故障是系統不能執行規定功能的狀態。多故障可測系統是指系統是故障檢測系統能同時檢測到多種故障。與一般故障檢測系統相比，多故障可測系統具有一定的智慧型性，能根據故障類型做出一些判斷，為故障診斷提供一些診斷策略支持。
基本介紹
- 中文名：多故障可測系統
- 外文名：multiple fault testable system
- 學科：計算機
- 定義：檢測系統能同時檢測到多種故障
- 有關術語：胡錚
簡介,故障檢測,專家系統,基於規則的專家系統,基於案例的專家系統,故障診斷,
簡介
多故障可測系統是指系統是故障檢測系統能同時檢測到多種故障。從廣義上說，多故障可測系統是一種專家系統，即系統已經集成了一些機器學習算法，用於對故障的檢測和分類。多故障可測系統可以更早發現系統故障及檢測效率和結果更好。
故障檢測
計算機系統故障檢測包括作業系統、檔案結構、軟體系統特徵等方面的內容，同時還涉及硬體知識，檢查時既要進行動態的通電檢測，又要進行靜態的斷點檢測。作為計算機技術人員，關鍵是在掌握相關知識的前提下，對故障分析有清晰的思路和準確的判斷能力。計算機故障的檢測步驟：
1、囑員狼區分是軟體故障還是硬體故障
當加電啟動時能進行自檢，能顯示自檢後的系統配置清況，則計算機系統的硬體基本上沒有什麼問題，故障的原因是軟體引起的可能性比較大。
2、具體確定是作業系統還是套用軟體故障
若是系統軟體故障則可能需要重新安裝作業系統，若是套用軟體故障則應該調整跨己榜套用軟體安裝
3、硬體故障的檢查步驟
若是硬體故障則需要首先分清主機故障還是外部設備故障即從系統到設備，再由設備到部件；由系統到設備是指計算機系統發生故障後要確定主機、鍵盤、顯示器、列印乎員頸機、硬碟和軟碟機等是哪一個設備出問題。同時要注意關聯部分的故障。
專家系統
專家系統（ES）是人工智慧領域最活躍和最廣泛的領域之一。自從1965年第一個專家系統Dendral在美國史丹福大學問世以來，經過40年的開發，各種專家系統已遍布各個專業領域。目前，專家系統得到了更廣泛的套用，並在套用開發中得到進一步炒店簽發展。專家系統定義為：使用人類專家推理的計算機模型來處理現實世界中需要專家作出解釋的複雜問題，並得出與專家相同的結論。簡言之，專家系統可視作“知識庫”和“推理機”汗漏的結合。顯然，知識庫是專家的知識在計算機中的映射，推理機是利用知識進行推理的能力在計算機中的映射，構造專家系統的難點也在於這兩個方面。為了更好地建立知識庫， 興起了 “知識表示” 、 “知識獲取”、“數據挖掘”等學科；為了更好地建立推理機興起了“機器推理”、“模糊推理”“人工神經網路”、“人工智慧”等學科 。
基於規則的專家系統
基於規則的專家系統是目前最常用的方式，主要歸功於大量成功的實例，以及簡單靈活的開發工具。它直接模仿人類的心理過程，利用一系列規則來表示專家知識。例如對動物的分類：
（1）IF（有毛髮or能產乳）and（（有爪子and有利齒and前視）or吃肉）and黃褐色and黑色條紋，THEN老虎
（2）IF（有羽毛or（能飛and生蛋））and不會飛and游水and黑白色and ？，THEN企鵝
這裡，IF後面的語句稱為前項， THEN後面的語句稱為後項。前項一般是若干事實的“與或”結合，每一個事實採用對象-屬性-值 （OAV） 三元組表示。根據值的選擇不同，可將屬性
分為3類。
（1是非屬性，例如“有爪子”，該屬性只能在{有、無}中二選一；
（2列舉屬性，例如“吃肉”，該屬性只能在{吃草，吃鞏籃榆諒肉，雜食}中選擇；
（3數字屬性，例如“觸角長度3.5 cm”，“身高1.5 m”，“體重32 kg”等。
上述規則是通過專家集體討論得到的。這樣形成的規則存在以下3個缺點：需要專家提出規則，而許多情況下沒有真正的專家存在；前項限制條件較多，且規則庫過於複雜。比較好的解決方法是跨旋危海採用中間事實。例如，首先確定哺乳動物、爬行動物、鳥類動物，然後繼續進行劃分；在某些情況下，只能選取超大空間的列舉屬性或者數字屬性， 此時該屬性值的選取， 需要大量樣本以及複雜的運算。因此，更傾向於採用一套算法體系，能自動從數據中獲得規則。決策樹算法基本能夠滿足知識工程師的需要。較好的決策樹算法包括基於信息增益的ID3、C4.5、C5算法，基於Gini索引的CART算法。
