劉白林,任健強,馬　穎

(1.新型網(wǎng)絡(luò)檢測與控制工程國家地方聯(lián)合實驗室，西安 710021;2.西安工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院，西安 710021)

?

結(jié)合知識推理的分層多信號流圖在多故障診斷中的應(yīng)用

劉白林1,2,任健強1,2,馬穎2

(1.新型網(wǎng)絡(luò)檢測與控制工程國家地方聯(lián)合實驗室，西安 710021;2.西安工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院，西安 710021)

摘要：針對復(fù)雜電子系統(tǒng)故障具有層次性、傳播性、相關(guān)性以及并發(fā)性的問題，提出了一種結(jié)合知識推理方法的分層多信號流圖模型的故障診斷方法，根據(jù)系統(tǒng)層次分別建立各層的多信號流圖模型.試驗結(jié)果表明：該方法能夠給出各層的故障依賴矩陣以及層間關(guān)聯(lián)關(guān)系，得出底層的可能故障源和確定故障源，對可能故障源進(jìn)行知識推理后可以有效的檢測出系統(tǒng)一個或多個故障源，較好的解決了系統(tǒng)的多故障診斷問題.

關(guān)鍵詞：復(fù)雜電子系統(tǒng)；分層多信號流圖；知識推理；多故障診斷

隨著科技的快速發(fā)展，武器裝備的現(xiàn)代化程度越來越高，其電子系統(tǒng)故障具有不確定性、非線性、并發(fā)性和多發(fā)性等特征，如何快速有效的檢測和排除武器裝備的電子系統(tǒng)故障是一個亟待解決的問題.近年來，越來越多的故障診斷方法被提出[1].文獻(xiàn)[2]提出了一種基于多值測試的故障診斷測試方法，取代了傳統(tǒng)的二值測試的方法，減少了有效信息的丟失.文獻(xiàn)[3]對多故障問題進(jìn)行了研究，提出了一種基于有向圖模型的模糊診斷算法，診斷結(jié)果具有較高的正確率和故障覆蓋率.文獻(xiàn)[4-6]則是運用多信號流圖模型對復(fù)雜電子系統(tǒng)進(jìn)行測試性建模分析或故障診斷，能夠在產(chǎn)品的設(shè)計初期快速準(zhǔn)確地提供各項測試性相關(guān)數(shù)據(jù)，基本滿足了系統(tǒng)的檢測要求.

多信號流圖模型[7]是由Somnath Deb等于1994年提出的一種故障診斷方法，該模型將被測對象的組成模塊、測試以及被測對象之間特征的相關(guān)性用有向圖表示，可以很容易得到故障的起始位置和傳播途徑.但該模型也存在一定不足，實際復(fù)雜電子系統(tǒng)往往是分層結(jié)構(gòu)的，而該模型的建模方法是單層的，一般只能用于單故障檢測，難以解決多故障問題.為了解決上述不足，呂曉明等人提出了對多信號流圖進(jìn)行層次性分析的方法[8-9].文獻(xiàn)[8]提出了分層系統(tǒng)的多信號流圖測試方法，該方法是在當(dāng)遇到多信號流圖模型無法隔離的模塊時，通過預(yù)先設(shè)置在無法隔離模塊中的測試節(jié)點來進(jìn)行進(jìn)一步的細(xì)分.該方法雖然在層次上進(jìn)行了分析，但并未建立完整的分層多信號流圖模型以及對應(yīng)的DM.文獻(xiàn)[9]建立了較為完善的分層多信號流圖模型，給出了各層相應(yīng)的DM，并針對不同的維修等級進(jìn)行相應(yīng)的故障隔離與定位.但該文獻(xiàn)中未明確給出建立上層和下層模型關(guān)聯(lián)的方法.如在上層DM中存在多個測試對應(yīng)一個故障源，根據(jù)測試結(jié)果得出該故障源故障，此時不能確定該使用哪個相關(guān)聯(lián)的下層模型進(jìn)行進(jìn)一步分析判斷，從而影響系統(tǒng)故障定位的精度.

因此，為了適應(yīng)武器裝備復(fù)雜電子系統(tǒng)的檢測與診斷要求，本文首先對分層多信號流圖模型進(jìn)行了完善與改進(jìn)，并提出了一種結(jié)合知識推理的分層多信號流圖的多故障診斷方法，提高了檢測與診斷的效率和準(zhǔn)確度.

