摘 要：針對(duì)離散事件系統(tǒng)模型難以建立的大型實(shí)際系統(tǒng)，無(wú)法對(duì)其進(jìn)行有效故障診斷的問(wèn)題，提出一種基于主動(dòng)學(xué)習(xí)的故障診斷方法。首先，為獲取到的系統(tǒng)事件日志添加正常/故障標(biāo)簽，并將日志集劃分為訓(xùn)練集和測(cè)試集，提出一種基于抽象技術(shù)的迭代算法提取訓(xùn)練集中日志的故障特征樣本。然后，通過(guò)故障特征樣本構(gòu)造初始故障識(shí)別器，并利用測(cè)試集中的日志檢驗(yàn)識(shí)別器的準(zhǔn)確性。仿真結(jié)果表明，該故障診斷算法使得模型未知下診斷精度更高。最后，實(shí)例說(shuō)明系統(tǒng)模型未知下故障診斷算法的應(yīng)用。與現(xiàn)有研究相比，提出的方法可以在系統(tǒng)模型未知下進(jìn)行故障診斷且算法復(fù)雜度為多項(xiàng)式，診斷精度更高，應(yīng)用范圍更加廣泛。

關(guān)鍵詞：離散事件系統(tǒng)； 故障診斷； 主動(dòng)學(xué)習(xí)； 抽象技術(shù)； 故障特征

中圖分類號(hào)：TP277文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1001－3695（2024）04－007－1008－07

doi：10.19734/j.issn.1001－3695.2023.08.0372

Fault diagnosis of discrete event systems with unknown models

Zhang Zhiheng， Wang Deguang

Abstract：Aiming at the problem that it is difficult to model DES（discrete event systems） for large－scale real systems and it is impossible to carry out effective fault diagnosis，this paper proposed a fault diagnosis method based on active learning.Firstly，the method added normal/fault labels to the acquired system event logs，divided the log set into a training set and a test set，and proposed an iterative algorithm based on abstraction technique to extract fault feature samples from the event logs in the training set.Then，it constructed the initial fault identifier from the fault feature samples，and checked the accuracy of identifier using the event logs in the test set.Simulation results show that the fault diagnosis algorithm enabled higher diagnosis accuracy under model unknown.Finally，examples illustrate the application of the fault diagnosis algorithm under system model unknown.Compared with the existing research，the proposed method can diagnose faults when the system model is unknown and the complexity of the algorithm is polynomial，which results in higher diagnostic accuracy and a wider range of applications.

Key words：discrete event systems； fault diagnosis； active learning； abstract technology； fault features

0 引言

隨著現(xiàn)代工業(yè)的迅速發(fā)展，生產(chǎn)規(guī)模不斷擴(kuò)大，設(shè)備的復(fù)雜性也日益提高，人們對(duì)系統(tǒng)的可靠性和安全性提出越來(lái)越嚴(yán)格的要求。故障不僅會(huì)影響系統(tǒng)的安全運(yùn)行，而且可能會(huì)造成無(wú)法挽回的生命與財(cái)產(chǎn)損失，甚至是嚴(yán)重的災(zāi)難性后果（如核泄漏、化工廠爆炸、生產(chǎn)停滯等）［1］。在邏輯層次上，系統(tǒng)的故障診斷更適合通過(guò)離散事件系統(tǒng)進(jìn)行建模和分析。離散事件系統(tǒng)故障診斷方法已廣泛應(yīng)用于對(duì)安全性要求較高的系統(tǒng)，如軌道交通系統(tǒng)［2］、飛機(jī)控制系統(tǒng)［3］、柔性制造系統(tǒng)［4］、半導(dǎo)體制造系統(tǒng)［5］等。

在離散事件系統(tǒng)領(lǐng)域，故障診斷問(wèn)題一直是研究熱點(diǎn)。自文獻(xiàn)［6～9］分別從不同的角度開(kāi)始研究離散事件系統(tǒng)的故障診斷問(wèn)題以來(lái)，已提出大量的針對(duì)不同故障場(chǎng)景的研究工作，包括已知系統(tǒng)精確模型下的故障診斷［10～19］和系統(tǒng)模型不完備下的故障診斷［20，21］。通常，根據(jù)對(duì)系統(tǒng)模型是否已知，故障診斷可分為基于精確模型的診斷和基于部分模型的診斷。

