邓伟林 姜程 林森彬

摘 要：在已知模型系统中，采用基于模型的方法可以较好解决概率离散事件系统错误诊断问题。然而在某些实际系统中，要得到完备的概率模型非常困难。关于不完备系统的诊断问题，业内主流解决方案是采用基于数据方法，如关键观察方法和关键树方法。卷积神经网络是一个非常好的数据拟合工具。因此，首先将错误诊断问题转化为文本分类问题，然后应用卷积神经网络求解该问题。仿真实验结果表明，在可诊断概率系统中，该方法在仿真数据集上的平均诊断准确率比关键树方法高出15%。

关键词：概率离散事件系统;错误诊断;卷积神经网络

DOI：10. 11907/rjdk. 201676 开放科学（资源服务）标识码（OSID）：

中图分类号：TP303文献标识码：A 文章编号：1672-7800（2020）008-0010-04

Abstract：The fault diagnosis in a complete model can be well done by means of the model-based approaches. However， in some practical systems， it is hard to obtain their complete model. For the fault diagnosis of incomplete systems， the data-based approaches， such as the critical observations approach and critical tree approach， are popular. As an excellent fitting tool， convolutional neural network has been successfully applied to solve many pattern recognition issues. In this paper， we transfer？the issue of fault diagnosis to？the issue of text classification firstly， and then apply the convolutional neural network to solve this problem. The simulation？experiments are performed in diagnosable systems and the results show that the diagnosis accuracy？of this approach exceeds？15 percents of that of critical trees approach on average.

Key Words：probabilistic discrete event systems; fault diagnosis; convolutional neural network

0 引言

离散事件系统（Discrete Event Systems，DES）是具有离散状态空间，并且系统状态演化由不定时发生的事件驱动的一类系统[1]。DES是生活中很常见的一类系统，如在逻辑层面，柔性制造系统、通信系统、排队系统及交通系统都属于DES[2]。在许多实际的DES系统建模过程中往往需要刻画系统的不确定性。系统不确定性分为主观不确定性与客观不确定性。DES主观不确定性用模糊离散事件系统（Fuzzy Discrete Event Systems，FDES）刻画;DES客观不确定性用概率离散事件系统（Probabilistic Discrete Event Systems，PDES）刻画。近年陆续建立起FDES的基础理论[3-6]和PDES的监督控制[7-8]、错误诊断[9]理论等。

值得注意的是，现有DES基础理论研究基本上是在完备模型下讨论的，即假设系统模型可完全被相关智能体（如监控器、诊断器、预测器）获取。然而，随着科学技术的发展，特别是信息技术的日新月异，现代系统越来越大，结构也越来越复杂，获取系统的完备模型也变得越来越困难。……