒｌｄ：Ｌｅｓｓｏｎｓ ｌｅａｒｎｅｄ ａｎｄ ｃｈａｌｌｅｎｇｅｓ ｒｅｍａｉｎｉｎｇ［Ｃ］＃ Ｐｒｏｃ ｏｆ ｔｈｅ １ ６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａ１ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉ— ｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ一９９），Ｓｔｏｃｋｈｏｌｍ，Ｓｗｅｄｅｎ，１９９９： ｌ３９３－１４００． ［１５］Ｓｔｒｕｓｓ Ｒ Ｋｎｏｗｌｅｄｇｅ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ：Ａｎ ｉｍｐｏｒｔａｎｔ ｃｈａｌ— ｌｅｎｇｅ ａｎｄ ｔｏｕｃｈｓｔｏｎｅ ｆｏｒ ＡＩ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １０ｔｈ Ｅｕｒｏ— ｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＥＣＡＩ一９２）， Ｖｉｅｎｎａ．Ａｕｓｔｒｉａ，１９９２：８６３－８７４． ［１６】ＮＡＳＡ Ｌｉｖｉｎｇｓｔｏｎｅ一２［ＥＢ／ＯＬ］．【２０１０一Ｏ４—１６］．ｈｔｔｐ：／／ｏｐｅｎ— ｓｏｕｒｃｅ．ａｒｃ．ｎａｓａ．ｇｏｖ／ｐｒｏｊｅｃｔ／ｌｉｖｉｎｇｓｔｏｎｅ２／． ［１７】Ｒｅｉｔｅｒ Ｒ．Ａ ｔｈｅｏｒｙ ｏｆ ｄｉａｇｎｏｓｉｓ ｆｒｏｍ ｆｉｒｓｔ ｐｒｉｎｃｉｐｌｅｓ［Ｊ］． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１ ９８７，３２（１）：５７—９６． 【１ ８］Ｃｏｎｓｏｌｅ Ｌ，Ｄｕｐｒ６ Ｄ Ｔｏｒａｓｓｏ Ｒ Ａ ｔｈｅｏｒｙ ｏｆ ｄｉａｇｎｏｓｉｓ ｏｆｒ ｉｎｃｏｍｐｌｅｔｅ ｃａｕｓａｌ ｍｏｄｅｌｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １ ｌｔｈ Ｉｎｔｅｒ— ｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＩＪＣＡＩ一８９），Ｄｅｔｒｏｉｔ，ＵＳＡ，１９８９：１３ ｌ１—１３ ｌ７． ［１９】Ｃａｓｓａｎｄｒａｓ Ｃ，Ｌａｆｏｒｔｕｎｅ Ｓ．Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｍ］．Ｂｏｓｔｏｎ ＭＡ：Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒ， １９９９． 【２０］Ｌｕｎｚｅ Ｊ．Ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｍｏｄｅｌｉｎｇ ａｎｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｑｕａｎ— ｔｉｚｅｄ ｄｙｎａｍｉｃａｌ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ｌＯｔｈ Ｉｎｔｅｒｎａ— ｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ（ＤＸ一９９）， Ｌｏｃｈ Ａｗｅ，Ｕｎｉｔｅｄ Ｋｉｎｇｄｏｍ，１９９９：１４７—１５４． ［２１】Ｃｏｎｔａｎｔ Ｏ，Ｌａｆｏｒｔｕｎｅ Ｓ，Ｔｅｎｅｋｅｔｚｉｓ Ｄ．Ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｏｆ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ ｗｉｔｈ ｍｏｄｕｌａｒ ｓｔｒｕｃｔｕｒｅ［Ｊ］．Ｄｉｓｃｒｅｔｅ Ｅｖｅｎｔ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍｓ，２００６，ｌ６（１）：９—３７． ［２２】Ｗａｎｇ Ｙｏｏ Ｔ Ｓ，Ｌａｆｏｒｔｕｎｅ Ｓ．Ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ ｕｓｉｎｇ ｄｅｃｅｎｔｒａｌｉｚｅｄ ａｒｃｈｉｔｅｃｔｕｒｅｓ［Ｊ］．Ｄｉｓ— １２４ Ｊｏｕｒｎａｌ ｏｆＦｒｏｎｔｉｅｒｓ ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ计算机科学与探索 ２０１１，５（２） ｃｒｅｔｅ Ｅｖｅｎｔ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍｓ，２００７，ｌ７（２）：２３３—２６３． 【２３】Ｐｅｎｃｏｌ６ Ｃｏｒｄｉｅｒ Ｍ Ｏ，Ｒｏｚ６ Ｌ．Ｉｎｃｒｅｍｅｎｔａｌ ｄｅｃｅｎｔｒａｌ— ｉｚｅｄ ｄｉａｇｎｏｓｉｓ ａｐｐｒｏａｃｈ ｆｏｒ ｔｈｅ ｓｕｐｅｒｖｉｓｉｏｎ ｏｆ ａ ｔｅｌｅ— Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ（ＤＸ一０３），Ｗａｓｈｉｎｇ— ｔｏｎ，ＤＣ，ＵＳＡ，２００３：１０５－１１１． （３３】Ｌａｍｐｅｒｔｉ Ｇ Ｚａｎｅｌｌａ Ｍ．