1分層多信號流圖模型

復(fù)雜系統(tǒng)在進(jìn)行故障診斷前需要對整個系統(tǒng)建立模型.傳統(tǒng)的建模方法有定量模型、定性模型、結(jié)構(gòu)模型和依賴模型等，但隨著系統(tǒng)復(fù)雜程度的增加，以上的方法都不足以滿足系統(tǒng)建模的要求.文獻(xiàn)[7]提出的多信號流圖模型是在結(jié)構(gòu)模型的基礎(chǔ)上加入了信號間的依賴模型，他捕捉了對系統(tǒng)故障診斷必要而有用的信號間的依賴關(guān)系，成功融合了兩種模型的優(yōu)點，能夠滿足復(fù)雜系統(tǒng)的建模要求.

1.1多信號流圖模型組成

多信號流圖模型由下列元素組成：

1) 故障源集合C(Component)：由可能發(fā)生故障的最小模塊組成，一個故障源對應(yīng)一個或多個信號， C={c1,c2,…,cL}；

2) 信號集合S(Signal)：由系統(tǒng)中的有用可測的信號組成，各信號間相互獨立，S={s1,s2,…,sK}；

3) 測試集合T(Test)：由判斷各信號是否在正常范圍內(nèi)的測試組成，一個測試對應(yīng)一個或多個信號， T={t1,t2,…,tn}；

4) 測試點集合TP(Test Point)：由系統(tǒng)的可觀測點組成，一個測試點對應(yīng)一個或多個測試， TP={TP1,TP2,…,TPP}；

5) 連線E(Edge)，表示信號和功能的傳播方向；因此，一個系統(tǒng)可以用有向圖DG={C,TP,E}表示.其中，每個故障源Ci影響或關(guān)聯(lián)一組信號SC(ci)；每個測試tj可以檢測一組信號ST(tj)；每個測試點TPi可以進(jìn)行一組測試SP(TPi).

1.2故障依賴矩陣

多信號流圖模型建立后，需要找出故障源和測試之間的依賴關(guān)系，該依賴關(guān)系可以表示為矩陣

(1)

式(1)稱為故障依賴矩陣(Dependence Matrix,DM)，他是一個二值矩陣.其中，每一行對應(yīng)一個故障源ci，每一列對應(yīng)一個測試tj.若ci發(fā)生故障，能被tj檢測到，則dij=1，若ci發(fā)生故障，不能被tj檢測到，則dij=0.通過將測試結(jié)果與DM中的各行進(jìn)行比對便可以找到故障源.

1.3分層多信號流圖模型

建立多信號流圖模型的基礎(chǔ)是確定故障源的層級[10].故障源可以是子系統(tǒng)級的模塊，也可以是板卡級的模塊，還可以是元器件級的模塊.若將故障源確立為元器件級的模塊，則可以使故障診斷的精度大大提高，但這會使建模過于復(fù)雜，計算量也會大大增加；若選擇子系統(tǒng)或者板卡級的模塊作為故障源，則可以使建模相對簡單，計算也較為方便，但是故障診斷的精度也會下降.

分層多信號流圖模型是將整個系統(tǒng)按層次進(jìn)行建模，首先按照系統(tǒng)的功能模塊進(jìn)行上層的建模，然后對各個模塊再建立各自相應(yīng)的多信號流圖模型.使用分層建?？梢宰畲蟪潭壬系谋Ａ粝到y(tǒng)的層次結(jié)構(gòu)，對系統(tǒng)故障的分析極為有利[11].但現(xiàn)有的分層多信號流圖模型也存在一些不足之處.首先，該模型未給出建立上下層模型關(guān)聯(lián)的方法，其次，上層模型的測試方法選取困難，并且該模型難以解決多故障問題.

2結(jié)合知識推理的HMSFG方法

2.1改進(jìn)的分層多信號流圖模型

針對上述分層多信號流圖模型存在的問題，本文提出了一種改進(jìn)模型，主要有以下三點改進(jìn)，改進(jìn)后的各層DM及其之間的關(guān)系如圖1所示.

圖1　改進(jìn)分層多信號流圖模型的各層DM及其之間關(guān)系

第一，建立系統(tǒng)的最上層模型，根據(jù)最上層模型得出最上層的DM，然后對可分解模塊繼續(xù)建模，并得出對應(yīng)的下層的DM，以此類推，得到各層相應(yīng)的DM；下層的DM和上層的故障源C相關(guān)聯(lián)，若得出故障源故障，則根據(jù)對應(yīng)的下層DM進(jìn)行進(jìn)一步分析.

