商业银行总行数据中心监控系统通过对每家分行的汇总统计信息做数据分析，用以捕捉自动提款机(Automated Teller Machine，ATM)应用系统运行情况以便及时发现异常或故障[1]。随着ATM使用量的增长，设备维护工作量也迅猛增长，对ATM交易系统的异常检测和设备维修难度也越来越大。ATM故障诊断从最初的人工检测及识别，逐步发展为依靠信息化和大数据的智能检测。费吉忠等[2]根据工商银行山东省威海市分行ATM使用情况，总结了9大类、40种ATM系统故障，将故障原因归为5类，从日常维护的具体技术操作层面对ATM故障及故障诊断做了较为详细的阐述。胡定宪等[3]直接用ATM网络测试仪接入被测端，运行流量测试功能，自动定位所有的交易活动并识别有关的虚通道标识符和虚通路标识符，监测出错误信元，监测流量拥塞状况，评估出ATM网络的运行状况。汪成亮[4]采取产品数据管理(Product Data Management， PDM)结合失效模式和影响分析(Failure Mode and Effect Analysis， FMEA)诊断方法，将金融产品构成信息、产品功能信息及维修信息并融合产品设计阶段获取的诊断知识，进行诊断，使产品的设计、诊断与维护形成一个有机整体，提高诊断效率与精度。高泽旭[5]提出基于神经网络的ATM故障诊断专家系统的构想。

4.做好市场信息建设。一是加强全县市场信息的收集，调查研究和整理分析；二是依托生猪运销者及县内定点屠宰场，搞好市场超前预测预报，控制总量平衡，减少盲目生产。

鉴于目前多从技术角度研究ATM交易故障的现状，从质量控制视角运用数学模型对ATM交易故障进行诊断、分析和预测的相关文献较少。本文在分析ATM应用系统交易信息的相关性、周期性、描述统计量、分布形态等统计规律的基础上，使用主成分分析法进行多变量统计故障诊断，提取每个交易时刻交易量、成功率、响应时间3个变量的主元得分，根据质量控制理论，以应用状态为因变量，建立含虚拟变量的多元逻辑回归方程。

1 数据来源及处理

1.1 数据来源

本文数据采用2017年“深圳杯”数学建模挑战赛B题：ATM交易状态特征分析与异常检测提供的某商业银行ATM应用系统某分行的交易统计数据。该商业银行总行数据中心监控系统为了实时掌握全行的业务状态，每分钟对各分行的交易信息进行汇总统计，包括业务量、交易成功率、交易响应时间3个指标。

1.2 数据处理

为便于IBM SPSS软件识别和满足分析的需要，将题目所给数据的时间属性、格式转化为统一格式，并保存为新变量，命名为交易时刻。

题目提供了2017年1月23日至4月23日的交易数据，将该时段中我国法定节假日的工作状态设为“休”；其余周一至周五工作状态设为“班”；并保存为新变量，命名为“工作状态”。

1.3 离群值的识别与设定

1.3.1 各变量的描述性统计

使用IBM SPSS软件“描述统计”功能，计算题目提供的未经处理的交易量、成功率、相关响应3个变量的描述性统计量，计算结果如表1所示。

表1 交易量、成功率、相关响应的描述性统计量

统计项交易量/笔成功率/%响应时间/ms均值589.93000.9600100.7657中位数593.00000.958389.1400众数16.001.00101.00标准差504.06100.0280601.4808全距2880.001.0057184.64偏度0.612-6.28882.792峰度0.348147.3187084.979极小值1.000.0026.00极大值2881.001.0057210.64

计算结果显示，131 013条样本数据，交易量均值为589.930，标准差为504.061，数据波动较大，可能原因为高峰时段和低谷时段差异较大导致数据较为离散。成功率均值为0.96，数据相对较为集中，成功率标准差0.028，离散趋势相对较弱。数据呈现左偏陡峭形态。响应时间存在极端值，极大值为57 210.64 ms，时间接近1 min，响应时间过长，数据离散程度较大。