Ａ ｂｒｉｄｇｅｄ ｄｉａｇｎｏｓｔｉｃ ｍｅｔｈｏｄ ｆｏｒ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １ ２ｔｈ Ｉｎｔｅｒｎａ— ｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ（ＤＸ—Ｏ １）， ２００１：１５１－１５８． ｔｈｅ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｐｏｌｙｍｏｒｐｈｉｃ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ： Ｐａｒｔ Ｂ Ｃｙｂｅｒｎｅｔｉｃｓ，２００４，３４（５）：２２２２—２２４４． 【２４】Ｒｏｚ６ Ｌ，Ｃｏｒｄｉｅｒ Ｍ Ｏ．Ｄｉａｇｎｏｓｉｎｇ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ： ［３４］Ｌａｍｐｅｒｔｉ Ｇ Ｚａｎｅｌｌａ Ｍ．Ｍｏｎｉｔｏｒｉｎｇ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ Ｅｘｔｅｎｄｉｎｇ ｔｈｅ“ｄｉａｇｎｏｓｅｒ ａｐｐｒｏａｃｈ”ｔｏ ｄｅａｌ ｗｉｔｈ ｔｅｌｅ— ｃｏｍｍｕｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｄｉｓｃｒｅｔｅ Ｅｖｅｎｔ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍｓ，２００２，１２（１）：４３—８１． ［２５】Ｐｅｎｃｏｌ６ Ｃｏｒｄｉｅｒ Ｍ Ｏ．Ａ ｆｏｒｍａｌ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｔｈｅ ｄｅ— ｃｅｎｔｒａｌｉｚｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｌａｒｇｅ ｓｃａｌｅ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋｓ［Ｊ］．Ａｒ— ｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００５，１６４（１／２）：１７１—２０８． ［２６］Ｇｒａｓｔｉｅｎ Ａ，Ｃｏｒｄｉｅｒ Ｍ Ｏ，Ｌａｒｇｏｕ￣ｔ Ｃ．Ｉｎｃｒｅｍｅｎｔａｌ ｄｉａｇ— ｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １９ｔｈ Ｉｎ— ｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＩＪＣＡＩ一０５），Ｅｄｉｎｂｕｒｇｈ，Ｓｃｏｔｌａｎｄ，２００５：１５６４－１５６５． 【２７］Ｇｒａｓｔｉｅｎ Ａ，Ｃｏｒｄｉｅｒ Ｍ Ｏ，ＬａｒｇｏｕＥｔ Ｃ．Ｆｉｒｓｔ ｓｔｅｐｓ ｔｏｗａｒｄｓ ｉｎｃｒｅｍｅｎｔａｌ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／ Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ３５０ １：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １ ８ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ Ｃａｎａｄｉａｎ Ｓｏｃｉｅｔｙ ｆｏｒ Ｃｏｒｎ— ｐｕｔａｔｉｏｎａｌ Ｓｔｕｄｉｅｓ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００５：１２１—１３３． 【２８］Ｃｏｒｄｉｅｒ Ｍ Ｏ，Ｇｒａｓｔｉｅｎ Ａ．Ｅｘｐｌｏｉｔｉｎｇ ｉｎｄｅｐｅｎｄｅｎｃｅ ｉｎ ａ ｄｅｃｅｎｔｒａｌｉｚｅｄ ａｎｄ ｉｎｃｒｅｍｅｎｔａｌ ａｐｐｒｏａｃｈ ｏｆ ｄｉａｇｎｏｓｉｓ［Ｃ］／／ Ｐｒｏｃ ｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｉｆ— ｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ一０７），Ｈｙｄｅｒａｂａｄ，Ｉｎｄｉａ，２００７： ２９２－２９７． ｆ２９】Ｂａｒｏｎｉ Ｌａｍｐｅｒｔｉ Ｇ’Ｐｏｇｌｉａｎｏｂ Ｐ＇ｅｔ ａ１．Ｄｉａｇｎｏｓｉｓ ｏｆ ｌａｒｇｅ ａｃｔｉｖｅ ｓｙｓｔｅｍｓ［Ｊ］．Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９９，１ １０（１１）： ｌ３５－１８３． 【３０］Ｌａｍｐｅｒｔｉ Ｇ，Ｚａｎｅｌｌａ Ｍ．Ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ・ｅｖｅｎｔ ｓｙｓ— ｔｅｒｎｓ ｆｒｏｍ ｕｎｃｅｒｔａｉｎ ｔｅｍｐｏｒａｌ ｏｂｓｅｒＶａｔｉｏｎｓ［Ｊ】．Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００２，１３７（１／２）：９１—１６３． 