第二，在傳統(tǒng)分層多信號流圖中，確定一個上層模塊是否故障一般有兩種方法進(jìn)行判斷.一是增加額外的測點，比較常見的方法有模塊的機內(nèi)測試(BuiltinTest,BIT)等方法.但該方法首先增加額外的測試成本，而且更多的時候很難找到一個合適的測點來表征整個模塊正常與否.二是選取該模塊部分或全部下層的測點進(jìn)行測試.但是這種方法過于依賴信號的檢測處理，當(dāng)信號噪聲較大時，有很大可能會造成系統(tǒng)故障的誤報或錯報.所以，在改進(jìn)的模型中將上層DM中的部分測試用觀測信息代替，其余的測試再選擇上述的第一或第二種方法.

第三，改進(jìn)的分層多信號流圖模型將故障源分為兩種.一種是確定故障源，檢測該類故障源的測試與其他測試相互獨立，從而該種類型的故障源可以被直接檢測出來；另一種是可能故障源，由于故障的傳播性和相關(guān)性，該類故障源的測試與其他測試相關(guān).單故障模式下，以上的區(qū)分并無太大意義，但是在多故障模式下第二類故障源的不能被很好的診斷，因此需要將其分離出來以便于后續(xù)的知識推理.

圖1(a)為系統(tǒng)的最上層DM，該層DM中的c1,c2,…,cm故障源分別和圖1(b)所表示的可分解模塊的第二層DM相關(guān)聯(lián)(圖1(b)中，1≤i≤m，1≤s≤n)，而對于不可分解的模塊則沒有下層的DM，以此類推，便得到系統(tǒng)的所有層的DM并建立各層的關(guān)聯(lián).在圖1(a)中的測試t1,t2,…,tn中，對于如伺服電機，指示燈等可觀測模塊，則將測試由觀測信息替代.

2.2推理決策機制

基于知識的故障推理決策機制[12]是通過將專家診斷的經(jīng)驗歸納成知識，然后根據(jù)知識按照一定的推理步驟進(jìn)行推理來獲得診斷結(jié)論.該推理機制的知識表示方法采用產(chǎn)生式表示法，是目前使用最為廣泛的知識表示方法.他具有模塊性、有效性、自然性以及清晰性等優(yōu)點[13-14].當(dāng)然，他也有一些不足之處，如效率不高，不能表達(dá)具有結(jié)構(gòu)性的知識等.

針對2.1節(jié)中改進(jìn)分層多信號流圖模型得到的所有可能故障源的知識推理過程如下：① 將所有的可能故障源及檢測信息放入綜合數(shù)據(jù)庫；② 將知識庫中未使用規(guī)則的前提和綜合數(shù)據(jù)庫中的未推理的可能故障源進(jìn)行匹配，若滿足該規(guī)則的前提，則執(zhí)行當(dāng)前選中的規(guī)則，按執(zhí)行結(jié)果操作綜合數(shù)據(jù)庫，并將匹配成功的可能故障源標(biāo)記為已推理，轉(zhuǎn)至第④步；若不滿足該規(guī)則的前提，將該規(guī)則標(biāo)記為已使用，轉(zhuǎn)至第③步；③ 檢查知識庫中是否存在未使用規(guī)則，若是，轉(zhuǎn)至第②步；否則，推理完畢，得出系統(tǒng)故障源；④ 將所有規(guī)則標(biāo)記為未使用，檢查是否存在未推理的可能故障源，若存在，轉(zhuǎn)至第②步；否則，推理完畢，得出系統(tǒng)故障源.

在上述的推理過程中還可能存在不確定性知識，對于不確定性知識在執(zhí)行每一條規(guī)則時還要計算該結(jié)論的不確定性，即該結(jié)論的可信度有多高，并在最終給出故障診斷結(jié)果時將該可信度一并給出[15].雖然該種推理機制在面對大型系統(tǒng)時搜索空間大、推理慢，容易產(chǎn)生規(guī)則匹配沖突，組合爆炸等問題，但由于分層多信號流圖將故障源已經(jīng)確定到一個較小的范圍內(nèi)，在該范圍內(nèi)推理規(guī)則較少，從而使推理的空間復(fù)雜度、時間復(fù)雜度大大減少，準(zhǔn)確度大大提高.因此，將該推理機制與分層多信號模型結(jié)合后，基本消除了該推理機制的上述問題.而且每個范圍內(nèi)的知識、規(guī)則是不相關(guān)的，也減少了知識獲取及整理的難度.