傳統(tǒng)的離散事件系統(tǒng)故障診斷方法大多依賴于系統(tǒng)的精確模型，許多學(xué)者對(duì)此做了大量的研究。Cassez等人［10］研究了動(dòng)態(tài)觀測(cè)下的診斷綜合問(wèn)題，用動(dòng)態(tài)觀測(cè)器控制傳感器的開(kāi)閉以得到目標(biāo)事件集，從而在給定延遲內(nèi)檢測(cè)出故障。文獻(xiàn)［11］提出了一種基于共探測(cè)性的分布式故障診斷算法，利用當(dāng)前狀態(tài)和后續(xù)狀態(tài)共同的觀測(cè)延遲位置來(lái)確定故障。由于現(xiàn)實(shí)中離散事件系統(tǒng)的行為是隨機(jī)的，文獻(xiàn)［12，13］對(duì)隨機(jī)離散事件系統(tǒng)的故障診斷和故障預(yù)測(cè)問(wèn)題進(jìn)行了研究。針對(duì)系統(tǒng)運(yùn)行產(chǎn)生的觀測(cè)數(shù)據(jù)冗余問(wèn)題，Christopher等人［14，15］提出關(guān)鍵觀測(cè)的概念，利用一組關(guān)鍵觀測(cè)值實(shí)現(xiàn)在線故障診斷，提高了故障診斷的效率。為了解決系統(tǒng)在確定觀測(cè)和不確定觀測(cè)下的可診斷性驗(yàn)證問(wèn)題，文獻(xiàn)［16～19］提出了具有多項(xiàng)式復(fù)雜度的驗(yàn)證算法和異步可診斷性驗(yàn)證算法。然而，要獲得大型復(fù)雜系統(tǒng)的精確模型是很困難的。對(duì)此，Kwong等人［20］研究了不完備模型下的診斷器設(shè)計(jì)問(wèn)題，并提供了診斷器學(xué)習(xí)缺失模型信息的條件。文獻(xiàn)［21］提出了一種基于粗糙集理論的不完備模型下的可診斷性驗(yàn)證方法，將粗糙集理論作為知識(shí)提取工具，對(duì)不完備模型進(jìn)行優(yōu)化以獲得修復(fù)模型。

在上述研究中，都假設(shè)系統(tǒng)的模型是完全已知或部分已知的。但最近的研究表明，為大型實(shí)際系統(tǒng)建立離散事件系統(tǒng)模型是非常費(fèi)力且耗時(shí)的。近期，模型未知離散事件系統(tǒng)的故障診斷以及可診斷性驗(yàn)證等問(wèn)題陸續(xù)得到研究［22～25］。文獻(xiàn)［22］提出了一種基于事件日志的故障診斷方法，利用事件日志構(gòu)造日志樹(shù)從而推斷出系統(tǒng)的故障特征，但算法復(fù)雜度為指數(shù)級(jí)且診斷精度低。 文獻(xiàn)［23］研究了關(guān)鍵觀測(cè)查找算法復(fù)雜度高的問(wèn)題，用關(guān)鍵樹(shù)表示關(guān)鍵觀測(cè)，提高了故障診斷效率，但診斷精度不足。Bates等人［24］提出了一種基于觀測(cè)表的故障診斷方法，將系統(tǒng)運(yùn)行軌跡構(gòu)造成觀測(cè)表，使得在有限觀測(cè)內(nèi)可以診斷出系統(tǒng)故障，但算法復(fù)雜度為指數(shù)級(jí)。Machado等人［25］提出了一種黑盒識(shí)別技術(shù)，通過(guò)觀測(cè)系統(tǒng)控制器的輸入和輸出信號(hào)來(lái)模擬系統(tǒng)的無(wú)故障行為從而構(gòu)造出診斷器，但算法復(fù)雜度為指數(shù)級(jí)且診斷精度低。綜上所述，現(xiàn)有研究工作主要存在以下兩方面問(wèn)題：a）大多數(shù)離散事件系統(tǒng)故障診斷方法均依賴系統(tǒng)精確模型或部分模型信息；b）當(dāng)系統(tǒng)模型未知時(shí)，已有的故障診斷算法復(fù)雜度高且診斷精度低。

