基于模型的故障诊断(Model-Based Diagnosis,MBD)推理技术是故障诊断领域中重要的研究课题。它的基本思想是:给定一个系统的描述,用观察到的行为与系统正确的行为之间的差异来确定系统是否有元件工作不正常,从而导致了系统故障。候选诊断产生是诊断过程中最关键的步骤之一,近些年研究候选诊断(即极小碰集)产生的方法越来越多。著名的人工智能专家Reiter在1987年提出的HS-tree算法是最早的经典算法,HS-tree算法通过枚举的形式计算极小碰集,会产生较多极小碰集的真超集,产生的节点较多,从而导致剪枝过程繁琐,且在某些情况下还会因为剪枝而丢失极小碰集,因此不适用于大型系统。本文研究了计算极小碰集的三种改进的新方法,主要内容如下:(1)提出了基于极大度和极小势的MDMC-HS-tree方法。本方法每次选择势最小的集合进行扩展,以便减小树的宽度;并删减势最小集合中度最大元素的集合,通过删除较多的集合保留较少的集合,从而不断将大问题化简为小问题。实验结果表明:本算法在测试的过程中能够产生所有极小碰集,且在计算大规模碰集时能产生相对较少的节点,为实际设备故障诊断提供了较可行的方法。(2)对基于动态极大度求解极小碰集的算法进行改进:结合枚举的形式产生集合,并按照元素度的大小顺序依次扩展元素,但减少了度为0的元素的扩展过程,即不再扩展剩余集合中不包含的元素,从而减少了节点的产生。(3)对基于参数矩阵求解极小碰集的改进:将集合簇中所有元素c1,c2,…,cn按照度的大小依次排列构成一个集合S={c1,c2,…,cn}(集合中的元素度依次减小),通过查找求解元素在初始矩阵中0列所对应的各个元素,这些查找到的元素与求解元素共同构成的集合即为碰集,并通过集合S中剩余元素的个数来判断此算法是否终止,使该算法计算过程相对简单,计算效率提高。本文最后将新提出的三种改进的算法与几种经典的计算极小碰集的算法进行比较,并用实例验证。