一个进行多故障诊断的有效方法
探索常见的系统故障诊断方法
探索常见的系统故障诊断方法常见的系统故障诊断方法包括故障排除法、分层逐步退化法、故障重现法、经验法和工具法等。
每种方法都有其特定的应用场景和优势，可以根据具体情况选择适合的方法进行故障诊断。
故障排除法是最为常见和基础的系统故障诊断方法。
它的原理是通过逐个排除系统中可能存在的问题，从而找到故障的原因。
在实施故障排除法时，可以先对系统的硬件和软件进行逐个检查，查看是否有异常情况出现。
如果有异常，则进一步检查并修复异常的部分，直至找到故障的原因和解决方案。
分层逐步退化法是一种系统故障定位方法。
它的核心思想是将系统划分为多个层次或组件，并通过逐步退化每个层次或组件来确定故障所在的位置。
在实施分层逐步退化法时，可以通过逐个禁用或替换系统的层次或组件来判断故障所在的位置。
通过逐步退化，可以缩小故障范围，并最终找到故障的具体位置。
故障重现法是一种通过重现故障来定位问题的方法。
它的步骤是首先确定故障出现的条件和环境，然后在类似的条件和环境下尝试重现故障。
通过重现故障，可以观察系统的行为并记录相关的日志和数据，从而找到故障的原因和解决方案。
经验法是一种依赖于经验和直觉进行故障诊断的方法。
它基于从以往的故障经验中积累的知识和经验，在没有明确的故障迹象或证据的情况下对系统进行分析和判断。
经验法在快速诊断故障或初步确定故障范围时非常有效，但在对复杂系统进行深入诊断时往往需要结合其他方法使用。
工具法是通过使用特定的工具来辅助故障诊断的方法。
这些工具包括性能监控工具、日志分析工具、故障模拟工具等。
通过使用这些工具，可以收集系统的性能数据、日志信息和故障模拟结果，在问题定位和解决方案推断过程中提供有力的支持。
综上所述，常见的系统故障诊断方法包括故障排除法、分层逐步退化法、故障重现法、经验法和工具法。
这些方法互为补充，在不同的故障场景和需求下可以选择合适的方法进行故障诊断。
在实际工作中，可以根据故障的特征和条件，结合多种方法进行综合诊断，以提高故障诊断的准确性和效率。
机器学习中的异常检测与故障诊断方法(七)
机器学习中的异常检测与故障诊断方法在当今信息时代，大量的数据被生成和积累，这些数据包含了各种各样的信息和模式。
而对这些数据进行分析和利用，已经成为了各行各业的重要任务。
在工业生产和设备运行中，异常检测和故障诊断尤为重要。
机器学习技术在这个领域发挥了重要作用，其应用范围广泛，包括但不限于生产制造、汽车行业、能源领域等。
本文将探讨机器学习中的异常检测与故障诊断方法，介绍其中的几种常见方法和技术。
一、异常检测方法异常检测是指在数据中寻找不符合正常模式的数据点或者模式。
在机器学习中，异常检测是一个重要的研究领域，其应用包括金融风控、网络安全、工业生产等。
常见的异常检测方法包括基于统计的方法、基于聚类的方法、基于神经网络的方法等。
基于统计的方法是一种常见的异常检测方法，其思想是利用数据的统计特性来判断是否为异常。
例如，均值和方差是常用的统计特征，可以通过设定阈值来判断数据点是否为异常。
另一种方法是基于聚类的方法，通过对数据进行聚类分析，来判断某个数据点是否属于异常簇。
神经网络方法则是利用神经网络来学习数据中的模式，从而判断出现异常的情况。
二、故障诊断方法故障诊断是指在设备或者系统出现故障时，通过分析数据和监测信号来确定故障的原因和位置。
在工业生产中，故障诊断是非常重要的，可以帮助企业减少生产停机时间和维修成本。
机器学习方法在故障诊断中也发挥了重要作用，其应用包括但不限于设备健康监测、故障诊断、智能维护等。
故障诊断方法包括基于模型的方法、基于数据驱动的方法、基于深度学习的方法等。
基于模型的方法是指通过建立物理模型或者数学模型，来描述设备或者系统的运行特性，并通过比对模型和实际数据来诊断故障。
基于数据驱动的方法则是直接利用历史数据来进行故障诊断，例如利用监测信号和传感器数据来判断设备是否发生故障。
