1 引言

目前，对于机车故障检查与诊断存在各种方法，其中专家系统、故障树分析方法（FTA），以及两者的结合体是被广泛接受的方法，然而，他们也存在一些缺陷; FTA仅能表示逻辑关系[1]，不能表示动态行为; 而专家系统突出弱点就是知识获取的“瓶颈”问题[2]; 基于故障树的专家系统诊断系统在一些方面虽得到优化，但是由于故障树模型之间的缺陷，又加上诊断的规则数目较多，当添加修改规则时，易出现规则之间的冲突和冗余，无法保证专家系统高效、正确地运行。

在故障检测与诊断领域中，Petri网不仅能够用图形符号表示故障事件系统逻辑关系，知识的完成和诊断推理，而且能够表示系统的动态行为，因此Petri网模型能够用于机车故障检测和可靠性的分析。

自1962年由Carl Adam Petri提出Petri网概念以来，Petri网己广泛应用于计算机操作系统、通信协议、分布式数据库系统及任务规划和性能评价等领域。在此利用Petri网的一致性状态及标记方程法进行分析，以解决特定条件下可能发生的问题。与基于故障树结构构建的人工智能方法相比，本文提出的基于自然环境中的工控机器视觉技术结合人工智能决策支持体系具有以下优点：首先，它提供了一个更加直观且易于理解的人类-计算机交互界面；其次，它实现了对复杂环境中多种可能性自动识别，并快速选择最佳方案；最后，它通过集成人工智能算法，可以提升整体工作效率并降低错误率。

2 Petri 网理论基础及分析

2.1 Petri 网结构及其基本概念

从图形上看,Petri 网由4种不同类型元素组成，即库所（place，用“○”表示）、转移（transition，用“→”或" "表示）、连接库所和转移有向弧及位于库所中的托肯(token，用“·”或数字代表）。每个转移都有输入函数(i)描述该转移可以从哪些库所获得托肯，以及输出函数(o)描述该转移将托肯发送到哪些库所。若一位用户希望了解某个特定的过程，他/她需要确定这个过程是否已经开始，这涉及到判断当前所有必要条件是否已满足。如果这些条件都已满足，那么可以说这个过程已经启动。

根据定义，我们可以构建一个5元组来描述任何给定的Petrinet: Σ = (P, T, I, O, M)，其中：

P是集合，其中包含所有library(即"P"字母);

T是集合，其中包含所有transitions;

I是一个偏函数，它将transitions映射到places;

O是一个偏函数，将transitions映射到places;

M是一个非负整数矩阵，每一行对应一个place，每一列对应一个token;

例如，在图1展示的一个简单Petrinet例子中:

Σ = (p,t,i,o,m)

p={p1,p2,p3}

m=(0 0 0)

i(t1)={p1}

o(t1)={p2}

i(t2)={p3}

o(t2)= { }

图 1 - 简单示例Petrinet

对于任何给定的state m' ∈ R^|T|× |T|^n ,如果我们想要知道当前petr-net执行的是什么样的state，我们只需要查看它处于哪个地方就可以了。这意味着要找到当前状态为m',我们应该找出所有那些使得m'变为m' + Δt*uo 的u ∈ {0, ①}^{n}, where u is a column vector of length n.

这条公式表明，如果petr-net处在初始状态 m₀，然后经过序列 u 加以改变，就会达到新的状态 m'. 这里Δt 是时间步长，是时间变化量，而u 是指令序列，是指令列表或者命令列表。这里使用的是线性代数来处理这些事务，使得整个流程更清晰、高效且精确。