【３ １］Ｌａｍｐｅｎｉ Ｇ Ｚａｎｅｌｌａ Ｍ．Ｄｉａｇｎｏｓｉｓ ｏｆ ａｃｔｉｖｅ ｓｙｓｔｅｍｓ： Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ ｔｅｃｈｎｉｑｕｅｓ［Ｍ］．Ｄｏｒｄｒｅｃｈｔ，ＮＬ：Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ，２００３． 【３２】Ｌａｍｐｅｒｔｉ Ｇ’Ｚａｎｅｌｌａ Ｍ．Ｃｏｎｔｉｎｕｏｕｓ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓ— ｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ ｗｉｔｈ ｕｎｃｅｒｔａｉｎ ｏｂｓｅｒｖａｔｉｏｎｓ［Ｃ］／／ Ｐｒｏｃ ｏｆ ｔｈｅ １ ９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｑｕａｌｉｔａｔｉｖｅ Ｒｅａｓｏｎｉｎｇ（ＱＲ一０５），Ｇｒａｚ，Ａｕｓｔｒｉａ，２００５：９７—１ ０２． ［３５］Ｌａｍｐｅｒｔｉ Ｇ，Ｚａｎｅｌｌａ Ｍ．Ｆｌｅｘｉｂｌｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ— ｅｖｅｎｔ ｓｙｓｔｅｍｓ ｂｙ ｓｉｍｉｌａｒｉｔｙ—ｂａｓｅｄ ｒｅａｓｏｎｉｎｇ ｔｅｃｈｎｉｑｕｅｓ［Ｊ］． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００６，１ ７０（３）：２３２—２９７． ［３６】Ｌａｍｐｅｒｔｉ Ｇ Ｚａｎｅｌｌａ Ｍ．Ｏｎ ｍｏｎｏｔｏｎｉｃ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃｌ／／Ｐｒｏｃ ｏｆ ｔｈｅ １ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ（ＤＸ一０７），Ｎａｓｈｖｉｌｌｅ， ＴＮ．ＵＳＡ．２００７：１３０—１３７． ［３７】Ｌａｍｐｅｒｔｉ Ｇ，ＺａｎｅＵａ Ｍ，Ｚａｎｎｉ Ｄ．Ｉｎｃｒｅｍｅｎｔａｌ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｔｅｍｐｏｒａｌ ｏｂｓｅｒｖａｔｉｏｎｓ ｉｎ ｍｏｄｅｌ—ｂａｓｅｄ ｒｅａｓｏｎｉｎｇ［Ｊ］．ＡＩ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２００７，２０（１）：２７—３７． 【３８】Ｃｅｒｕｔｔｉ Ｓ，Ｌａｍｐｅｒｔｉ Ｇ．Ｓｃａｒｏｎｉ Ｍ，ｅｔ ａ１．Ａ ｄｉａｇｎｏｓｔｉｃ ｅｎ— ｖｉｒｏｎｍｅｎｔ ｆｏｒ ａｕｔｏｍａｔｏｎ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｓｏｆｔｗａｒｅ—Ｐｒａｃｔｉｃｅ ａｎｄ Ｅｘｐｅｒｉｅｎｃｅ，２００７，３７（４）：３６５－４１５． ［３９１ Ｓｕ Ｒ，Ｗｏｎｈａｍ Ｗ Ｍ．Ｇｌｏｂａｌ ａｎｄ ｌｏｃａｌ ｃｏｎｓｉｓｔｅｎｃｉｅｓ ｉｎ ｄｉｓｔｒｉｂｕｔｅｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｆｏｒ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏｌ，２００５，５０（１２）： １９２３－１９３５． ［４０】Ｓｕ Ｒ，Ｗｏｎｈａｍ Ｗ Ｍ．Ｈｉｅｒａｒｃｈｉｃａｌ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｆｏｒ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ ｕｎｄｅｒ ｇｌｏｂａｌ ｃｏｎｓｉｓｔｅｎｃｙ［Ｊ］．Ｄｉｓ— ｃｒｅｔｅ Ｅｖｅｎｔ Ｄｙｎａｍｉｃ Ｓｙｓｔｅｍｓ，２００６，ｌ６（１）：３９—７０． ［４１］Ｒｉｎｔａｎｅｎ Ｊ，Ｇｒａｓｔｉｅｎ Ａ．Ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｔｅｓｔｉｎｇ ｗｉｔｈ ｓａｒｉｓ— ｆｉａｂｉｌｉｔｙ ａｌｇｏｒｉｔｈｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ一０７）， Ｈｙｄｅｒａｂａｄ，Ｉｎｄｉａ，２００７：５３２—５３７． ［４２】Ｓｃｈｕｍａｎｎ Ａ．Ｔｏｗａｒｄｓ ｅｆｆｉｃｉｅｎｔｌｙ ｄｉａｇｎｏｓｉｎｇ ｌａｒｇｅ ｓｃａｌｅ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｄ］．Ａｕｓｔｒａｌｉａ：Ａｕｓｔｒａｌｉａｎ Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ，２００８． 