Knowledge-Driven Board-Level Functional Fault Diagnosis

این کتاب مجموعه‌ای جامع از تکنیک‌های توصیف، پیش‌بینی، بهینه‌سازی، ارزیابی و تکامل را برای یک سیستم تشخیص برای جداسازی خطا در سیستم‌های الکترونیکی بزرگ ارائه می‌کند. خوانندگان با پیشینه طراحی الکترونیک یا مهندسی سیستم می توانند از این کتاب به عنوان مرجعی برای استخراج دانش روشنگرانه از تجزیه و تحلیل داده ها استفاده کنند و از این دانش به عنوان راهنمایی برای طراحی سیستم های تشخیص مبتنی بر استدلال استفاده کنند. علاوه بر این، خوانندگان با پیشینه آمار یا تجزیه و تحلیل داده ها می توانند از این کتاب به عنوان یک مطالعه موردی عملی برای تطبیق تکنیک های داده کاوی و یادگیری ماشین با طراحی و تشخیص سیستم الکترونیکی استفاده کنند. این کتاب چالش‌های کلیدی در طراحی سیستم تشخیص مبتنی بر استدلال و در سطح هیئت مدیره را شناسایی می‌کند و راه‌حل‌ها و نتایج مربوطه را که از تحقیقات پیشرو در این حوزه پدید آمده است، ارائه می‌کند. این موضوعات از جداسازی خطای بسیار دقیق، جداسازی خطا تطبیقی، ارزیابی استحکام سیستم تشخیص، تا تجزیه و تحلیل و ارزیابی عملکرد سیستم، کشف دانش و انتقال دانش را پوشش می‌دهد. این کتاب با تأکید بر موضوعات فوق، دیدی عمیق و گسترده از طراحی سیستم تشخیص خطا مبتنی بر استدلال ارائه می‌دهد.
• تکنیک‌های بهینه‌سازی شده از حوزه یادگیری ماشینی را برای حل مشکل تشخیص عیب در سیستم توضیح می‌دهد و به کار می‌برد. قلمرو طراحی و ساخت سیستم الکترونیکی؛ • تکنیک های مبتنی بر داده های صنعتی و بازخورد از یک خط تولید واقعی را نشان می دهد؛ • مشکلات عملی از جمله دقت تشخیص، هزینه زمان تشخیص، ارزیابی سیستم تشخیص، رسیدگی به سندرم های گمشده در تشخیص، و نیاز را مورد بحث قرار می دهد. برای توسعه سریع سیستم تشخیصی.

This book provides a comprehensive set of characterization, prediction, optimization, evaluation, and evolution techniques for a diagnosis system for fault isolation in large electronic systems. Readers with a background in electronics design or system engineering can use this book as a reference to derive insightful knowledge from data analysis and use this knowledge as guidance for designing reasoning-based diagnosis systems. Moreover, readers with a background in statistics or data analytics can use this book as a practical case study for adapting data mining and machine learning techniques to electronic system design and diagnosis. This book identifies the key challenges in reasoning-based, board-level diagnosis system design and presents the solutions and corresponding results that have emerged from leading-edge research in this domain. It covers topics ranging from highly accurate fault isolation, adaptive fault isolation, diagnosis-system robustness assessment, to system performance analysis and evaluation, knowledge discovery and knowledge transfer. With its emphasis on the above topics, the book provides an in-depth and broad view of reasoning-based fault diagnosis system design.
• Explains and applies optimized techniques from the machine-learning domain to solve the fault diagnosis problem in the realm of electronic system design and manufacturing;• Demonstrates techniques based on industrial data and feedback from an actual manufacturing line;• Discusses practical problems, including diagnosis accuracy, diagnosis time cost, evaluation of diagnosis system, handling of missing syndromes in diagnosis, and need for fast diagnosis-system development.