众所周知，由传统专家系统方法建立的诊断系统存在诸多缺陷，如所收集知识的不完备性、系统对知识的依赖性、获得专家知识不一致性等。基于模型诊断推理正是克服传统专家系统的这些严重缺陷而提出的一种智能诊断推理技术。基于模型诊断方法使用描述系统部件的内部结构和外部行为的模型，该模型具有很强的设备独立性，同时使用费用(cost)也比较低。如在最初产品设计和生产时就能给出模型；修改此产品模型就可应用到彼产品上去，缩短产品设计和开发周期。正是由于基于模型诊断有如此多的优点及实用价值，八十年代中期吸引了越来越多的研究者，到九十年代已经成为人工智能研究领域的一个十分活跃的分支。 从理论的角度可把基于模型诊断划分为两大类：一是基于一致性诊断；另一个是溯因诊断。基于一致性诊断是处理诊断系统的正常行为模型；溯因诊断是处理诊断系统的故障行为模型。但无论是哪类诊断，在处理复杂设备时，从缩小诊断搜索空间的角度出发建立高效的模型描述是提高诊断效率的关键。分层基于模型诊断正是基于上述两种诊断方法而提出的，其基本思想是应用抽象将诊断系统进行分层描述，经过抽象处理后得到的新的抽象层(系统)只包含有限个抽象层部件;而细化到具体层时，只生成与抽象层相关的候选，这样就可大大减小诊断系统搜索空间，提高系统诊断效率。 我们对Mozetic的工作进行了研究，他主要定义了三个典型的行为抽象算子，即常量抽象、变量抽象和模型抽象，将待诊断系统的具体层模型描述映射到抽象层(同时故障被隔离到抽象层)。诊断在抽象层开始，此时系统描述比较简单，只包含少数几个部件或抽象的定性行为，得到的少数几个候选很容易被验证，再用抽象层的诊断结果指导具体层诊断。同时引入一致性条件：一是不完备约束条件，即假设具体层映射m，则有抽象状态的x不能映射到无抽象状态的y；二是保护映射条件，即如果在抽象层不是诊断的候选，在具体层一定不是诊断。通过一致性条件在诊断过程中首先过滤掉引入的不完备抽象和不可能诊断，在分层描述的基础上进一步缩小诊断搜索空间，提高诊断效率。另外，模型描述是待诊断系统任意状态到输入、输出观测值的映射，这与以往基于一致性诊断和溯因诊断明显不同。之后我们使用BorlandJBuilder实现了该算法的基于模型诊断系统，并在或门电路上进行了测试。 Mozetic分层诊断是应用抽象对诊断系统进行分层描述，减少抽象层部件的数量；并进一步通过一致性条件消除那些不可能的诊断来减少诊断代价。但这只是一种静态的、单一的、固定的分层描述技术，没有充分利用当前各层有用的观测值，致使分层诊断效率不够理想。例如当最抽象层不是最顶层，而是中间的某一层或第0层，后者是Mozetic算法失效的情况(与一般诊断效率相同)。Mozetic改进算法提出了一项动态确定分层描述的技术，即以有用的观测值为基础，通过使用相应结构树重新安排各层给定的分层描述来创建一个新的分层描述。我们把任意分层描述H(由结构抽象建立的)与其结构树相关联，结构树中每个节点代表H的部件，它的子孙代表H的子部件。结构树ST(H)中每个节点c是第i层的一个部件c∈COMPSi，把部件的描述SDc(∈)SDi和观测值OBSc(∈)OBSi(当它们有用时)与节点相结合，因此这个节点就与分层描述H中的一个诊断问题的子集相关联。这样我们就把系统诊断问题看作是对树的遍历问题。需要强调的是，它不是修剪Mozetic算法中的分层描述，而是以观测值为指导重新动态地安排最初的分层描述技术。使用改进算法，Mozetic算法不理想的情况得到很好的解决。接着我们又进一步提出一个改进算法，在过程TOP-DOWN-DIAGNOSIS开始前，通过有用观测值排除与观测值相关联的节点的不可能候选来增强各层的诊断能力。一般地，任何部件都可能有多个行为模式，由其所聚合的部件也一定有多个行为模式。在给定观测值的情况下，这些行为模式中某些是不可能的候选，应该首先被排除。我们的做法是：先将结构树中与观测值相关联的节点分离出来，若其某一行为模式与观测值不一致，则排除此行为模式，当进行诊断时就不用处理被排除的行为模式了。此外，由于从下向上处理结构树时只考虑被观测的节点，当到达描述部件c的节点时，其所有被观测的子节点已经处理完毕。由于部件c的每个行为模式都是其所聚合的子部件行为模式的抽象，因此，对超部件c的某个行为模式mi，如果mi所聚合的所有子部件的行为模式已经被排除，就可排除c的行为模式mi。注意：进一步改进算法虽然排除了大量的不可能诊断，进一步缩小搜索空间，但是不能保证排除所有不可能候选。 最后，我们介绍用假设的优先权控制诊断，这些优先权是关于假设的部分序，并按顺序扩展到关于假设集的优先关联，通过选择极好假设集来减少可能诊断数量。通过搜索和剪枝Reiter碰树策略来计算优先解决方案，进而计算优先诊断。另外单一优先解决方案也可通过快速hill-climbing策略计算。