【４３】Ｓｃｈｕｍａｎｎ Ａ，Ｐｅｎｃｏｌ６ Ｙ Ｓｃａｌａｂｌｅ ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｃｈｅｃｋｉｎｇ ｏｆ ｅｖｅｎｔ—ｄｒｉｖｅｎ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ 赵相福等：离散事件系统基于模型诊断的研究进展 ｌ２５ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ一０７）， Ｈｙｄｅｒａｂａｄ，Ｉｎｄｉａ，２００７：５７５－５８０． ｎｏｓｉｓ ｕｓｉｎｇ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍｓ Ｔｅｃｈｎｏｌｏｇｙ，１９９６，４（２）：１０５—１２４． ［４４】Ｓｃｈｕｍａｎｎ Ａ，Ｈｕａｎｇ Ｊ．Ａ ｓｃａｌａｂｌｅ ｊｏｉｎｔｒｅｅ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｄｉａｇｎｏｓａｂｉ１ｉｔｙ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２３ｒｄ Ａｍｅｒｉｃａｎ Ｎａｔｉｏｎａｌ 【５６］Ｃｏｎｓｏｌｅ Ｌ，Ｐｉｃａｒｄｉ Ｃ，Ｒｉｂａｕｄｏ Ｍ．Ｐｒｏｃｅｓｓ ａｌｇｅｂｒａｓ ｆｏｒ ｓｙｓｔｅｍｓ ｄｉａｇｎｏｓｉｓ［Ｊ］．Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００２，１４２（１）： １９－５１． Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｉｃｉｆａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＡＡＡＩ一０８）．Ｃｈｉｃａｇｏ， ＵＳＡ：ＡＡＡＩ Ｐｒｅｓｓ，２００８：５３５－５４０． 【５７】Ｈｉｌｌｓｔｏｎ Ｊ．Ａ ｃｏｍｐｏｓｉｔｉｏｎａｌ ａｐｐｒｏａｃｈ ｔｏ ｐｅｒｆｏｒｍａｎｃｅ ｍｏｄｅｌｌｉｎｇ［Ｍ］．Ｎｅｗ Ｙｏｒｋ，ＮＹ，ＵＳＡ：Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒ— ｓｉｔｙ Ｐｒｅｓｓ，１９９６． ［４５】Ｓｃｈｕｍａｎｎ Ａ，Ｍａｙｅｒ Ｗ，Ｓｔｕｍｐｔｎｅｒ Ｍ．Ｄｉｓｔｒｉｂｕｔｅｄ ｒｅｐａｉｒ ｏｆ ｎｏｎｄｉａｇｎｏｓａｂｉｌｉｔｙ［Ｃ】，／Ｐｒ０ｃ ｏｆ ｔｈｅ １ ８ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎ— ｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＥＣＡＩ—ｏ８），Ｐａｔｒａｓ， Ｇｒｅｅｃｅ，２００８：７９５－７９６． ［５８］Ａｇｈａｓａｒｙａｎ Ａ，Ｂｏｕｂｏｕｒ Ｒ，Ｆａｂｒｅ Ｅ，ｅｔ ａ１．Ａ Ｐｅｔｒｉ ｎｅｔ ａｐ— ｐｒｏａｃｈ ｔｏ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｄｉａｇｎｏｓｉｓ ｉｎ ｄｉｓｔｒｉｂｕｔｅｄ ｓｙｓ— 【４６】Ｋａｎ Ｊ Ｐ＇Ｇｒａｓｔｉｅｎ Ａ．Ｌｏｃａｌ ｃｏｎｓｉｓｔｅｎｃｙ ａｎｄ ｊｕｎｃｔｉｏｎ ｔｒｅｅ ｆｏｒ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １ ８ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｔｅｍｓ，Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ １１１７［Ｒ］．Ｉｉｆｓａ，１９９７． ［５９］Ｐｅｎｃｏｌ６ Ｃｏｒｄｉｅｒ Ｍ Ｏ，Ｒｏｚ６ Ｌ．Ａ ｄｅｃｅｎｔｒａｌｉｚｅｄ ｍｏｄｅｌ— ｂａｓｅｄ ｄｉａｇｎｏｓｔｉｃ ｔｏｏｌ ｆｏｒ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍｓ［Ｊ］．Ｉｎｔｅｍａ— ｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｒｔｉｉｃｉａｌｆ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｔｏｏｌｓ，２００２，１ ｌ（３）： ３２７－３４６． （ＥＣＡＩ一０８），Ｐａｔｒａｓ，Ｇｒｅｅｃｅ，２００８：２０９－２１３． ［４７］Ｇｒａｓｔｉｅｎ Ａ，Ａｎｂｕｌａｇａｎ．Ｉｎｃｒｅｍｅｎｔａｌ ｄｉａｇｎｏｓｉｓ ｏｆ ＤＥＳ ｂｙ ｓａｔｉｓｆｉａｂｉｌｉｔｙ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １ ８ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ［６０］Ｄｅｂｏｕｋ Ｒ，Ｌａｆｏｒｔｕｎｅ Ｓ，Ｔｅｎｅｋｅｔｚｉｓ Ｄ．Ａ ｃｏｏｒｄｉｎａｔｅｄ ｄｅ— ｃｅｎｔｒａｌｉｚｅｄ ｐｒｏｔｏｃｏｌ ｆｏｒ ｆａｉｌｕｒｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＥＣＡＩ一０８），Ｐａｔｒａｓ，Ｇｒｅｅｃｅ，２００８ ● ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ４ｔｈ Ｗｏｒｋｓｈｏｐ ｏｎ Ｄｉｓｃｒｅｔｅ Ｅｖｅｎｔ ， ， ．