2.3結(jié)合知識推理的改進(jìn)分層多信號流圖的多故障診斷方法

在改進(jìn)分層多信號流圖模型的基礎(chǔ)上，論文提出了一種結(jié)合知識推理機制和分層多信號流圖模型的多故障診斷方法.該方法首先將傳統(tǒng)多信號流圖模型中的上層DM中的部分測試用觀測信息代替，從而可以更加快速準(zhǔn)確的將故障定位到模塊級.然后再根據(jù)模塊級故障源相關(guān)聯(lián)的下層模型進(jìn)行進(jìn)一步分析，以此類推直到得出所有的下層可能故障源和確定故障源，最后對可能故障源進(jìn)行知識推理，得出所有的故障源.該方法對多故障問題有較好的解決能力，其工作原理如圖2所示.

圖2　結(jié)合知識推理和改進(jìn)分層

3實例分析與評估

3.1實例分析

火控系統(tǒng)組成見表1.表1中僅給出了火控系統(tǒng)的部分模塊組成.

表1　火控系統(tǒng)結(jié)構(gòu)組成

表1中的第一列為火控系統(tǒng)的3個模塊，第二列為3個模塊的測試方法，第三列為各模塊的內(nèi)部組成.按照上述建模方法建立該系統(tǒng)的分層多信號流圖模型，如圖3所示.

圖3　火控系統(tǒng)分層多信號流圖模型

圖3的第一層模型中的M1表示“智能配電箱”模塊，M2表示“炮長任務(wù)終端”模塊，M3表示“慣性導(dǎo)航定位裝置”模塊，測試t1為觀測模塊M1的工作指示燈是否正常，測試t2為觀測模塊M2能否正常工作，測試t3為模塊M3機內(nèi)測試結(jié)果.本例中只給出M1的第二層模型，其余省略.M11表示“電源濾波器”，M12表示“電源控制板”，M13表示“輸出保護(hù)裝置”，M14表示“電纜”.選定每層的故障源為該層各模塊，并根據(jù)圖3可得各層的DM見表2～3.

表2　第一層模型對應(yīng)的DM

表3　模塊M1的第二層模型對應(yīng)的DM

假設(shè)此時根據(jù)表2得出第一層模型中的故障源為“智能配電箱”模塊，與該故障源相關(guān)聯(lián)的DM見表3，進(jìn)一步測試得可能的故障源為c11，c12，c13，確定故障源為c14，然后對可能故障源進(jìn)行知識推理即可得出系統(tǒng)故障源.

3.2實例測試性評估

故障檢測率(FaultDetectionRate,FDR)是指在規(guī)定的條件下，用規(guī)定的方法正確檢測的故障數(shù)與故障總數(shù)之比，其計算式為γFD=ND/NT×100%，NT為在一定時間內(nèi)能夠檢測到的故障總數(shù)，ND為在一定時間內(nèi)正確檢測到的故障數(shù).在本例中，NT為某層DM中的總行數(shù)，而ND為該層DM中不全為零的行數(shù).所以，模塊M1的故障檢測率為100%.

故障隔離率(FaultsIsolationRate,FIR)是指在規(guī)定的條件下，用規(guī)定的方法將檢測到的故障正確隔離到不大于規(guī)定模糊度的故障數(shù)與檢測到的故障數(shù)之比，其計算式為γFI=NL/ND×100%，NL為在規(guī)定條件下用規(guī)定方法正確隔離到不大于L個可更換單元數(shù)(模糊度為L)的故障數(shù).在單故障模式下，模塊M1的故障隔離率為100%，即每個故障都可隔離到確定的可更換單元.但在多故障模式下，當(dāng)模糊度為1時，模塊M1的故障隔離率50%；當(dāng)模糊度為2時，模塊M1的故障隔離率 75%；當(dāng)模糊度為3時，模塊M1的故障隔離率 100%.

因而在多故障情況下，模塊M1通過分層多信號流圖得到的部分故障無法隔離到可更換單元，導(dǎo)致故障隔離率較低.但在經(jīng)驗知識足夠豐富時，經(jīng)過知識推理后，能將模塊M1的所有故障都隔離到相應(yīng)的可更換單元，故障隔離率能達(dá)到100%，分析結(jié)果見表4.