深度学习方法则是利用深度神经网络来学习大量数据，从而实现更加精准的故障诊断和预测。
三、结合异常检测与故障诊断在实际应用中，异常检测与故障诊断往往是密切相关的。
故障树分析法在船舶柴油机故障诊断中的应用研究
故障树分析法在船舶柴油机故障诊断中的应用研究故障树分析法是一种能够对较为复杂的系统进行故障预防和检测的方法，这种方法是目前非常有效，也是最常用的故障诊断方法。
如何将故障树分析法用于船舶柴油机故障的诊断和维修，对于故障树分析法在设备运行中的实际应用具有重要意义。
本文以船舶柴油机为例，通过对故障树分析法在船舶柴油机故障诊断中的应用研究，主要探讨和分析故障树分析法排除故障的实际操作特点，从而为现实中出现的故障问题提出更好的解决措施及管理方案，才能确保设备的有效运转。
标签：故障树分析法;船舶柴油机;故障诊断采用故障树分析法来对设备的故障进行检修是进行大型杂系统产生故障时必不可少的故障排除方法，对设备系统的长远使用寿命和维修而言有着起着很大的作用。
故障树分析方法可以显著提高故障检测效率，在这一方法的帮助下可以迅速找到故障原因，从而解决问题。
虽然在现如今故障树分析法通常用于检测大型设备故障，但在操作过程中仍然需要不断完善，在实际操作的过程中仍然存在着一些不足之处，还是有很大的需要改进的空间。
因此，研究故障树分析法在船舶柴油机故障诊断中的应用，对于寻找更多有效可行的故障树搜索策略具有积极意义，同时，也会对解决同类型的设备故障提供更多的参考价值。
1、船舶柴油机故障问题的产生船舶柴油机是一种复杂而重要的船舶机械动力设备。
根据船用船舶柴油机的运行特性，可以得出结论，船用柴油机的故障是由其部件中的问题引起的。
船舶柴油机某个部件发生了问题，会导致影响整个船舶柴油机的正常运转。
在这个思路下继续思考，会发现故障应该是由一个或者多个次组件的失效引起的，采用故障树分析法可以方便查找到故障原因，可以采用树状图的表示方法进行船舶柴油机的故障检测，故障部件的故障排除，进行部件的精确定位以及使用识别技术来解决问题，这就是故障树分析法在船舶柴油机故障诊断上的应用。
2、故障树分析法在船舶柴油机故障诊断中的具体应用方法2.1 故障树的构建步骤故障树的构建是分为以下几个步骤：首先，要对相关的技术性文件进行整理、归纳，从中寻找到适合本装备的故障处理方法，通过对资料的分析广泛寻找相关实例，总结故障原因;其次，要明确设备发生故障的事件，确定系统不希望发生的故障事件，也就是项事件;第三点，要规范的寻找到系统的边界条件;第四点，构建故障树[1]。
通信技术中的通信异常排查故障诊断方法
通信技术中的通信异常排查故障诊断方法在通信技术领域，通信异常的排查故障诊断方法是提高通信系统稳定性和可靠性的关键之一。
通过有效的排查故障诊断方法，可以及时发现和解决通信异常问题，保障通信系统的正常运行。
本文将介绍几种常见的通信异常排查故障诊断方法，以供参考。
针对通信异常问题，我们可以采用分层分析的方法进行故障排查和诊断。
通信系统一般包括物理层、数据链路层、网络层、传输层和应用层等多个层次。
当出现通信异常时，我们可以从底层开始逐层排查，逐步缩小故障范围。
通过分析各个层次的日志、报文和参数配置，可以确定异常发生的位置和原因，为后续的故障修复提供依据。
对于通信异常问题，我们可以运用测试工具进行故障模拟和重现。
通过使用网络分析仪、协议分析器等测试工具，我们可以捕获和分析通信过程中的各种信令和数据包。
在真实网络环境中，我们可以模拟故障场景，使通信异常问题得以重现，进一步分析异常发生的原因和规律。
同时，测试工具还可以提供实时统计和监控功能，帮助我们实时了解网络状态和通信质量，及时发现潜在的异常问题。
对于通信异常问题，我们可以采用日志分析的方法进行故障诊断。
通信设备和系统都会产生大量的日志记录，这些日志记录了设备和系统的运行状态、异常事件和错误信息等。