Ｄｉａｇｎ０ｓａｂｉｌｉｔｙ ．［ 】 一 Ｓｙｓｔｅｍｓ（ＷＯＤＥＳ’９８），Ｃａｇｌｉａｒｉ，Ｉｔａｌｙ，１９９８：１３８—１４３． 【６１】Ｐｅｎｃｏｌ６ Ｃｏｒｄｉｅｒ Ｍ Ｏ，Ｒｏｚ６ Ｌ．Ｄｅｃｅｎｔｒａｌｉｚｅｄ ｄｉａｇｎｏｓｅｒ ａｐｐｒｏａｃｈ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋｓ［Ｃ］／／ Ｐｒｏｃ ｏｆ ｔｈｅ １ ｌｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ ｆ 一一 ． ． ｏｒｇ／ａｂｓ／ｃｓ／０６０５ ． ［ 】 ． 一 ● Ｄｉａｇｎｏｓｉｓ，Ｍｏｒｅｌｉａ，Ｍｅｘｉｃｏ，２０００：１８５－１９２． ， ，５３（５）： ． ［６２】Ｓｃｈｕｌｌｅｒｕｓ Ｇ Ｓｕｐａｖａｔａｎａｋｕｌ Ｐ’Ｋｒｅｂｓ Ｖ＇ｅｔ ａ１．Ｍｏｄｅｌｉｎｇ ａｎｄ ｈｉｅｒａｒｃｈｉｃａｌ ｄｉａｇｎｏｓｉｓ ｏｆ ｔｉｍｅｄ ｄｉｓｃｒｅｔｅ—－ｅｖｅｎｔ ｓｙｓ－－ ● ［］ ， ． 一 ｔｅｍｓ［Ｊ］．Ｍａｔｈｅｍａｔｉｃａｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｍｏｄｅｌｉｎｇ ｏｆ Ｄｙ— ｎａｍｉｃａｌ Ｓｙｓｔｅｍｓ，２００６，１２（６）：５１９—５４２． ［６３】Ｉｄｇｈａｍｉｓｈｉ Ａ Ｍ，Ｈａｓｈｔｒｕｄｉ Ｚａｄ Ｓ．Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｎ ｈｉ— ， ，２ｌ（４）： 一 ． ［ ］ ， ． ｅｒａｒｃｈｉｃａｌ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ４３ｒｄ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄｅｃｉｓｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ（ＣＤＣ’０４），Ａｔ— ｌａｎｔｉｓ，Ｐａｒａｄｉｓｅ Ｉｓｌａｎｄ，Ｂａｈａｍａｓ，２００４：６３－６８． （ 一 ， ， ， 一 ． ［］ ● ● ● ● ．【 一 一 ． ． ［６４】Ｉｄｇｈａｍｉｓｈｉ Ａ Ｍ，Ｈａｓｈｔｒｕｄｉ Ｚａｄ Ｓ．Ｈｉｅｒａｒｃｈｉｃａｌ ｆａｕｌｔ ｄｉ— ａｇｎｏｓｉｓ：Ａｐｐｌｉｃａｔｉｏｎ ｔｏ ａｌｌ ｏｚｏｎｅ ｐｌａｎｔ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １ｓｔ 【】 ＷＷＷ． ． ． ． ＿Ｉ 一一】． ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ，Ａｕｔｏｍａｔｉｏｎ ａｎｄ Ｍｅｃｈａ— ｔｒｏｎｉｃｓ（ＲＡＭ’０４），Ｓｉｎｇａｐｏｒｅ，２００４：７３４—７３９． ， ． 一 ［６５】Ｚｈａｏ Ｘ，Ｏｕｙａｎｇ Ｄ．Ｏｎ—ｌｉｎｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ［］ ， ， ● ｓｙｓｔｅｍｓ：Ａ ｈｉｅｒａｒｃｈｉｃａｌ ａｐｐｒｏａｃｈ［Ｃ］／／Ｐｒｏｃ ｏｆ ＩＥＥＥ Ｃｏｎ— ． ， ． 一 ｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ，Ａｕｔｏｍａｔｉｏｎ ａｎｄ Ｍｅｃｈａｔｒｏｎｉｃｓ ， ， ）：１ 【 ］ ， ， （ＲＡＭ’０８），Ｃｈｅｎｇｄｕ，Ｃｈｉｎａ，２００８：７８５—７９０． ｌ２６ ｅｒｓ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ计算机科学与探索 Ｊｏｕｒｎａｌ ｏｆＦｒｏｎｔｉ ：！——！！＝！＝！ ２０１１，５（２） 【６６１ Ｔｒｉｐａｋｉｓ Ｓ．Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｆｏｒ ｔｉｍｅｄ ａｕｔｏｍａｔａ［Ｃ］／／Ｌｅｃ— ｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ２４６９：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｔｈｅ １ ２ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏ— ｓｉｓ，Ｓａｎ Ｓｉｃａｒｉｏ，Ｉｔａｌｙ，２００１：３９—４６． ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｆｏｒｍａｌ Ｔｅｃｈｎｉｑｕｅｓ ｉｎ Ｒｅａｌ—Ｔｉｍｅ ａｎｄ Ｆａｕｌｔ—Ｔｏｌｅｒａｎｔ Ｓｙｓｔｅｍｓ，２００２：２０５—２２４． 【７７１ Ｄａｒｗｉｃｈｅ Ａ．Ｄｅｃｏｍｐｏｓａｂｌｅ ｎｅｇａｔｉｏｎ ｎｏｒｍａｌ ｆｏｒｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ ＡＣＭ，２００１，４８（４）：６０８－６４７． ［７８］Ｄａｒｗｉｃｈｅ Ａ．Ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｕｓｉｎｇ ｓｔｒｕｃｔｕｒｅｄ ［６７】Ｔｈｏｒｓｌｅｙ Ｄ，Ｔｅｎｅｋｅｔｚｉｓ Ｄ．Ｆａｉｌｕｒｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｓｔｏｃｈａｓｔｉｃ ａｕｔｏｍａｔａ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ ｓｙｓｔｅｍ ｄｅｓｃｒｉｐｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ，Ｗａｓｈｉｎｇｔｏｎ，ＤＣ，ＵＳＡ，２００３： ｌ３ ｌ—ｌ３６． ］６８］Ｔｈｏｒｓｌｅｙ Ｄ，Ｔｅｎｅｋｅｔｚｉｓ Ｄ．Ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｏｆ ｓｔｏｃｈａｓｔｉｃ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｊ１．１ＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏ— ｍａｔｉｃ Ｃｏｎｔｒｏｌ，２００５，５Ｏ（４）：４７６－４９２． ｆ６９］Ｓｃｈｕｍａｎｎ Ａ，Ｐｅｎｃｏｌ６ Ｙ．Ｅｆｆｉｃｉｅｎｔ ｏｎ—ｌｉｎｅ ｆａｉｌｕｒｅ ｉｄｅｎｔｉ— ｉｆｃａｔｉｏｎ ｆｏｒ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ６ｔｈ ＩＦＡＣ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ，Ｓｕｐｅｒｖｉｓｉｏｎ ａｎｄ Ｓａｆｅｔｙ ｏｆ Ｔｅｃｈｎｉｃａｌ Ｐｒｏｃｅｓｓ（ＳＡＦＥＰＲＯＣＥＳＳ’０６）．Ｂｅｉ— ｊｉｎｇ，Ｃｈｉｎａ，２００６． 【７０］Ｂｒｙａｎｔ Ｒ Ｅ．Ｇｒａｐｈ—ｂａｓｅｄ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｂｏｏｌｅａｎ ｆｕｎｃｔｉｏｎ ｍａｎｉｐｕｌａｔｉｏｎ［Ｊ１．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｐｕｔｅｒｓ，１９８６， ３５ｆ８１：６７７—６９ １． ［７ １】Ｂｒｙａｎｔ Ｒ Ｅ．Ｓｙｍｂｏｌｉｃ Ｂｏｏｌｅａｎ ｍａｎｉｐｕｌａｔｉｏｎ ｗｉｔｈ ｏｒｄｅｒｅｄ ｄｅｃｉｓｉｏｎ ｄｉａｇｒａｍｓ［Ｊ］．ＡＣＭ Ｃｏｍｐｕｔｉｎｇ Ｓｕｒｖｅｙｓ，１９９２， ２４ｆ３１：２９３－３Ｉ８． 【７２】Ｓｚｔｉｐａｎｏｖｉｔｓ Ｊ，Ｍｉｓｒａ Ａ．Ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓ— ｔｅｒｎｓ ｕｓｉｎｇ ｏｒｄｅｒｅｄ ｂｉｎａｒｙ ｄｅｃｉｓｉｏｎ ｄｉａｇｒａｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ， Ｖａｌ Ｍｏｒｉｎ，Ｑｕｅｂｅｃ，Ｃａｎａｄａ，ｌ ９９６． 【７３１ Ｔｏｒｔａ Ｇ Ｃｏｍｐａｃｔ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｄｉａｇｎｏｓｅｓ ｆｏｒ ｉｍ— ｐｒｏｖｉｎｇ ｅｆｆｉｃｉｅｎｃｙ ｉｎ ｍｏｄｅｌ ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ［Ｄ］．Ｄｉｐａｒｔｉ— ｍｅｎｔｏ ｄｉ Ｉｎｆｏｒｍａｔｉｃａ，Ｕｎｉｖｅｒｓｉｔａ ｄｉ Ｔｏｒｉｎｏ，Ｉｔａｌｙ，２００５． 【７４】Ｓｃｈｕｍａｎｎ Ａ，Ｐｅｎｃｏｌ６ Ｔｈｉｄｂａｕｘ Ｓ．Ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ— ｅｖｅｎｔ ｓｙｓｔｅｍｓ ｕｓｉｎｇ ｂｉｎａｒｙ ｄｅｃｉｓｉｏｎ ｄｉａｇｒａｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏ— ｓｉｓ，Ｃａｒｃａｓｓｏｎｎｅ，Ｆｒａｎｃｅ，２００４：１９７—２０２． ｆ７５】Ｓｃｈｕｍａｎｎ Ａ，Ｐｅｎｃｏｌ６ Ｔｈｉ６ｂａｕｘ Ｓ．Ａ ｓｐｅｃｔｒｕｍ ｏｆ ｓｙｍｂｏｌｉｃ ｏｎ—ｌｉｎｅ ｄｉａｇｎｏｓｉｓ ａｐｐｒｏａｃｈｅｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２２ｎｄ Ａｍｅｒｉｃａｎ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉ— ｇｅｎｃｅ（ＡＡＡＩ一０７），Ｖａｎｃｏｕｖｅｇ Ｃａｎａｄａ，２００７：３３５—３４０． 【７６］Ｃｏｒｄｉｅｒ Ｍ—Ｏ，Ｌａｒｇｏｕｅｔ Ｃ Ｕｓｉｎｇ ｍｏｄｅｌ—ｃｈｅｃｋｉｎｇ ｔｅｃｈ— ｎｉｑｕｅｓ ｆｏｒ ｄｉａｇｎｏｓｉｎｇ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ Ｒｅｓｅａｒｃｈ，ｌ９９８，８：１６５－２２２． ［７９】Ｄａｒｗｉｃｈｅ Ａ，Ｐｒｏｖａｎ Ｇ Ｅｘｐｌｏｉｔｉｎｇ ｓｙｓｔｅｍ ｓｔｒｕｃｔｕｒｅ ｉｎ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｉｓｃｒｅｔｅ－ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇ— ｎｏｓｉｓ，Ｖａｌ Ｍｏｒｉｎ，Ｑｕｅｂｅｃ，Ｃａｎａｄａ，１９９６：９５－１０５． 