針對(duì)當(dāng)前研究工作的不足，本文提出一種基于主動(dòng)學(xué)習(xí)的方法對(duì)模型未知的離散事件系統(tǒng)進(jìn)行故障診斷，并以消防無(wú)人機(jī)救援系統(tǒng)為例，說(shuō)明診斷算法的應(yīng)用。首先，利用抽象技術(shù)獲取訓(xùn)練集中事件日志的故障特征，用于構(gòu)造初始故障識(shí)別器。然后，利用測(cè)試集中的日志驗(yàn)證識(shí)別器的準(zhǔn)確性。在線診斷時(shí)，對(duì)待診斷序列進(jìn)行抽象并識(shí)別臨界觀測(cè)值所代表的故障特征，從而給出診斷結(jié)果。當(dāng)日志集趨于無(wú)窮大時(shí)，診斷器會(huì)不斷優(yōu)化直至達(dá)到與系統(tǒng)模型已知情況下相近的診斷效果。整個(gè)故障診斷過(guò)程如圖1所示。

1 預(yù)備知識(shí)

離散事件系統(tǒng)是一類狀態(tài)空間離散，并且通過(guò)事件驅(qū)動(dòng)狀態(tài)改變的動(dòng)態(tài)系統(tǒng)。本文中待診斷離散事件系統(tǒng)建模為非確定有限自動(dòng)機(jī)。對(duì)于非確定有限自動(dòng)機(jī)而言，從當(dāng)前狀態(tài)進(jìn)入下一個(gè)狀態(tài)時(shí)并不是確定的，其可能會(huì)允許進(jìn)入多個(gè)狀態(tài)。它是一個(gè)五元組即G=（Q，Σ，δ，q0，Qm），其中，Q是一個(gè)非空有限狀態(tài)集，Σ是一個(gè)非空有限事件集，δ：Q×Σ→2Q是狀態(tài)轉(zhuǎn)移函數(shù)，q0是系統(tǒng)的初始狀態(tài)，QmQ是標(biāo)記狀態(tài)集。字符串是由Σ中的事件構(gòu)成的序列。Σ表示所有的有限長(zhǎng)度的字符串和空字符串ε組成的一個(gè)集合。如果一個(gè)字符串s是由字符串s1和s2拼接而成的，即s=s1s2，則稱s1是s的一個(gè)前綴。用σ∈s表示字符串s中包含事件σ。狀態(tài)轉(zhuǎn)移函數(shù)δ可擴(kuò)展為δ：Q×Σ→Q。因標(biāo)記狀態(tài)與故障診斷無(wú)關(guān)，為了方便起見(jiàn)，本文采用四元組G=（Q，Σ，δ，q0）表示待診斷系統(tǒng)模型。事件觸發(fā)下的轉(zhuǎn)移序列p=（q1，σ1，q2，…，σn-1，qn）稱為路徑，其中（qi，σi，qi+1）∈δ（i∈［1，n-1］）。若q1=qn，則該路徑是有環(huán)的。路徑p中的事件序列ω=σ1σ2…σn稱為系統(tǒng)的軌跡。|ω|表示系統(tǒng)軌跡ω的長(zhǎng)度，即軌跡中事件的個(gè)數(shù)。系統(tǒng)的生成語(yǔ)言記為L(zhǎng)（G）={ω∈Σ|δ（q0，ω）！}，其中，“！”表示該狀態(tài)轉(zhuǎn)移函數(shù)是有定義的。

在實(shí)際問(wèn)題中，傳感器數(shù)量通常有限且成本高昂，導(dǎo)致事件部分可觀的情況發(fā)生。所以事件集Σ被劃分為可觀測(cè)事件集Σo和不可觀測(cè)事件集Σuo，即Σ=Σo∪Σuo。投影函數(shù)定義為P：Σ→Σo，滿足

