对基于模型的诊断过程的形式化

本文对基于模型诊断的过程进行了形式化,论证了它与本原蕴涵/蕴涵式的直接关系,从而将该理论结果与实现联系起来.进一步指出该结果具有一般性,不仅能够计算已知部件的部分故障行为方式时的基于模型的诊断,还能够计算已知每个部件的各种故障行为方式下的基于模型的诊断.以往对基于一致性的中心诊断过程、中心溯因诊断过程的形式化仅仅是文中所给出的形式化的特殊情形.     

智能故障诊断方法及其应用

基于第一原理的一致性故障诊断原理,提出以二分相容检验为基础的最大正常故障诊断理论。该理论融合一致性故障诊断与溯因诊断的核心原理,弥补了基于模型的智能故障诊断理论中矛盾集构造研究的薄弱环节,减少相容性检验的对象,缩小诊断空间,提高诊断的准确性,具有较好应用性。应用实例验证了该理论的有效性。     

拓展溯因逻辑程序设计的辩论理论基础

讨论一类扩展的溯因程序,它包含经典否定、缺省否定、一致性约束以及溯因推理机制,论文的主要思想是：⑴本文限制某些假说（包括不相容假说）的攻击能力这样的出发点,定义一种更符合直观理解的“反驳”与“击败”概念,其中的Ⅱ－型击败关系具有动态的特点;⑵首次尝试一致性约束可以引起假说间的反驳与是一致笥约束不再仅仅是全局性的相容约束,基于这些思想提出的完全类语义拓展了Ｄｕｎｇ所奠定的溯因逻辑程序设计的辩论理论基     

基于限定的溯因问题求解

溯因问题是人工智能中的一个重要研究方向，它在许多领域中有着广泛的应用，但在很多情形下，溯因解释的求取是非常困难的．本文提供一种基于限定理论的溯因解释求法，对于满足完备性公理和正原因假设的理论，可以证明其限定中的相容解释就是溯因解释，并且对Ｈｏｒｎ子句集给出具体的求解算法.     

刻画基于模型的中心诊断*

虽然对基于模型的诊断存在一系列不同的逻辑定义,但所幸的是存在一个统一的抽象定义,它概括了以往的不同定义.在该定义基础上提出了基于模型的中心诊断的概念.通过刻画基于模型的中心诊断过程,论证了基于模型的中心诊断与本原蕴含/蕴含式的直接关系,从而将其理论结果与ATMS(assumption-based truth maintenance system)这类算法联系起来.进一步指出,对基于一致性中心诊断的刻画仅仅是文中所给出的刻画的一个特殊情形.     

溯因推理问题的碰集求解方法

溯因推理为归纳与演绎推理之外的另一种重要的推理形式,在人工智能等领域有着广泛的应用.通俗地讲,溯因推理是从观察(结果)去推断原因的推理过程.不同于以往的研究思路,通过使用本原蕴含式和素蕴含,证明了可以把命题逻辑和命题模态逻辑系统S5中求溯因问题的极小解释转化为求对应集合的极小碰集问题.给出了求解溯因问题的一种新方法.     

基于时间贝叶斯Petri网的溯因故障诊断

针对复杂系统发生故障时告警信号间的时序约束关系,提出一种时间贝叶斯Petri网模型(TBPN),并基于该模型提出一种复杂系统的溯因故障诊断方法.该方法首先对观测到的告警信息建立时间Petri网,随后将其求逆并转换为TBPN.通过时间区间计算和溯因推理,分析告警信号的时序一致性并验证故障假说,最后对时序正确的故障事件链计算其故障概率并进一步分析干扰信息.仿真实验表明,该方法可对复杂故障进行快速诊断,并在告警信息存在丢失、虚警、时标差错时表现出较好的鲁棒性.与不考虑时间约束的同类方法相比,该方法具有搜索空间更小,抗干扰性更强的特点.     

基于扩展的因果理论的鉴别诊断

许多学者将因果关系这一概念应用于基于模型的诊断领域.然而,他们的研究只局限于简单因果理论.该文提出的扩展的因果理论则包容了更多的信息,指出了扩展的因果理论的诊断空间小于等于相应简单因果理论的诊断空间.另外,还将扩展的因果理论用于测试领域,证明了对于封闭的扩展的因果理论,溯因鉴别诊断等于基于一致性鉴别诊断.这一结果可应用于测试选择的策略.     