表4　模塊M1的故障隔離率分析

4結(jié) 論

1) 針對現(xiàn)有分層多信號流圖模型的不足進(jìn)行了改進(jìn)，完善了分層多信號流圖模型的建模方法.

2) 提出了一種結(jié)合知識推理機制的分層多信號流圖模型，保留了系統(tǒng)的層次結(jié)構(gòu)，能快速的將故障定位到底層較小的范圍內(nèi)，并通過知識推理得出系統(tǒng)故障源，能較好的解決系統(tǒng)的多故障問題.

該方法已在某火控系統(tǒng)檢測與調(diào)試系統(tǒng)中實際應(yīng)用，能夠快速準(zhǔn)確的檢測到該系統(tǒng)的故障源，給出維修指導(dǎo)，極大的減少了維護(hù)成本.

參 考 文 獻(xiàn):

[1]姚智剛，王慶林.復(fù)雜裝備控制系統(tǒng)智能故障診斷技術(shù)[J].火力與指揮控制，2012,37(12):1.

YAOZhigang,WANGQinglin.IntelligentFaultDiagnosisMethodsforControlSystemsofComplexEquipments[J].FireControl&CommandControl.2012,37(12):1.(inChinese)

[2]王成剛，劉志遠(yuǎn)，楊志勇.電子裝備多值測試故障診斷策略設(shè)計[J].兵工學(xué)報，2011,32(10):1287.

WANGChenggang,LIUZhiyuan,YANGZhiyong.FaultDiagnosisStrategyDesignofElectronicEquipmentBasedonMultivalueTest[J].ActaArmamentarii,2011,32(10):1287.(inChinese)

[3]連可，黃建國，龍兵.一種基于有向圖模型的模糊多故障診斷算法[J].系統(tǒng)工程與電子技術(shù)，2008,30(3):568.

LIANKe,HUANGJianguo,LONGBing.AFuzzyMultipleFaultDiagnosisAlgorithmBasedonDigraphModels[J].SystemsEngineeringandElectronics,2008,30(3):568.(inChinese)

[4]歐愛輝.一種基于多信號流圖的雷達(dá)系統(tǒng)測試性建模分析方法[J].兵工自動化，2014,33(4):56.

OUAihui.AModelingandAnalyticalMethodforTestabilityofRadarSystemBasedonMulti-SignalFlowGraphs[J].OrdnanceIndustryAutomation,2014,33(4):56.(inChinese)

[5]陳世杰，連可，王厚軍.采用多信號流圖模型的雷達(dá)接收機故障診斷方法[J].電子科技大學(xué)學(xué)報，2009,38(1):87.

CHENShijie,LIANKe,WANGHoujun.FaultDiagnosisMethodofRadarReceiverUsingMulti-SignalFlowGraphsModel[J].JournalofUniversityofElectronicScienceandTechnologyofChina,2009,38(1):87.(inChinese)

[6]李凱凱，丁天寶，呂啟元.基于多信號流圖模型的裝備故障診斷方法[J].火炮發(fā)射與控制學(xué)報，2012(1):68.

LIKaikai,DINGTianbao,LVQiyuan.FaultDiagnosisMethodBasedonMulti-signalFlowGraphsModel[J].JournalofGunLaunch&Control,2012(1):68.(inChinese)

[7]DEBS,PATTIPATIKR,RAGHAVANV,etal.Multi-signalFlowGraphs:ANovelApproachforSystemTestabilityAnalysisandFaultDiagnosis[J].IEEEAerospace&ElectronicSystemsNlagazine,1994,10(5):361.

[8]呂曉明，黃考利，連光耀.基于多信號流圖的分層系統(tǒng)測試性建模與分析[J].北京航空航天大學(xué)學(xué)報，2011,37(9):1151.

LYUXiaoming,HUANGKaoli,LIANGuangyao.ModelingandAnalysisofTestabilityofHierarchySystemBasedonMulti-signalFlowGraphModel[J].JournalofBeijingUniversityofAeronauticsandAstronautics,2011,37(9):1151.(inChinese)

[9]尹園威，尚朝軒，馬彥恒，李剛.層次測試性模型的評估方法[J].北京航空航天大學(xué)學(xué)報，2015,41(1):90.