【８０】Ｈｕａｎｇ Ｊ，Ｄａｒｗｉｃｈｅ Ａ．Ｏｎ ｃｏｍｐｉｌｉｎｇ ｓｙｓｔｅｍ ｍｏｄｅｌｓ ｆｏｒ ｆａｓｔｅｒ ａｎｄ ｍｏｒｅ ｓｃａｌａｂｌｅ ｄｉａｇｎｏｓｉｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２０ｔｈ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＡＡＡＩ’０５）， Ｐｉｔｔｓｂｕｒｇｈ，Ｐｅｎｎｓｙｌｖａｎｉａ，ＵＳＡ，２００５：３００—３０６． ［８１］Ｄａｒｗｉｃｈｅ Ａ，Ｍａｒｑｕｉｓ Ｒ Ａ ｋｎｏｗｌｅｄｇｅ ｃｏｍｐｉｌａｔｉｏｎ ｍａｐ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｒｅｓｅａｒｃｈ，２００２，１７： ２２９－２６４． 【８２】Ｔｏｒｔａ Ｇ，Ｔｏｒａｓｓｏ Ｐ Ｏｎ ｔｈｅ ｕｓｅ ｏｆ ＯＢＤＤｓ ｉｎ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ：Ａｎ ａｐｐｒｏａｃｈ ｂａｓｅｄ ｏｎ ｔｈｅ ｐａｒｔｉｔｉｏｎ ｏｆ ｔｈｅ ｍｏｄｅｌ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ Ｂａｓｅｄ Ｓｙｓｔｅｍｓ，２００６，ｌ９（５）：３１６－３２３． ［８３Ｊ Ｓｃａｒｌ Ｅ．Ｓｅｎｓｏｒ ｐｌａｃｅｍｅｎｔ ｆｏｒ ａｇｎｏｓａｂｉｌｉｔｙ…．Ａｎｎａｌｓ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ ａｎｄ Ａｒｔｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９４，ｌ １（１／４）： ４９３－５ｌ０． Ｉ８４】Ｔｒａｖ６一Ｍａｓｓｕｙ￣ｓ Ｌ，Ｅｓｃｏｂｅｔ Ｍｉｌｎｅ Ｒ．Ｍｏｄｅｌ—ｂａｓｅｄ ｄｉ— ａｇｎｏｓａｂｉｌｉｔｙ ａｎｄ ｓｅｎｓｏｒ ｐｌａｃｅｍｅｎｔ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ａ ｆｒａｍｅ ６ ｇａｓ ｔｕｒｂｉｎｅ ｓｕｂｓｙｓｔｅｍ［Ｃ Ｊ／／Ｐｒｏｃ ｏｆ ｔｈｅ １ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（１ＪＣＡＩ’Ｏ１）， ２００１，１：５５１－５５６． 【８５】Ｙａｎ Ｙ Ｓｅｎｓｏｒ ｐｌａｃｅｍｅｎｔ ａｎｄ ｄｉａｇｎｏｓａｂｉｌｉｔｙ ａｎａｌｙｓｉｓ ａｔ ｄｅｓｉｇｎ ｓｔａｇｅ［Ｃ］／／Ｐｒｏｃ ｏｆ ＭＯＮＥＴ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍｏｄｅｌ— Ｂａｓｅｄ Ｓｙｓｔｅｍｓ ａｔ ｔｈｅ １ ６ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｖａｌｅｎｃｉａ，Ｓｐａｉｎ，２００４． ［８６】Ｃｏｒｄｉｅｒ Ｍ Ｏ，Ｔｒａｖ６一Ｍａｓｓｕｙｂｓ Ｌ，Ｐｕｃｅｌ Ｘ．Ｃｏｍｐａｒｉｎｇ ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｉｎ ｃｏｎｔｉｎｕｏｕｓ ａｎｄ ｄｉｓｃｒｅｔｅ—ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／ Ｐｒｏｃ ｏｆ ｔｈｅ １ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉａｇｎｏｓｉｓ，Ｐｅｎａｒａｎｄａ ｄｅ Ｄｕｅｒｏ，Ｂｕｒｇｏｓ，Ｓｐａｉｎ，２００６：５５－６０． 【８７］Ｊｉａｎｇ Ｓ，Ｈｕａｎｇ Ｚ，Ｃｈａｎｄｒａ Ｖ，ｅｔ ａ１．Ａ ｐｏｌｙｎｏｍｉａｌ ａｌｇｏ— ｒｉｔｈｍ ｆｏｒ ｔｅｓｔｉｎｇ ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｏｆ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｊ］． 赵相福等：离散事件系统基于模型诊断的研究进展 １２７ ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏｌ，２００１，４６（８）： ｌ３１８－１３２１． ［９３］ＤＸＣ．Ｄｉａｇｎｏｓｔｉｃ ｃｏｍｐｅｔｉｔｉｏｎ［ＥＢ／ＯＬ］．Ｉ２０１０—０４—１６］ ｈｔｔｐ：／／ｗｗｗ．ｄｘ—ｃｏｍｐｅｔｉｔｉｏｎ．ｏｒｇ／． 【８８Ｊ Ｙｏｏ Ｔ Ｓ，Ｌａｆｏｒｔｕｎｅ Ｓ．Ｐｏｌｙｎｏｍｉａｌ—ｔｉｍｅ ｖｅｒｉｉｆｃａｔｉｏｎ ｏｆ ｄｉａｇｎｏｓａｂｉｌｉｔｙ ｏｆ ｐａｒｔｉａｌｌｙ ｏｂｓｅｒｖｅｄ ｄｉｓｃｒｅｔｅ－．ｅｖｅｎｔ ｓｙｓ－． 