不确定观测条件下基于模型诊断的故障检测方法

作     者：欧阳丹彤 郝闯 蒋璐宇 张立明 

作者机构：吉林大学计算机科学与技术学院 吉林大学符号计算与知识工程教育部重点实验室 

出 版 物：《吉林大学学报(工学版)》 (Journal of Jilin University(Engineering and Technology Edition))

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62076108,61872159) 吉林省教育厅项目(JJKH20211106,JJKH20211103KJ) 

主　　题：模型诊断 最大可满足性问题 不确定观测 最小基数诊断 

摘      要：基于模型诊断问题（MBD）是人工智能领域研究的重要问题，大多数学者研究的是确定性观测条件下的模型诊断，然而由于传感器故障或其他因素常常导致观测是不确定的。现有的不确定观测下MBD方法需要较长时间。本文提出了基于桶排序 （BSD）的方法来解决不确定观测条件下的模型诊断问题，主要针对软件方面进行故障检测。BSD方法利用最大可满足性对程序频谱进行压缩，并使用桶排序来确定诊断的优先级。在每个划分的桶内，使用基于频谱的缺陷定位方法（SBFL）来计算各个组件的怀疑度，最终返回有序的诊断集。实验将BSD方法与最新的算法MstLikeDiag以及Incremental-O2D进行对比，结果表明，对于350组测试实例，在TOP-1度量指标下，BSD方法识别的故障数量分别提高了3.91倍及7.56倍，在TOP-5指标下提高了6.15及4.79倍，在TOP-10指标下提高了6.43及4.13倍。同时，BSD方法求解的平均效率与MstLikeDiag以及Incremental-O2D方法相比提高了92.1倍及106.5倍。