基于溯因推理的主体协商

为了能够进行有效的协商，主体应当提高通信的效率。为此，接收者可以对发送者的当时的意识状态进行推测，这可以通过溯因推理实现。该文提出了一个基于溯因推理的主体协商模型，是对Parsons的基于论据的协商模型的改进。     

基于半定量概率图模型的溯因分析方法

复杂工业系统的故障原因定位可协助操作人员快速调整设备运行参数,保障生产高效稳定地运行.铝电解过程机理复杂且外部因素干扰多,信息具有不确定性特征,难以建立精确的定量模型,而定性分析的准确度不高.为此,本文针对铝电解溯因过程的层次性、相关性、不确定性的特点,构建了一种基于半定量概率图模型的溯因分析框架,将定量和定性分析相结合,通过不确定理论对信息进行处理和描述,采用图形符号可视化知识变量间的因果关系,再基于概率图模型的推理方法实现不确定性条件下的溯因诊断,为实现铝电解异常槽况的原因分析与定位提供了理论支撑.     

广义因果理论的基于模型的诊断

最近,许多学者意识到了将因果关系这一概念应用于基于模型的诊断领域的重要性。然而,他们的研究只局限于简单因果理论。文中提出的广义因果理论包容了更多的信息。文中指出：广义因果理论的诊断空间小于等于相应简单因果的诊断空间。并给出了当待诊断系统的模型为广义因果理论时的基于模型的诊断、基于模型的实质诊断等概念,论证了基于模型的实质诊断与本原蕴含／蕴含式的直接关系,从而将文中的理论结果与实现联系起来。文中进一     

基于一致性的最小正常诊断及其应用

本文给出了基于一致性的最小正常诊断的概念，并将它与基于一致性的最小反常诊断加以区别。证明了若将系统描述限制在故障理论或在故障理论中扩展有限的正常行为知识，那么使用最小正常诊断能够刻画基于一致性的诊断空间，即最小正常诊断假设成立。本文还指出：使用最小正常诊断可以缩小只针对正常行为模型的最小反常诊断所产生的诊断空间，帮助我们找到真正的故障。文中最后还指出了最小正常诊断所适合的诊断任务及诊断领域。     

Consistency-based and abductive diagnoses as generalised stable models

If realistic systems are to be successfully modelled and efficiently diagnosed using model-based techniques, a more expressive language than classical logic is required. In this paper, we present a definition of diagnosis which allows the use of a nonmonotonic construct, negation as failure, in the modelling language. This definition is based on thegeneralised stable model semantics of abduction. Furthermore, we argue that, if negation as failure is permitted in the modelling language, the distinction between abductive and consistency-based diagnosis is no longer clear. Our definition allows both forms of diagnosis to be expressed in a single framework. It also allows a single interference procedure to perform abductive or consistency-based diagnosis, as appropriate.This paper is an extended and revised version of ref. [29].     

基于结构的弱诊断模型

本文首先给出一种弱诊断模型，利用系统的结构信息，快速得到系统的弱诊断，在不丢失解的情况下缩小诊断空间，以提高诊断效率。对仅知道系统的整体功能和物理结构系统，无法进行一致性诊断或更强的诊断，我们仍然可以对其进行弱诊断。其次，我们给出了弱诊断、一致诊断、溯因诊断间的关系。最后，根据诊断和真正故障元件集合间的关系，定义了诊断的可采纳性，并证明了弱诊断、一致诊断是可采纳的。     

Representing diagnosis knowledge

This paper considers therepresentation problem: namely how to go from an abstract problem to a formal representation of the problem. We consider this for two conceptions of logic-based diagnosis, namely abductive and consistency-based diagnosis. We show how to represent diagnostic problems that can be conceptualised causally in each of the frameworks, and show that both representations of the same problems give the same answers. This is a local transformation that allows for an expressive (albeit propositional) language for giving the constraints on what symptoms and causes can coexist, including non-strict causation. This non-strict causation can be represented in each frameworkwithout adding special reasoning constructs to either framework. This is presented as a starting point for a study of the representation problem in diagnosis, rather than as an end in itself.