1.3.2 离群值的识别

为进一步反映数据形态，使用“探索性分析”功能，计算各变量的百分位数分布情况，绘制各变量的箱形图，如图1～3所示。

图1 交易量箱形图

图2 成功率箱形图

图3 响应时间箱形图

框图较为直观地反映出交易数据因设备故障原因，导致数据存在较大的奇异值，为此需要在模型建立前将数据进行清洗和整理。

1.3.3 离群值的设定

1)暂不设定交易量的离群值

因分行侧网络传输节点故障，前端交易无法上送请求，会导致业务量陡降，同时交易量分高峰时段和低谷时段，故不能识别出其交易量波动的具体原因，暂不设定交易量的缺失值。

2)成功率离群值的设定

硫酸铜溶液在浓缩结晶槽内完成蒸发、冷却结晶之后，边搅拌边用气动双隔膜泵抽取至真空带式过滤机进料口；硫酸铜晶体在带式过滤机上过滤、洗涤、吸干［1］，然后通过埋刮板给料运输机输送至流化床受料斗，进入干燥包装工序。实验数据表明过滤后的硫酸铜含水率在5%～10%，与原过滤器含水5%～9%基本一致，可满足后段工序流化床干燥设备的工艺要求。

3)响应时间离群值的设定

数据中心后端处理系统异常(如操作系统CPU负荷过大)或应用进程异常，引起交易处理缓慢，影响交易响应时间指标，依据3σ原则，将响应时间的缺失值设定为x3>1 900(实际计算值为1 905)，缺失值占总数的0.039%。

为分析ATM交易状态的特征参数和规律，从变量间的相关性、各变量的周期性、各变量的描述性统计、各变量的分布规律4个方面分别进行选择、分析和提取。

2 ATM交易状态特征分析

2.1 交易状态变量间的相关性

使用IBM SPSS软件“相关分析”功能，分别计算交易量、成功率、响应时间3个变量间的两两线性相关系数(Pearson相关系数)，非参数相关系数(Spearman秩相关系数、Kendall等级相关系数)。计算结果，如表2所示。

表2 交易量、成功率、响应时间的相关性

相关性成功率/%响应时间/ms交易量/笔Pearson相关性-0.075**-0.033**Kendall的tau_b-0.147**-0.600**Spearman的rho-0.204**-0.763**成功率/%Pearson相关性-0.365**Kendall的tau_b0.107*Spearman的rho0.152**

**.在0.01 水平(双侧)上显著相关。

河南住宅地产去库存的现实困境与解决对策 ………………………………………………………………………… 张 扬（2/33）

*.在0.05 水平(双侧)上显著相关。

计算结果显示，交易量、成功率、响应时间3个变量间无论是线性相关系数，还是非参数相关系数，均有较强的显著性。特别是交易量和成功率、响应时间两个变量呈现显著负相关。

2.2 各变量的周期性

logit(x)=ln()=ln()=θ0+θ1x1+θ2x2+…+θmxm

2.2.1 交易量的周期性

汇总每日交易量和每分钟交易量，绘制累计交易量柱状图，如图4～5所示。

分析结果显示，交易量呈现较强的周期性。1)每日累计交易量工作日数值明显高于非工作日数值。春节前夕，交易数量激增，明显高于其他时间；春节放假期间数值明显低于其他时段数值；其余时间基本呈现较为规律的周期性变化。2)每分钟累计交易量工作时段明显高于非工作时段。每分钟累计交易量呈现双峰态势，有早、晚两个高峰时段，基本和上班作息时间一致。22：00至6：00交易数值较低。

图4 每日累计交易量

图5 每分钟累计交易量

2.2.2 成功率的周期性

按照党中央、国务院和云南省委、省政府关于生态文明建设和决战脱贫攻坚的决策部署，紧密联系林业现代化建设和改革发展实际，围绕增绿、增质、增效和提供更多优质生态产品以满足人民日益增长的优美生态环境需要的目标，云南省对林业供给侧结构性改革和配套措施的探索，长期走在国内前列。