通过分析这些日志，我们可以了解到故障发生的时间、地点和原因。
通过对日志信息的综合分析，可以找到通信异常的根本原因，从而采取相应的措施进行修复和改进。
结合实际情况，我们还可以采用对比分析和故障模式识别的方法进行通信异常的排查和诊断。
通过对不同时段、不同地区或不同设备的通信数据进行对比分析，可以发现异常现象和模式。
同时，通过建立故障模式数据库和智能诊断系统，可以实现对通信异常问题的自动诊断和快速定位，提高排查故障的效率和准确性。
我们还需注重通信异常问题的预防和优化。
通过合理规划和设计通信系统，加强设备和系统的监控和管理，及时进行性能调优和故障处理，可以有效减少通信异常的发生概率。
计算机系统故障分类及诊断方法
计算机系统故障分类及诊断方法计算机系统故障属于计算机常见故障类型，一旦产生将危害计算机运行和正常工作，因此有必要进行针对性研究，探索常见故障的解决方法，并对系统故障进行分类，研究各类故障的最有效诊断方法。
本文通过介绍计算机系统故障具体分类以及故障诊断方式，探究计算机系统故障的解决途径。
标签：计算机系统故障分类诊断分析一、前言随着网络技术的不断发展，信息传输量的不断加大，计算机系统的故障也越来越多，故障的出现同时给人们带来了许多麻烦，既然故障出现是难免的发生的问题，那我们要想法知道故障的来由，怎样去排除？这就需要我们分析。
造成计算机系统功能失常的错误，包括硬件的物理性损坏和软件的程序性破坏都称之为计算机故障。
计算机系统故障的影响范围广，危害后果不可知，小到只是局部运转不正常，大到整个计算机瘫痪或硬件损毁。
因此，计算机系统故障的研究对计算机行业发展具有深远的意义。
二、计算机系统故障分类1.硬件系统故障计算机系统的硬件故障是指计算机中的硬件设备，包括元件、外接设备、主机等部分的损坏引起的系统运行故障。
硬件系统故障主要分为机械故障、介质故障、元器件故障和人为故障。
1.1机械故障机械故障指的是在外接设备中，出现故障导致系统外置的某些特定功能无法正常使用的现象，常见的有驱动器故障、打印机故障等，排除手段也比较简易。
1.2介质故障介质指的是计算机用于数据存储和交换的介质——硬盘（软盘或移动盘）产生了故障，一般为硬盘长时间工作或主机的不合理震荡，导致了硬盘产生坏道或磁道划伤，使得内部存储数据出现混乱或遗漏，严重的甚至整体数据丢失。
1.3元器件故障元器件指的是电脑主板和连接位置的电路搭配元件，如二极管、三极管、放大器或电容等，每一个电子元件都有特定的系统功能，因此如果元器件产生故障，会导致其负责的以及与之相关的系统功能失效，甚至影响到整体的运行效果，如集成电路逻辑功能失效造成计算机功能错误；接插件因接触不良使设备无法工作等。
如何使用机器学习技术进行异常检测和故障诊断的方法
如何使用机器学习技术进行异常检测和故障诊断的方法使用机器学习技术进行异常检测和故障诊断的方法引言：随着大数据和物联网的快速发展，各行各业都面临着大规模数据的处理和管理需求。
在这个过程中，出现异常和故障现象已经成为不可避免的问题。
因此，研究如何使用机器学习技术进行异常检测和故障诊断变得尤为重要。
本文将介绍几种常见的方法来利用机器学习技术进行异常检测和故障诊断。
一、异常检测方法1. 传统统计方法传统的异常检测方法主要基于统计学原理，包括均值、标准差、中位数等。
通过构建一个基准模型来比较新数据与基准模型的差异，并将差异程度超过一定阈值的数据标记为异常。
2. 基于规则的方法基于规则的异常检测方法通过事先定义一系列规则来判断数据是否异常。
这些规则可以是基于专家知识的，也可以是根据业务规则得到的。
例如，根据温度超过某个阈值或传感器读数突然超过上限等。
3. 机器学习方法机器学习方法通过使用已有数据的特征来训练模型，从而能够从新数据中找出异常。
常用的机器学习方法包括：(1) 无监督学习方法：包括聚类算法、离群点检测算法等。
聚类算法可以将相似的数据归为一类，从而发现异常点。