在故障診斷問(wèn)題中，故障能用不可觀測(cè)事件表示（如傳感器偏移、開(kāi)關(guān)常開(kāi)常閉、水箱泄漏等）。所有的故障事件構(gòu)成的集合記為ΣfΣuo。假設(shè)系統(tǒng)有m種類型的故障，則故障事件集合可相應(yīng)劃分為不同類型故障事件集的不相交并集，Σf=Σf1∪Σf2∪…∪Σfm。定義正常標(biāo)簽為N和故障標(biāo)簽集合{F1，F(xiàn)2，…，F(xiàn)m}，其中，故障標(biāo)簽Fi（i∈［1，m］）與故障事件集Σfi相對(duì)應(yīng)。標(biāo)簽的定義依據(jù)是通過(guò)專家或者維修人員的專業(yè)知識(shí)進(jìn)行的數(shù)據(jù)標(biāo)注。就專業(yè)知識(shí)而言，所考慮的系統(tǒng)軌跡已經(jīng)由專家或維修人員對(duì)其進(jìn)行了分析，由人工篩選出導(dǎo)致系統(tǒng)運(yùn)行偏離其正?；蝾A(yù)期的行為。例如，一個(gè)單容水箱液位過(guò)程控制系統(tǒng)可能發(fā)生的故障類型有閥門(mén)損壞、水箱破損等。因此，當(dāng)系統(tǒng)運(yùn)行時(shí)閥門(mén)損壞所產(chǎn)生的系統(tǒng)軌跡被標(biāo)注為故障標(biāo)簽F1，水箱破損產(chǎn)生的系統(tǒng)軌跡標(biāo)注為F2。

本文僅考慮系統(tǒng)每次只發(fā)生一種類型的故障事件。實(shí)際上，對(duì)于系統(tǒng)同時(shí)發(fā)生多種類型故障的情況，可以將其定義為另一種新的故障類型。例如，當(dāng)系統(tǒng)同時(shí)發(fā)生了f1和f2兩種類型的故障時(shí)，可以將其定義為另一種新的故障類型f3。此時(shí)，相當(dāng)于系統(tǒng)僅發(fā)生了f3一種類型的故障，本文提出的方法仍然適用。

2 模型未知的離散事件系統(tǒng)故障診斷

本章引入了事件日志和臨界觀測(cè)的概念，給出一種基于抽象的方法提取事件日志特征以構(gòu)造臨界觀測(cè)集；提出了一種基于臨界觀測(cè)集的故障診斷信息映射構(gòu)造算法；此外，提出一種臨界觀測(cè)集更新算法提高診斷信息映射的診斷效果。

2.1 事件日志及抽象觀測(cè)

本節(jié)引入事件日志和抽象觀測(cè)的概念，并基于初始日志集構(gòu)造日志樹(shù)。事件日志［22］由一個(gè)二元組表示，記作l=（ωo，tag），其中，ωo是由系統(tǒng)軌跡ω投影后得到的可觀事件序列，tag是ω對(duì)應(yīng)的正常/故障標(biāo)簽。當(dāng)觀測(cè)到ωo且系統(tǒng)運(yùn)行正常時(shí)，標(biāo)簽tag為N。當(dāng)觀測(cè)到ωo且系統(tǒng)發(fā)生Fi類型的故障事件時(shí)，標(biāo)簽tag為Fi。

3 例子仿真與結(jié)果分析

本章給出一個(gè)應(yīng)用實(shí)例說(shuō)明模型未知情況下離散事件系統(tǒng)的故障診斷。

例3 消防無(wú)人機(jī)救援系統(tǒng)通過(guò)配備高清攝像儀、紅外熱像儀、氣體分析儀等先進(jìn)設(shè)備，可以實(shí)時(shí)傳輸火場(chǎng)內(nèi)部的關(guān)鍵信息和被困人員的位置信息，有利于在發(fā)生火災(zāi)時(shí)對(duì)被困人員進(jìn)行快速救援，如圖4所示。