文献管理和使用能力 在文献收集过程中，文献体量较大，内容丰富复杂，学生的文献管理能力需要提高。为此，介绍和要求学生选用NoteExpress、EndNote等参考文献管理工具，借助文献管理工具具有的主题分类和随时笔记的便捷性和优势性，提高学生文献管理能力。另外，学生在写作毕业论文过程中需要经常引用文献，并随时可能对文献顺序进行调整。为此，指导学生科学使用文献管理工具，能够边写作边引用，以及运用行文中参考文献的自动排序功能，从而提高文献使用能力以及引用文献的规范性，促进写作效率的提高。

计算每日成功率的平均数和每分钟成功率的平均数，绘制平均成功率柱状图，如图6～7所示。

图6 每日平均成功率

图7 每分钟平均成功率

分析结果显示，成功率未呈现显著的周期性。平均成功率基本稳定在相同数值，亦未呈现显著的长期趋势。

2.2.3 响应时间的周期性

计算每分钟响应时间的平均数和每日响应时间的平均数，绘制平均响应时间柱状图，如图8～9所示。

分析结果显示，平均响应时间除个别日期和时段存在奇异值外，整体基本稳定在相同数值，交易高峰时段响应时间相对于低谷时段时间更短，响应时间有一定的周期性但非显著。可能是交易笔数较大抵消了部分随机因素的影响，响应时间未呈现显著的长期趋势。

图8 每日平均响应时间

图9 每分钟平均响应时间

2.3 计算以工作状态、时段为周期的季节指数

该主元模型初始特征值为1.683，解释了总方差的56.116，较好地解释了总体的波动。

根据时间序列中的数据资料所呈现的季节变动规律性，计算描述该变动的季节变动指数的方法。利用季节指数预测法进行预测时，时间序列的时间单位变动循环周期固定。计算公式如下：

其中：Sj为第j工作状态的季节指数为第j工作状态的平均值。工作状态可分为两类：1)一周内每一天；2)工作日(班)、非工作日(休)为样本平均数。

2.3.2 以工作状态为周期的季节指数

将法定节假日调整后的数据，分别计算按工作状态，计算星期一至星期日和不同工作状态下的交易量等变量的季节指数。计算结果，如表3所示。

分行侧参数数据变更或者配置错误，数据中心后端处理的失败率增加，影响交易成功率指标，考虑到交易低谷时段交易量低等其他原因导致的成功率较低，以及成功率框图显示的信息，尽量保留所提供的原始数据，将成功率的缺失值设定为x2<0.5(依据3σ原则该数值为0.95)，缺失值占总数的0.014%。

表3 以工作状态为周期的交易量季节指数

工作状态交易量/笔成功率/%响应时间/ms星期一102.26100.01101.54星期二104.94100.0597.11星期三103.16100.05102.00星期四104.96100.04102.02星期五103.17100.0297.15星期六92.9699.9597.88星期日88.5499.89102.29工作日(班)106.46100.04100.07非工作日(休)87.4899.9399.87

计算结果显示，交易量有明显的周期性特征，成功率和响应时间的周期性不显著。工作日交易量(季节指数为106.46%)显著高于非工作日交易量(季节指数为87.48%)，为此，在故障识别时需要分别判断不同工作状态下的数据特征。

2.3.2 以时段为周期的季节指数

按照交易时段，计算不同时刻的交易量等变量的季节指数，将季节指数低于100%的定义为低峰时段，将季节指数高于100%的定义为高峰时段，再分别计算低峰时段、高峰时段的季节指数。计算结果，如表4所示。

表4 以交易时段为周期的交易量季节指数

交易时段交易量/笔成功率/%响应时间/ms交易时段交易量/笔成功率/%响应时间/ms00:00—00:5912.17100.86115.1508:00—09:59133.37100.0194.9201:00—01:596.43100.66114.4609:00—09:59184.4699.8588.8102:00—02:594.16100.72113.6610:00—10:59192.8899.7687.8403:00—03:592.90100.54115.5211:00—11:59167.9899.7989.7304:00—04:592.56100.39114.5512:00—12:59160.1799.6990.7205:00—05:594.5399.96113.6713:00—13:59175.5099.6489.1206:00—06:5919.82100.11111.9514:00—14:59190.8699.5887.9007:00—07:5966.69100.19104.7115:00—15:59196.4499.6588.2120:00—20:5997.8699.8698.6116:00—16:59194.3999.7988.2021:00—21:5962.4999.88102.9217:00—17:59185.6299.9388.7622:00—22:5931.5799.84106.4018:00—18:59154.9399.8492.3123:00—00:5915.7399.68108.4219:00—19:59131.6999.8094.15低峰(20:00—07:59)27.26100.22111.25高峰(08:00-19:59)172.3599.7890.11