离群点检测算法则通过计算数据点与其他数据点的距离来找出离群点。
(2) 监督学习方法：通过已有标记的数据来训练分类器或回归模型，再用来预测新数据。
在异常检测中，将异常数据作为正样本，正常数据作为负样本进行训练，从而得到一个分类模型。
然后使用该模型来预测新数据的异常程度。
二、故障诊断方法1. 基于知识的方法基于知识的故障诊断方法依靠专家知识和规则来判断故障原因。
这些知识是提前通过人工经验或领域知识总结出来的，并且通常以规则或决策树的形式表达。
通过对待检测系统的状态进行监测和比对，提取出与已知故障模式匹配的特征，然后根据匹配情况判断故障种类。
2. 机器学习方法机器学习方法可以从大量的历史数据中学习到不同故障模式之间的关联规律。
主要有以下几种方法：(1) 基于特征选择的方法：根据领域知识选取与故障相关的特征，再利用这些特征训练分类模型来识别故障原因。
如何进行故障诊断与维修
如何进行故障诊断与维修生产职业中的故障诊断与维修是一个至关重要的环节。
无论是传统制造业还是现代工业，设备故障都可能导致生产中断和损失。
因此，作为一名优秀的职场规划师，我们应该掌握一些有效的方法和技巧，以应对生产中的故障诊断与维修。
首先，故障诊断是解决问题的第一步。
在面对设备故障时，我们需要准确地确定故障原因。
这需要我们具备扎实的专业知识和经验。
了解设备的工作原理、结构和常见故障模式是非常重要的。
此外，我们还可以借助现代技术手段，如传感器、监控系统等，实时监测设备运行状态，及时发现潜在故障。
通过综合运用理论知识和实践经验，我们可以快速、准确地诊断故障原因。
其次，维修是解决故障的关键环节。
一旦确定了故障原因，我们需要采取相应的维修措施。
在进行维修时，我们应该根据故障的性质和程度，选择合适的维修方法。
有些故障可以通过简单的操作或调整来解决，而有些故障则需要更复杂的维修操作，甚至需要更换部件。
因此，我们需要具备一定的技术和操作能力，以应对不同类型的故障。
此外，维修过程中的安全性也是非常重要的。
我们应该遵守相关的安全规范，确保自身和他人的安全。
此外，故障诊断与维修还需要一定的团队协作能力。
在生产现场，往往需要多个人员共同合作，共同解决故障。
因此，我们需要具备良好的沟通和协调能力，与其他团队成员进行有效的合作。
在解决故障时，我们应该及时与相关人员沟通，共享信息和经验，以便更好地解决问题。
此外，我们还可以通过团队学习和培训，提高自身的综合素质和能力。
总之，故障诊断与维修是生产职业中不可或缺的一环。
作为一名优秀的职场规划师，我们应该不断学习和提升自己的专业知识和技能，以应对各种故障。
同时，我们还应该注重团队协作和沟通能力的培养，与其他团队成员共同解决问题。
通过不断的努力和实践，我们可以成为一名优秀的故障诊断与维修专家，为生产的稳定运行和发展做出贡献。
设备异常处理流程中的故障检测与诊断
设备异常处理流程中的故障检测与诊断设备异常是在使用过程中经常会遇到的问题，它可能导致设备的性能下降、功能受限甚至完全无法正常工作。
为了保障设备的正常运行和维护工作的顺利进行，我们需要建立一套科学有效的故障检测与诊断流程。
一、故障检测故障检测是在设备异常发生时，通过一系列的方法去确认是否存在故障，并迅速定位到具体的故障位置。
以下是常用的故障检测方法：1. 观察和记录异常现象：在设备发生异常时，及时观察和记录异常的性质、时机、持续时间等信息。
这些信息可以帮助我们更准确地判断问题所在。
2. 确认设备和系统的配置：检查设备和系统的配置是否满足使用要求，比如确认设备是否连接正确、设置是否符合规范等。
配置不当可能导致设备异常。
3. 进行外部检查：检查设备周围的环境是否有异常因素，如杂质、灰尘、高温等。
这些外部因素可能导致设备异常。
4. 运行自检程序：许多设备都配备了自检程序，可以通过运行自检程序来检测设备是否存在硬件故障。
自检程序通常会输出错误码或故障信息，帮助我们进一步确定故障位置。