首先，無(wú)人機(jī)對(duì)火災(zāi)現(xiàn)場(chǎng)進(jìn)行偵查，搜尋需要救援的目標(biāo)。然后，給需要救援的人員運(yùn)送如防毒面具、逃生降落傘等救援物資。其次，對(duì)災(zāi)情現(xiàn)場(chǎng)進(jìn)行拍攝以便收集現(xiàn)場(chǎng)的信息。此外，對(duì)災(zāi)情現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)監(jiān)控以便消防員進(jìn)行指揮調(diào)度。最后，無(wú)人機(jī)在救援任務(wù)結(jié)束時(shí)返回機(jī)庫(kù)。然而，無(wú)人機(jī)在執(zhí)行救援任務(wù)時(shí)可能會(huì)發(fā)生以下故障：a）無(wú)人機(jī)的通信鏈路可能會(huì)丟失，當(dāng)通信鏈路丟失時(shí)，它會(huì)繼續(xù)四處搜索以盡可能地保證再次連接；b）無(wú)人機(jī)在執(zhí)行任務(wù)中可能發(fā)生燃油泄漏，當(dāng)無(wú)人機(jī)燃油泄漏時(shí)，它將迅速返回機(jī)庫(kù)以保證系統(tǒng)安全。圖4中消防無(wú)人機(jī)救援系統(tǒng)的自動(dòng)機(jī)模型如圖5所示，可觀測(cè)事件集Σo={a，b，c，d，e}，不可觀測(cè)事件集Σuo=Σf={f1}∪{f2}。消防無(wú)人機(jī)救援系統(tǒng)運(yùn)行時(shí)發(fā)生的事件導(dǎo)致系統(tǒng)在狀態(tài)空間Q={1，2，3，4，5，6，7，8}上從一種狀態(tài)轉(zhuǎn)換到另一種狀態(tài)，初始狀態(tài)為q0=1，轉(zhuǎn)換過(guò)程用圖5中的標(biāo)記箭頭表示。消防無(wú)人機(jī)救援系統(tǒng)的事件及其含義如表1所示。

現(xiàn)在假設(shè)圖4中消防無(wú)人機(jī)救援系統(tǒng)的自動(dòng)機(jī)模型G是未知的，本文利用算法1構(gòu)造自動(dòng)機(jī)G的診斷器。首先，圖5中的自動(dòng)機(jī)模型G運(yùn)行時(shí)會(huì)產(chǎn)生大量的事件日志，給定系統(tǒng)生成的日志集

3.3 實(shí)驗(yàn)仿真與分析

本節(jié)進(jìn)行實(shí)驗(yàn)仿真，用于表明本文提出的臨界觀測(cè)方法的有效性。實(shí)驗(yàn)中采用的運(yùn)行日志是由圖5所示的系統(tǒng)產(chǎn)生的系統(tǒng)軌跡，其物理意義為系統(tǒng)在運(yùn)行過(guò)程中發(fā)生的控制指令和傳感器的反饋信號(hào)構(gòu)成的事件序列。

本文方法的診斷精度和算法復(fù)雜度僅與日志集大小|

Euclid Math OneLAp |、可觀序列的最大長(zhǎng)度|ωomax|、事件集大小|Σ|和故障事件集大小|Σf|有關(guān)。因此，在第一個(gè)仿真實(shí)驗(yàn)中對(duì)這幾個(gè)變量取不同的值驗(yàn)證各個(gè)因素對(duì)診斷精度的影響。然后，通過(guò)第二個(gè)仿真實(shí)驗(yàn)從算法復(fù)雜度和診斷精度兩方面與文獻(xiàn)［22～25］的方法進(jìn)行對(duì)比。

3.3.1 不同參數(shù)對(duì)診斷精度影響的仿真實(shí)驗(yàn)

該實(shí)驗(yàn)通過(guò)改變某一參數(shù)的值得到其他參數(shù)不變時(shí)該參數(shù)的變化對(duì)診斷精度的影響，下面分別改變某一參數(shù)研究其對(duì)診斷的影響。

通過(guò)對(duì)以上四個(gè)參數(shù)進(jìn)行調(diào)整，得出每個(gè)影響因素對(duì)診斷精度的影響結(jié)果如圖7所示。

圖7表明了各個(gè)影響因素對(duì)診斷精度的影響結(jié)果。圖7（a）表明隨著事件集中的事件數(shù)量增加，對(duì)系統(tǒng)的故障診斷精度在逐漸降低。因?yàn)閨Σ|的增大會(huì)使得與故障無(wú)關(guān)的觀測(cè)序列增多，從而增加故障診斷的復(fù)雜度。圖7（b）表明隨著|Σf|的增加診斷精度降低，因?yàn)楣收夏Ｊ降臄?shù)量隨著|Σf|的增加呈指數(shù)增長(zhǎng)。假設(shè)|Σf|=m，則系統(tǒng)有2m種運(yùn)行模式，其中包括了2m-1種故障模式和1種非故障模式。因此，隨著|Σf|的增加，系統(tǒng)的故障模式會(huì)越來(lái)越多，診斷難度增大。圖7（c）表明隨著|Euclid Math OneLAp|的增加，診斷精度逐漸升高。當(dāng)與故障相關(guān)的日志足夠多時(shí)，診斷精度已經(jīng)接近峰值，這時(shí)隨著|Euclid Math OneLAp|的繼續(xù)增加，診斷精度并不會(huì)持續(xù)上升。圖7（d）說(shuō)明較長(zhǎng)的可觀測(cè)序列|ωo|比較短的可觀測(cè)序列有更多有價(jià)值的信息。因?yàn)閨ωomax|越大，其包含的與故障相關(guān)的有效信息就越多，從而會(huì)提高對(duì)系統(tǒng)的診斷精度。