YINYuanwei,SHANGChaoxuan,MAYanheng,LIGang.MethodofTestabilityEvaluationUsingHierarchicalTestabilityModel[J].JournalofBeijingUniversityofAeronautiosandAstronautios,2015,41(1):90.(inChinese)

[10]尹園威，尚朝軒，馬彥恒，李剛，任伯峰.裝備層次測試性建模分析方法[J].火力與指揮控制，2015,40(9):40.

YINYuanwei,SHANGChaoxuan,MAYanheng,LIGang,RENBofeng.HierarchicalTestabilityModelingandAnalyzingonEquipment[J].FireControl&CommandControl,2015,40(9):40.(inChinese)

[11]LONGB,DAIZJ,TIANSL,etal.AHierarchicalModelingandFaultDiagnosisTechniqueforComplexElectronicDevices[C]//2009IEEECircuitsandSystemsInternationalConferenceonTestingandDiagnosis.Piscataway,NJ:IEEEComputerSociety,2009:1.

[12]劉強，柴天佑，秦泗釗，趙立杰.基于數(shù)據(jù)和知識的工業(yè)過程監(jiān)視及故障診斷綜述[J].控制與決策，2010,25(6):801.

LIUQiang,CHAITianyou,QINSizhao,ZHAOLijie.ProgressofData-drivenandKnowledge-drivenProcessMonitoringandFaultDiagnosisforIndustryProcess[J].ControlandDecision,2010,25(6):801.(inChinese)

[13]倪紹徐，張裕芳，易宏，梁曉鋒.基于故障樹的智能故障診斷方法[J].上海交通大學(xué)學(xué)報，2008,42(8):1372.

NIShaoxu,ZHANGYufang,YIHong,LIANGXiaofeng.IntelligentFaultDiagnosisMethodBasedonFaultTree[J].JournalofShanghaiJiaotongUniversity,2008,42(8):1372.(inChinese)

[14]張琦，廖捷，吳建軍，劉玉.基于FTA的通用裝備電子系統(tǒng)故障診斷專家系統(tǒng)設(shè)計[J].兵工學(xué)報，2008,29(2):174.

ZHANGQi,LIAOJie,WUJianjun,LIUYu.DesignofDiagnosticExpertSystemforElectronicSystemofGeneralEquipmentBasedonFTA[J].ActaArmamentarii,2008,29(2):174.(inChinese)

[15]劉培奇，李增智，趙銀亮.擴展產(chǎn)生式規(guī)則知識表示方法[J].西安交通大學(xué)學(xué)報，2004,38(6):587.

LIUPeiqi,LIZengzhi,ZHAOYinliang.KnowledgeRepresentationofExtendedProductionRule[J].JournalofXi’anJiaotongUniversity,2004,38(6):587.(inChinese)

(責(zé)任編輯、校對張立新)

Combination of Knowledge Inference with Hierarchical Multi-Signal Flow Graphs for Multi-Fault Diagnosis

LIUBailin1,2,RENJianqiang1,2,MAYing2

(1.State and Local Joint Lab.of New Network and Monitoring Control Engineering,Xi’an 710021,China;2.School of Computer Science and Engineering,Xi’an Technological University,Xi’an 710021,China)

Abstract:Since the faults of complex electronic system have the characteristics of hierarchy,transmissibility,correlation and concurrency,a new fault diagnosis approach is introduced which combines knowledge inference with hierarchical multi-signal flow graphs (HMSFG).Multi-signal flow graphs (MSFG) are established in accordance with the system levels.Experimental results show that this method can calculate the dependence matrix (DM) of each layer and works out the correlation between layers,through which the possible fault sources and indentified fault sources on the bottom layer are obtained.One or more faults in the system can be detected effectively through the knowledge inference of the possible fault sources.It is concluded that the multi-faults can be better diagnosed by this mothod.

Key words:complex electronic system;HMSFG;knowledge inference;multi-fault diagnosis

文獻(xiàn)標(biāo)志碼:中圖號：TP306+.3A

文章編號：1673-9965(2016)03-0194-06

作者簡介：劉白林(1971-)，男，西安工業(yè)大學(xué)副教授，主要研究方向為人工智能.E-mail:xit.lbl@163.com.

收稿日期：2015-11-19

DOI:10.16185/j.jxatu.edu.cn.2016.03.005

基金資助：陜西省科技廳項目資助(2013K13-04-07);陜西省教育廳專項科研計劃項目(14JK1344)