5. 使用诊断工具：一些设备会提供专门的诊断工具，通过连接设备并运行诊断工具，可以深入分析设备内部的状态，并提供详细的故障诊断报告。
二、故障诊断故障诊断是在确定设备存在故障后，进一步对故障原因进行分析和判断，以确定解决方法。
以下是常用的故障诊断方法：1. 根据故障信息进行分析：根据之前记录的异常现象和错误码，结合设备使用情况和具体场景，对故障进行推理分析，找出可能的原因。
2. 分析设备的内部结构和工作原理：了解设备的结构和原理，对可能出现的故障因素进行排查。
比如，电路板上的元件是否损坏，连接器是否松动等。
3. 利用诊断工具进行深度分析：通过运行诊断工具，深入分析设备内部各个模块的工作状态，对比正常状态，找出异常模块或元件。
4. 运用专业知识和经验：根据设备的特性和经验，结合诊断工具的结果和自身的专业知识，分析可能出现的故障原因，并提出解决方案。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
嘉兴学院南湖学院毕业设计（论文）外文翻译原文题目: An Efficient Method for Multiple Fault Diagnosis 译文题目: 一个多进行多故障诊断的有效专业：机械设计及其自动化班级：机械N082姓名：吴东晨一个进行多故障诊断的有效方法谢斯.库什伯电气和计算机工程奥本大学，奥本，AL摘要: 本文分析了故障电路和一个有效的诊断方法。
一个渐进的仿真方法用来诊断故障电路一次，此外,为了提高诊断能力, 提出一个主要的故障电路的分割算法。
实验结果表明,该算法具有近似时间线性复杂度,达到了很高的诊断能力和分辨率。
在一段诊断时间之内因为实际工业晶片是多种故障而失效了。
1.介绍故障诊断的目的是为了确定在制造错误的芯片时产生故障的原因。
一个好的诊断工具应有效地帮助一个设计师快速、准确地定位失败的原因。
大多数研究认为一个单一的失效分析的缺陷。
然而,对于当前技术和芯片大小,这种假设可能不真实。
在一个失败的芯片多发缺损常常更好反映现实。
它也有可能是某些单一位置缺陷如多发性故障。
表现这种缺陷是影响断层缺损两个地点,或者通过缺陷,并可能影响多个分叉，可以在那些分叉转化为多个缺陷。
量化诊断算法可以通过几种方法。
分辨率作为一种真正的故障和多种可能故障来测量的一种算法。
诊断能力是正确地识别出反映比例缺陷的一种算法。
现有的诊断算法可分为两大类。
第一个应用因果原则。
第二个痕迹效应导致依赖关系。
以往的方法建立仿真响应模拟故障数据库和比较。
这个数据库和观察确定故障反应的可能原因失败。
这个方法有时被称为故障字典法[2]。
为假设的故障模式,其缺陷的行为类似故障行为建模,该方法可以给出了一个非常好的解决。
否则分辨率会戏剧性的减少。
然而,由于该方法需要一个巨大的错误行为数据库,人们可能很难与大型的设计。
建立算法效果分析,确定实际反应的过错(s)可能造成观测失败的效果。
这类方法不建立故障反应数据库。
他们从每一个主要微量落后输出误差传播路径的确定对于所有可能的故障的可能性。
造成效果的方法相比,更多的内存空间效应导致技术可以有效应付更大的设计。
文章介绍了一种基于多重故障增量法模拟和全面扫描时序电路的组合方法。
这种技术需要的相关信息只有少数失败模式(通常只有30%至50%),准确地判断给定的芯片反应。
失败利用节点和未检测博划分算法可以有效地避免为多故障诊断复杂度的问题。
一个诊断的框架,可以处理任何特定的故障模型和调用任何诊断算法[7]。
2。
失败模式的分析[6]假设T是一个测试集和f是一个断层。
这些模式在T能探测到f形成断层探测节点f。
任何一个故障诊断算法采用单以故障仿真行为观察反应匹配失败给定的测试模式。
然而,在现实中,一个模式可以激活多种故障和创造一个多重故障行为。
为了解释这类分析,让我们假定只有两个故障存在的电路。
这种分析的情况下可以延长到两个以上的缺点。