基於案例的專家系統
基於案例推理的專家系統，是採用以前的案例求解當前問題的技術。首先獲取當前問題信息，接著尋找最相似的以往案例。如果找到了合理的匹配，就建議使用和過去所用相同的解； 如果搜尋相似案例失敗，則將這個案例作為新案例。因此， 基於案例的專家系統能夠不斷學習新的經驗，以增加系統求解問題的能力。例如：一種基於案例的模糊推理技術，用於定性預測環境影響評估風險。基於RFID的案例管理系統，用於對流行產品開發過程中的仿照布樣進行估值。基於案例推理的專家系統的難點是，如何從案例庫中尋找與當前問題條件最匹配的一個案例。最常用的匹配技術是最近鄰法，k-近鄰法， 徑向基函式網路等。然而， 過大的案例庫會導致系統搜尋時間過長，因此，往往需要進行預處理，刪去過分相似的案例。
故障診斷
利用各種檢查和測試方法，發現系統和設備是否存在故障的過程是故障檢測；而進一步確定故障所在大致部位的過程是故障定位。故障檢測和故障定位同屬網路生存性範疇。要求把故障定位到實施修理時可更換的產品層次（可更換單位）的過程稱為故障隔離。故障診斷就是指故障檢測和故障隔離的過程。故障診斷的主要任務有：故障檢測、故障類型判斷、故障定位及故障恢復等。其中：故障檢測是指與系統建立連線後，周期性地向下位機傳送檢測信號，通過接收的回響數據幀，判斷系統是否產生故障；故障類型判斷就是系統在檢測出故障之後，通過分析原因，判斷出系統故障的類型；故障定位是在前兩部的基礎之上，細化故障種類，診斷出系統具體故障部位和故障原因，為故障恢復做準備；故障恢復是整個故障診斷過程中最後也是最重要的一個環節，需要根據故障原因，採取不同的措施，對系統故障進行恢復。
（2列舉屬性，例如“吃肉”，該屬性只能在{吃草，吃肉，雜食}中選擇；
（3數字屬性，例如“觸角長度3.5 cm”，“身高1.5 m”，“體重32 kg”等。
上述規則是通過專家集體討論得到的。這樣形成的規則存在以下3個缺點：需要專家提出規則，而許多情況下沒有真正的專家存在；前項限制條件較多，且規則庫過於複雜。比較好的解決方法是採用中間事實。例如，首先確定哺乳動物、爬行動物、鳥類動物，然後繼續進行劃分；在某些情況下，只能選取超大空間的列舉屬性或者數字屬性， 此時該屬性值的選取， 需要大量樣本以及複雜的運算。因此，更傾向於採用一套算法體系，能自動從數據中獲得規則。決策樹算法基本能夠滿足知識工程師的需要。較好的決策樹算法包括基於信息增益的ID3、C4.5、C5算法，基於Gini索引的CART算法。
基於案例的專家系統
基於案例推理的專家系統，是採用以前的案例求解當前問題的技術。首先獲取當前問題信息，接著尋找最相似的以往案例。如果找到了合理的匹配，就建議使用和過去所用相同的解； 如果搜尋相似案例失敗，則將這個案例作為新案例。因此， 基於案例的專家系統能夠不斷學習新的經驗，以增加系統求解問題的能力。例如：一種基於案例的模糊推理技術，用於定性預測環境影響評估風險。基於RFID的案例管理系統，用於對流行產品開發過程中的仿照布樣進行估值。基於案例推理的專家系統的難點是，如何從案例庫中尋找與當前問題條件最匹配的一個案例。最常用的匹配技術是最近鄰法，k-近鄰法， 徑向基函式網路等。然而， 過大的案例庫會導致系統搜尋時間過長，因此，往往需要進行預處理，刪去過分相似的案例。
故障診斷
利用各種檢查和測試方法，發現系統和設備是否存在故障的過程是故障檢測；而進一步確定故障所在大致部位的過程是故障定位。故障檢測和故障定位同屬網路生存性範疇。要求把故障定位到實施修理時可更換的產品層次（可更換單位）的過程稱為故障隔離。故障診斷就是指故障檢測和故障隔離的過程。故障診斷的主要任務有：故障檢測、故障類型判斷、故障定位及故障恢復等。其中：故障檢測是指與系統建立連線後，周期性地向下位機傳送檢測信號，通過接收的回響數據幀，判斷系統是否產生故障；故障類型判斷就是系統在檢測出故障之後，通過分析原因，判斷出系統故障的類型；故障定位是在前兩部的基礎之上，細化故障種類，診斷出系統具體故障部位和故障原因，為故障恢復做準備；故障恢復是整個故障診斷過程中最後也是最重要的一個環節，需要根據故障原因，採取不同的措施，對系統故障進行恢復。