使用IBM SPSS软件“回归分析”功能，将应用运行状态设置为因变量，将交易量、为成功率、为响应时间、工作状态、交易时段、设置为自变量，选用向后步进(似然比)方法，求得逻辑回归方程为：

2.4 各变量的分布规律

使用IBM SPSS软件“频率”功能，绘制交易量、成功率、响应时间直方图(缺失值设定1 900 ms)、响应时间直方图(缺失值设定200 ms)，如图10～13所示。从图形形态上初步交易数据的分布规律。使用“非参数检验”功能，检验交易数据是否满足经典分布形态。

图10 交易量直方图

图11 响应时间直方图(缺失值设定1 900 ms)

图12 成功率直方图

图13 响应时间直方图(缺失值设定200 ms)

图形形态显示，三个变量均为双峰，可能原因为交易数据包含的正常状态下随机因素和故障状态下随机因素二者重叠影响所致。

3 基于主成分分析的多变量统计故障识别

故障是指ATM交易系统或设备运行中，由于某些原因偏离正常状况转而处于一种非正常的状态，并且ATM交易系统出现了异常现象。故障诊断主要是指通过利用待诊断系统中大量的测量设备所观测和记录到的数据信息、系统运行时的状态信息等可获取的信息以及过程发生故障时的异常征兆，对系统进行全方面的判断和分析[7]。

常用的多变量统计的故障诊断方法有：主成分分析(PCA)、主元回归(PCR)、偏最小二乘(PLS)等方法。主成分分析又称主成分分析，由Pearson最早提出，经Hotelling改进，在过程监控领域相比其他方法具有较强的适应性、更易实现，还具有降维能力，可以把过程变量空间划分为表示子空间和残差子空间，能够实现子空间识别、故障识别等[3]，为此，本文选用主成分分析进行ATM交易状态多变量统计故障诊断。

3.1 主成分分析

主成分分析的思想是利用降维思想，将多个互相关联的数值变量转化成少数几个互不相关的综合指标的统计方法。这些综合指标就是原来多个变量的主成分，每个主成分都是原始变量的线性组合，并且各个主成分之间互不相关。对ATM交易系统应用实施多变量统计过程控制，将反映ATM交易信息的交易量、成功率、响应时间3个变量进行主成分分析，建立反映ATM交易系统应用正常运行的主元模型[4]。

由于主成分分析的结果受数据尺度的影响，因此在进行主成分分析时，需要先将数据进行Z标准化，即将每个变量的均值减掉以后除以它的标准差。然后计算各变量之间的相关矩阵、该矩阵的特征根和特征向量，最后将特征根由大到小排列，分别计算出对应的主成分。

Z标准化公式如下：

(2)

其中：zscore(x)为x的Z标准化得分为变量x的均值；s为变量的标准差。

前文分析交易量具有显著的周期性，为表征并剥离出交易量的周期性，新建表征工作状态属性和交易时段属性的虚拟变量。工作状态，取值为0时代表交易日期为周末或法定节假日，取值为1时代表工作日。交易时段，取值为0时代表交易时间处于低峰时段，取值为1时代表交易时间处于高峰时段。根据以上分析，建立自变量含虚拟变量的多元逻辑回归模型：

z=t1zscore(x1)+t2zscore(x2)+…+tmzscore(xm)

(3)

其中：z为主元得分；zscore(x1)为交易量标准化得分；zscore(x2)为成功率标准化得分；zscore(x3)为响应时间标准化得分；ti为xi标准化后变量zscore(xi)的主成分分析回归系数。