每一个失败的磷在给定的诊断模式测试集T分为以下三种类型[6]。
Type-1:p可以激活只有一个故障并观察其效果。
这种类型的模式也被定义为一个位置(欠缺)模式。
Type-2:p激活两个断层和观察它们的影响,但效果并不相关。
我们说故障行为模式平面p。
Type-3:p激活两个断层和观察它们的影响,但在一些主要缺点互动输出。
有缺陷的影响可能会彼此抵消一些模式。
图1:失败模式类型大部分的诊断算法是基于单故障假设。
这些单一故障主要依赖的基础算法type-1模式进行分析,找出故障的可能性。
每一个可能性能充分解释一些失败的模式。
如果其它的毛病也出现在电路中,他们不显化自己的type-1诊断测试模式。
然而,当故障密度增大,概率下降,检测模式组每一个故障电路包含一个type-1模式。
此外,由于有限检测器的储藏空间,只有非常少数的人可以保存失败模式未来的失效分析。
概率更低,检测模式设置有一个type-1各故障模式,这表明许多缺点可能不能确定由一个单一的故障诊断算法为基础。
图2:故障假设的例子的局限性。
考虑下面例子在图2中,说明了为什么一种算法基于单个故障假设未必行得通。
假设我们有3个模式,模式P1是个一时的模式。
应用模式,P2和P3我们观察一些失败的模式。
失败模式应用于P3会导致识别一个B s-a-0故障可能发生的可能性,因为一个s-a-0过错P3所激活(因此P3是一个type-1模式)。
这就解释了为什么有时候工作甚至假设算法配电网发生单相接地故障时,多存在于电路。
然而,失败模式P2(哪个是type-2图案)无法解释由任何一个故障断路器。
所有单故障假设的基础算法将失败在这种情况下。
只有一个部分匹配算法采用机制可以报告一个s-a-0作为另一个合适的可能性[1][3]。
另一个重要的事实是,在实践中,一个紧凑的试验模式的设定是用来缩短多余应用在测试的时间。
如果发生了多个故障,一个紧凑的试验模式的设定是用来检测和诊断,大部分模式将类型2和3。
例如,基准s35932只有21测试模式进行检测和诊断的目的。
(二)、(三)模式的类型通常是多种故障发生在当前的电路。
一般来说,用简洁的测试集故障诊断问题以创造更好的一种算法。
3。
算法诊断算法[5]3.1该算法将从这里指定1．初始路径跟踪故障候选名单上使用的技术。
早期故障的候选满足下列要求减少搜索空间,提高诊断效率：1.1故障一定存在在输入锥形的一个失败的功率振荡器。
1.2故障一定存在相同的那个失败的功率振荡器。
1.3如果一个失败模式影响超过功率振荡器,可能性故障必须存在在交叉的跃动的所有输入模式(单故障假设每个模式)。
2。
每个过错模拟初始候选名单上,看看它解释了完美的任何失败模式。
如果是这样,把它作为一个可能的过错,分配给它的重量相等的数目,它解释了在当前模式列表,将失败模式解释(s)。
3。
当我给它解释整个失败模式列表,或当所有的缺点在初始清单被检查,该算法和报告可能终止候选台址。
根据他们的可能性故障的权重。
以最大的重量故障做为第一个报告。
注意,即使是当算法是基于一个假设故障每模式,但它却能识别多种故障只要不受故障模式一只(即type-1模式)。
3.2[7]中提出的诊断算法人们注意到:Type-1经常失败模式存在有效反应,即使失败也同时存在。
这意味着在大多数为了失败的情况下,部分断层的位置可以识别故障诊断算法的旁边。
这里给出的算法是基于一个观察和分析在第二章。
而不考虑所有可能的多种故障直接组合,这将是很长时间,不适合计算大型设计,隔离和处理问题的增量。
例如,在图2中,如果它是已知(从失败模式分析P3),那个B s-a-0是最可能的故障电路,那么电路可以简单地改变连接网络B的地面上。
然后我们可以完成分析模式的P2和重复失败故障诊断。
很明显,当我们这样做的时候,任何一个故障寻求算法会发现第二个错误s-a-0可能,从现在起模式已成为一个type-1 P2模式修改电路。