3.3.2 方法對(duì)比仿真實(shí)驗(yàn)

該實(shí)驗(yàn)通過(guò)分別對(duì)事件集大小|Σ|、故障事件集大小|Σf|、日志集大小|Euclid Math OneLAp|以及可觀序列的最大長(zhǎng)度|ωomax|取不同的值，得出在相同取值情況下本文方法與文獻(xiàn)［22～25］方法的對(duì)比結(jié)果。仿真實(shí)驗(yàn)的參數(shù)取值如表2所示。

圖8顯示了將本文方法與文獻(xiàn)［22～25］的方法從空間和時(shí)間消耗以及診斷精度三個(gè)方面進(jìn)行對(duì)比的仿真結(jié)果。在圖8（a）中，本文利用算法運(yùn)行時(shí)產(chǎn)生的子觀測(cè)數(shù)量表示算法占用的空間大小。由圖8（a）（b）可得：文獻(xiàn)［22，24，25］算法的空間和時(shí)間復(fù)雜度遠(yuǎn)大于文獻(xiàn)［23］和本文算法，而本文算法復(fù)雜度又略低于文獻(xiàn)［23］算法。如圖8（c）所示，與文獻(xiàn)［22～25］方法的診斷精度相比，本文方法的診斷精度最高。

現(xiàn)將本文與文獻(xiàn)［22～25］的故障診斷方法進(jìn)行對(duì)比，以故障診斷方法所適用的場(chǎng)景為出發(fā)點(diǎn)，分別從是否對(duì)日志集進(jìn)行劃分、算法的復(fù)雜度以及對(duì)系統(tǒng)的故障診斷精度等維度進(jìn)行分析，對(duì)比結(jié)果如表3所示（其中診斷精度為圖8（c）中七組數(shù)據(jù)的平均值）。

根據(jù)表3可知，本文將日志集劃分為故障特征樣本集和故障特征測(cè)試集，利用樣本集構(gòu)造的故障識(shí)別器在測(cè)試集中進(jìn)行診斷測(cè)試以提高診斷精度。其次，本文與文獻(xiàn)［22～25］的方法雖然都是在系統(tǒng)模型未知的情況下進(jìn)行故障診斷，但本文方法算法復(fù)雜度低、診斷精度高。與文獻(xiàn)［22～25］中生成子觀測(cè)的方法不同，本文利用抽象軟化操作將每一個(gè)硬事件擴(kuò)展到可觀事件集中來(lái)執(zhí)行該任務(wù)，可以避免在計(jì)算臨界觀測(cè)過(guò)程中產(chǎn)生大量無(wú)用的子觀測(cè)。這也是本文方法在效率和精度上優(yōu)于文獻(xiàn)［22～25］的主要原因。

需要說(shuō)明的是，由圖8中的實(shí)驗(yàn)對(duì)比結(jié)果可知，本文提出的故障診斷算法的復(fù)雜度雖然是多項(xiàng)式級(jí)的，且診斷精度得到了提升，但仍然有進(jìn)一步優(yōu)化的空間。此外，算法在初始化時(shí)預(yù)先篩除沖突日志，可能會(huì)使得故障診斷精度達(dá)到一定水平時(shí)無(wú)法得到顯著提高。后續(xù)，筆者將繼續(xù)深入研究解決這一問(wèn)題，使得故障診斷精度得到進(jìn)一步提升。

4 結(jié)束語(yǔ)

本文提出了一種基于主動(dòng)學(xué)習(xí)的模型未知離散事件系統(tǒng)的故障診斷方法。通過(guò)提出的對(duì)系統(tǒng)產(chǎn)生的事件日志進(jìn)行抽象的方法實(shí)現(xiàn)了對(duì)故障特征的準(zhǔn)確提取和識(shí)別。與現(xiàn)有的基于模型的方法相比，本文方法具有更廣泛的適用性；與模型未知的方法相比，本文方法診斷精度更高，算法復(fù)雜度更低。它不僅可用于簡(jiǎn)單的系統(tǒng)，而且對(duì)于難以建模的復(fù)雜系統(tǒng)也非常適用。在此研究基礎(chǔ)上，未來(lái)的研究方向之一是將本文方法用于分布式模型未知離散事件系統(tǒng)的故障診斷研究。

參考文獻(xiàn)：

［1］Cassandras C G，Lafortune S.Introduction to discrete event systems［M］.2nd ed.New York：Springer，2008：35－48.