附中文参考文献： ［３］张学农，姜云飞，陈蔼祥，等．基于模型诊断的分步求 解［Ｊ１．软件学报，２００８，ｌ９（３）：５８４—５９３． ｔｅｍｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｃ Ｃｏｎｔｒｏｌ，２００２， ４７（９）：ｌ４９１－１４９５． 【８９】Ｐｅｎｃｏｌ６ Ｙ．Ｄｉａｇｎｏｓａｂｉ１ｉｔｙ ａｎａｌｙｓｉｓ ｏｆ ｄｉｓｔｒｉｂｕｔｅｄ ｄｉｓｃｒｅｔｅ ｅｖｅｎｔ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １６ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ 固【４］陈荣，姜云飞．含约束的基于模型的诊断系统［Ｊ］．计算 机学报，２００１，２４（２）：１２７—１３５． ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＥＣＡＩ’０４），Ｖａｌｅｎｃｉａ，Ｓｐａｉｎ， ２００４：４３－４７． 【７】陈蔼祥，陈清亮，潘久辉，等．通过诊断图分析的快速 诊断算法ＩＪＪ．计算机学报，２００９，３２（８）：１４７０—１４８５． 【８］吉林大学ＭＢＤ（ＡＩ）研究小组［ＥＢ／ＯＬ］．［２０１０—０４—１６１． ｈｔｔｐ：／／５９．７２．０．４６／ｍ／． ［９０］Ｇａｍｐｅｒ Ｊ，Ｎｅｊｄｌ、 Ａｂｓｔｒａｃｔ ｔｅｍｐｏｒａｌ ｄｉａｇｎｏｓｉｓ ｉｎ ｍｅｄｉ— ｃａｌ ｄｏｍａｉｎｓ［Ｊ］．Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ，１９９７， １０（３）：２０９－２３４． 【９栾尚敏，戴国忠．利用结构信息的故障诊断方法 ．计 ９】算机学报，２００５，２８（５）：８０１—８０８． 【１０】陈琳，黄杰，龚正虎．一种求解最小诊断代价的小生境 遗传算法［Ｊ】＿计算机学报，２００５，２８（１２）：２０１９—２０２６． 【１１】于百胜，黄文虎．模型故障诊断中测点优选的一种评 估方法［Ｊ１＿哈尔滨工业大学学报，１９９８，３０（１）：６－１０． ［１２１韩旭，史忠植，林芬．基于模型诊断的研究进展［Ｊ１．高 技术通讯，２００９，ｌ９（５）：５４３—５５０． 【９ １］Ｃｏｎｓｏｌｅ Ｌ，Ｐｉｃａｒｄｉ Ｃ，Ｄｕｐｒ６ Ｄ Ｔ．Ｔｅｍｐｏｒａｌ ｄｅｃｉｓｉｏｎ ｔｒｅｅｓ： Ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｙｎａｍｉｃ ｓｙｓｔｅｍｓ ｏｎ—ｂｏａｒｄ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＡｒｔｉｉｃｉａｆｌ Ｉｎｔｅｌｉｇｅｎｃｅ ｆＲｅｓｅａｒｃｈ，２００３，１９：４６９－５ １２． 【９２】Ｓｔｒｕｓｓ Ｒ Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｄｙ— ｎａｍｉｃ ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ’９７），Ｎａｇｏｙａ， Ｊａｐａｎ，１９９７：４８０—４８５． ＺＨＡＯ Ｘｉａｎｇｆｕ ｗａｓ ｂｏｒｎ ｉｎ １９８１．Ｈｅ ｒｅｃｅｉｖｅｄ ｈｉｓ Ｐｈ．Ｄ． ｄｅｇｒｅｅ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ｆｒｏｍ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ Ｈｉｓ ｒｅｓｅａｒｃｈ ｉｎｔｅｒｅｓｔｓ ｉｎｃｌｕｄｅ ｍｏｄｅｌ－・ｂａｓｅｄ ｄｉａｇ・－ ｉｎ ２００９．Ｈｅ ｉｓ ａ ｌｅｃｔｕｒｅｒ ａｔ Ｚｈｅｊｉａｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ ｎｏｓｉｓ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ，ｅｔｃ． 赵相福（１９８ｌ一），男，山东汶上人，２００９年于吉林大学获得计算机软件与理论专业工学博士学位，现 为浙江师范大学讲师，主要研究领域为基于模型的诊断，人工智能等。 ＯＵＹＡＮＧ Ｄａｎｔｏｎｇ ｗａｓ ｂｏｒｎ ｉｎ １９６８．Ｓｈｅ ｒｅｃｅｉｖｅｄ ｈｅｒ Ｐｈ．Ｄ．ｄｅｇｒｅｅ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ｆｒｏｍ Ｊｉｌｉｎ Ｕｎｉ— ｖｅｒｓｉｔｙ ｉｎ １９９８．Ｓｈｅ ｉｓ ａ ｐｒｏｆｅｓｓｏｒ ａｎｄ ｄｏｃｔｏｒａｌ ｓｕｐｅｒｖｉｓｏｒ ａｔ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ．Ｈｅｒ ｒｅｓｅａｒｃｈ ｉｎｔｅｒｅｓｔｓ ｉｎｃｌｕｄｅ ｍｏｄｅｌ—ｂａｓｅｄ ｄｉａｇｎｏｓｉｓ，ａｕｔｏｍａｔｅｄ ｒｅａｓｏｎｉｎｇ ａｎｄ ｍｏｄｅｌ—ｃｈｅｃｋｉｎｇ，ｅｔｃ． 欧阳丹彤（１９６８一），女，吉林长春人，１９９８年于吉林大学获得计算机软件与理论专业工学博士学位， 现为吉林大学教授、博士生导师，主要研究领域为基于模型的诊断，自动推理，模型检测等。