这里给出的算法,也有一个管理尝试为多故障诊断的复杂性。
一个错误(或一群的缺点)可能是一个候选人仅当它的(他们的)仿真结果能充分解释至少一个失败的模式。
如果多于一名候选人可以解释同样的失败模式、信息传递模式是用来排列可能性和选择最佳的在他们中间。
3.2完美的算法及实现[6]定义1:完美的候选:假设故障后,进入一个注入电路和模拟运行有效,我们能够很好地解释了一些失败的模式。
这些故障作为一个群体被称为完美的候选对那些解释模式。
如果n是等于一,我们有故障的候选。
图3:1-完美的例子的候选考虑下面例子图3。
没有任何过错,可以解释观测没有反应,但B和C -这点- 1 s-a-1作为一个群体,可以解释观测到的失败。
因此{ B、C s-a-1 s-a-1 }形成一个2-完美候选。
该算法所得如下。
1。
找到一个1-完美故障的候选(s):n = 1。
运用消除解释模式日益衰落的模式。
2。
每个n-完美候选,注入到电路,完成第3和第4步骤,直到所有n-完美候选被试过了。
3。
为每一个不明原因的失败模式,将可能发生的故障的候选。
4。
修改后的电路和执行在构建(n + 1)-完美候选人基于目标故障模式上。
5。
确定(n + 1)-完美候选,以便进一步解释了一些失败模式没有解释那些(1从n)-完美候选。
6。
等级和重量(n + 1)-明显故障和传递模式基础上的信息。
那些不能消除的模式,这可以解释为(n + 1)-完美候选名单。
故障模式增加1 n。
7。
执行步骤2 - 6对余下的不明原因的故障模式,直到没有必要的故障,可以发现,或直到所有故障模式作了具体说明。
8。
所有可能的故障k-perfect件(k是一个整数1到n),消除造成许多故障通过多个故障模式的时候失败的候选人被直接注射进电路。
这是一个精致的步骤。
其目的是消除错误假设的情况故障从一开始,这可能意味着其他错误的可能。
3.2.2讨论提出的算法,提出了一种加权机制[3]是用来等级有潜力的可能。
每个n-perfect可能”、“信息管理系统预测,”和“非重量使用匹配预测”。
除了故障模式,通过模式也进行了模拟。
每个n-perfect候选人的断层2权重。
第一个反映其如何解释重量失败模式,第二要解释传球模式。
故障模式权重着重地用于寻找可能的候选。
然后,我们对那些候选人计算出一个总重量,吩咐他们,并降低最糟糕的可能。
该算法和大多数其他诊断算法进行从这个基本假设:“用最少的错误的地点来解释许多未反应现象。
”一个失败的概率是由于一个错误的地点,甚至被一些多个站点失败的概率同时。
所以算法总是开始于一个可能处在多故障位置。
初步认为可能发生故障列表不包括任何注入故障,这意味着我们得到一个错误的可能的开始。
如果多个故障表现得完全像一个单一的断裂、无算法能分辨的小组从等效单故障的候选。
另一方面,如果没有正确识别故障，就开始用增量启发式算法给出,他们中的大多数都裁剪失败后,再通过模式模拟的帮助下到了最后一步加权机制步骤(8)。
3.3 -博分割失败技术考虑下面例子又在图2。
但这一次假设我们拥有少了一个模式,我们认为只有被困在断层。
P1是个一时的模式,P2是唯一我们失败模式在这种情况下。
单故障假设算法将停止并报告结果并未因为节点是由type-2诊断模式。
然而,如果我们失败组划分POs机,我们可以很容易地找到故障的候选。
在适当的隔断失败的POs 系统,每组失败的模式。
抓住了错误的行为的一个或少数的缺点,对于每个断层和分割失败在模式设置，模式成type-1模式,一个简单的案例来诊断。
在这个例子中,隔断POs分成两组:PO1在一组,PO2在另一个组，每个failing-PO集团分别在每一个失败的模式。
为自己P2和组织模式{PO1}发现在0是成为一名总统候选。
同样,模式P2和{PO2}是用来获取另一个故障的候选,我被困在0。
发现了一些候选后,我们再次执行算法,获得更多的候选,提炼的结果。