［2］劉二林，彭瑋，陳麗涵.一種基于Petri網(wǎng)和SDG的車(chē)門(mén)系統(tǒng)故障診斷方法［J］.城市軌道交通研究，2020， 23 （12）：33－40. （Liu Erlin，Peng Wei，Chen Lihan.A fault diagnosis method for door system based on Petri net and SDG［J］. Urban Mass Transit ，2020， 23 （12）：33－40.）

［3］馬立群，孫曉哲，楊士斌，等.民用飛機(jī)飛控系統(tǒng)傳感器故障診斷研究綜述［J］.電光與控制，2022， 29 （1）：56－60. （Ma Liqun，Sun Xiaozhe，Yang Shibin，et al.Review on sensor fault diagnosis of civil aircraft flight control system［J］. Electronics Optics amp; Control ，2022， 29 （1）：56－60.）

［4］張治國(guó)，劉久富，鄭銳.柔性制造系統(tǒng)的部分可觀時(shí)間Petri網(wǎng)故障診斷［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2018， 28 （10）：83－87，134. （Zhang Zhiguo，Liu Jiufu，Zheng Rui.Fault diagnosis of flexible manufacturing system using partially observed time Petri nets［J］. Computer Technology and Development ，2018， 28 （10）：83－87，134.）

［5］侯文艷，葉劍虹，王佳瑤.基于半導(dǎo)體制造生產(chǎn)線的多故障診斷［C］//中國(guó)自動(dòng)化大會(huì)論文集.2021：414－419. （Hou Wenyan，Ye Jianhong，Wang Jiayao.Research on fault identification based on chip manufacturing in semiconductor industry［C］//Proc of China Automation Congress.2021：414－419.）

［6］Lin Feng.Diagnosability of discrete event systems and its applications［J］. Discrete Event Dynamic Systems：Theory and Applications ，1994， 4 （1）：197－212.

［7］Sampath M，Sengupta R，Lafortune S，et al.Diagnosability of discrete－event systems［J］. IEEE Trans on Automatic Control ，1995， 9 （40）：1555－1575.

［8］Sampath M，Sengupta R，Lafortune S，et al.Failure diagnosis using discrete－event models［J］. IEEE Trans on Control Systems Technology ，2002， 4 （2）：105－124.

［9］郭晨，張麗，冷明.系統(tǒng)級(jí)故障診斷中可診斷性的研究與發(fā)展［J］.計(jì)算機(jī)應(yīng)用研究，2018， 35 （2）：327－332. （Guo Chen，Zhang Li，Leng Ming.Study and development of diagnosable in system level diagnosis［J］. Application Research of Computers ，2018， 35 （2）：327－332.）

［10］Cassez F，Tripakis S.Fault diagnosis with dynamic diagnosers［J］. Fault Detection Supervision amp; Safety of Technical Processes ，2008， 88 （6）：212－217.

［11］Zhang Kuize.A unified method to decentralized state detection and fault diagnosis/prediction of discrete－event systems［J］. Fundamenta Informaticae ，202 181 （4）：339－371.

［12］黃楠，劉富春，趙銳，等.基于動(dòng)態(tài)觀測(cè)的隨機(jī)離散事件系統(tǒng)故障診斷［J］.控制與決策，2022， 37 （2）：417－423. （Huang Nan，Liu Fuchun，Zhao Rui，et al.Failure diagnosis of stochastic discrete event systems based on dynamic observations［J］. Control and Decision ，2022， 37 （2）：417－423.）

［13］廖輝，劉富春.觀測(cè)永久丟失下隨機(jī)離散事件系統(tǒng)故障預(yù)測(cè)的驗(yàn)證算法［J］.計(jì)算機(jī)應(yīng)用研究，2022， 39 （1）：106－112. （Liao Hui，Liu Fuchun.Verification algorithm for fault prediction of stochastic discrete－event systems under permanent loss of observations［J］. Application Research of Computers ，2022， 39 （1）：106－112.）

［14］Christopher C J，Cordier M O，Grastien A.Critical observation in a diagnostic problem［C］//Proc of the 53rd IEEE Annual Conference on Decision and Control.Piscataway，NJ：IEEE Press，2014：382－387.

［15］Christopher C J，Grastien A.Formulating event－based critical observations in diagnostic problems［C］//Proc of the 54th IEEE Conference on Decision and Control.Piscataway，NJ：IEEE Press，2015：4462－4467.

［16］Jiang Shengbing，Huang Zhongdong，Chandra V，et al.A polynomial algorithm for testing diagnosability of discrete－event systems［J］. IEEE Trans on Automatic Control ，200 46 （8）：1318－1321.

［17］Wang Deguang，Wang Xi，Li Zhiwu.State－based fault diagnosis ofdiscrete－event systems with partially observable outputs［J］. Information Sciences ， 2020， 529 ：87－100.

［18］譚健欣，劉富春.基于不確定觀測(cè)下離散事件系統(tǒng)可診斷性的研究［J］.計(jì)算機(jī)應(yīng)用研究，2023， 40 （1）：223－228. （Tan Jianxin，Liu Fuchun.Research on diagnosability of discrete event systems based on nondeterministic observations［J］. Application Research of Computers ，2023， 40 （1）：223－228.）

［19］文習(xí)明，余泉，常亮，等.不確定觀測(cè)下離散事件系統(tǒng)的可診斷性［J］.軟件學(xué)報(bào)，2017， 28 （5）：1091－1106. （Wen Ximing，Yu Quan，Chang Liang，et al.Diagnosability of discrete－event systems with uncertain observations［J］. Journal of Software ，2017， 28 （5）：1091－1106.）

［20］Kwong R H，Yonge－Mallo D L.Fault diagnosis in discrete－event systems with incomplete models：learnability and diagnosability［J］. IEEE Trans on Cybernetics ，2015， 45 （7）：1236－1249.

［21］Geng Xuena，Ouyang Dantong，Zhang Yonggang.Model－based diagnosis of incomplete discrete－event system with rough set theory［J］. Science China Information Sciences ，2017， 60 （1）：012205.

［22］Christopher C J，Pencolé Y，Grastien A.Inference of fault signatures of discrete－event systems from event logs［C］//Proc of the 28th International Workshop on Principles of Diagnosis.2018：219－233.

［23］Jiang Cheng，Deng Weilin，Qiu Daowen.Fault diagnosis in unknown discrete event systems via critical tree［C］//Proc of the 31st Chinese Control and Decision Conference.Piscataway，NJ：IEEE Press，2019：1846－1851.

［24］Bates I W，Karimoddini A，Karimadini M.A learning－based approach for diagnosis and diagnosability of unknown discrete event systems［J/OL］. IEEE Trans on Neural Networks and Learning Systems .（2022－09－29）［2023－03－15］.http：//doi.org/10.1109/TNNLS.2022.3204557.

［25］Machado T H D C，Viana G S，Moreira M V.Event－based automaton model for identification of discrete－event systems for fault detection［J］. Control Engineering Practice ，2023， 134 ：105474.

收稿日期：2023－08－24；修回日期：2023－10－11 基金項(xiàng)目：貴州省教育廳青年科技人才成長(zhǎng)資助項(xiàng)目（黔教合KY字［2022］138號(hào)）；貴州省省級(jí)科技計(jì)劃資助項(xiàng)目（黔科合基礎(chǔ)－ZK［2022］一般103）；貴州省教育廳創(chuàng)新群體資助項(xiàng)目（黔科合支撐［2021］012）

作者簡(jiǎn)介：張志恒（1996—），男，安徽阜陽(yáng)人，碩士研究生，CCF會(huì)員，主要研究方向?yàn)殡x散事件系統(tǒng)故障診斷、可診斷性驗(yàn)證；王德光（1991—），男（通信作者），山西侯馬人，副教授，碩導(dǎo)，博士，主要研究方向?yàn)殡x散事件系統(tǒng)故障診斷、復(fù)雜系統(tǒng)建模與分析以及機(jī)器人路徑規(guī)劃（wdeguang1991@163.com）．