3.2 主元的抽取

使用IBM SPSS软件，提取交易量、成功率、响应时间3个变量的主元。操作步骤如下：

1)使用“描述”功能，将交易量、成功率、响应时间3个变量的z标准化得分另存为新的变量zscore(x1)、zscore(x2)、zscore(x3)。

2)使用 “因子分析”功能，抽取主成分，输出碎石图和特征值，并将因子得分保存为新变量“主元得分”。主成分分析碎石图显示，仅有1个主元特征值>1，因此求得主元模型为：

z=-0.909zscore(x1)+0.198zscore(x2)+

9月25日下午，中欧水资源交流平台地下水管理专题会议召开。水利部副部长胡四一、丹麦环境大臣奥肯出席开幕式并致辞。

0.905zscore(x3)

(4)

其中：z为主元得分；zscore(x1)为交易量标准化得分；zscore(x2)为成功率标准化得分；zscore(x3)为响应时间标准化得分。计算结果，如表5所示。

表5 主成分分析解释的总方差

成份初始特征值合计方差的累积提取平方和载入合计方差的累积11.68356.11656.1161.68356.11656.11620.98432.81388.93030.33211.070100.000

2.3.1 季节指数的原理

3.3 故障控制限的确定

ATM交易过程中，交易信息特征值的波动分为正常波动和异常波动。正常波动是偶然性原因不可避免因素造成的，异常波动是由系统原因异常因素造成的，但能够采取措施避免和消除。根据中心极限定理，这些随机误差的总和，即总体质量特性，服从正态分布。根据3σ原则，按照GB/T 4091—2001《常规控制图》要求，当前文提取的“主元得分”在某时刻的平方预测误差，发现以下任一情形时，ATM交易系统应用系统异常或故障[8]：1)一点落在3σ以外；2)连续9个点落在中心线的同一侧；3)连续6点递增或递减；4)连续14点相邻点上下交替出现；5)连续3点中有2点落在中心线同一侧2σ以外；6)连续5点中4点落在中心线同一侧的σ以外；7)连续15点落在中心线两侧的σ内；8)连续8点在中心线两侧但无一在σ内。另外，根据题意及前文分析设定离群值的相应时刻，ATM交易系统应用系统异常或故障：9)成功率<0.5%；10)响应时间>1 900 ms。

3.4 故障识别与标识

将数据导入ACESS数据库，对每一个时刻的交易数据，分别判断主元得分是否发生故障控制限所限定，10条规定中任意一条发生则判定该时刻ATM交易系统应用系统异常或故障，建立新变量，命名为“应用运行状态”，识别出有故障的时刻记为1，识别出无故障的时刻记为0。

综上所述，常规凝血检验项目对异位妊娠大出血输血治疗不良反应监测的应用效果可观，合理应用可以减少输血治疗过程中恶性事件的发生。

3.5 含虚拟变量的多元逻辑回归

逻辑回归(Logistic regression)是指因变量为二分类变量时的回归分析。因变量y，服从二项分布，取值为0或者1。逻辑回归模型为：

(5)

经对数变换后，得到：

使用IBM SPSS软件“图形”功能，绘制交易信息相关变量的累积图，从图形形态上初步判断交易数据的趋势和周期性。

(6)

其中：logit(x)为逻辑回归函数；p(x)为事件x发生的概率；y为因变量；xi(i=1，2，…m)为自变量；θ0为截距项；θi(i=1，2，…，m)为自变量xi的回归系数。

3.5.1 含虚拟变量的多元逻辑回归模型的建立

新闻节目是广播电视节目的重中之重，做新闻的优势在于地方本土的新闻信息，报道身边经济、民生、人物，这是观众对一个地方全面了解的重要窗口。要打破惯性思维，变“蜻蜓点水”为深度挖掘，加强新闻的深度、广度、高度，这样的新闻才有生机，并为观众所喜闻乐见。这就要求编辑记者必须具有全局观念，深刻理解党的基本路线、方针政策，立足国情、省情、市情，才能把握事件的思想内涵，增强新闻报道的思想性和表现力。

对zscore(x1)、zscore(x2)、zscore(x3)进行主成分分析可以得到：

logitp(y=1)=logit(x)=θ0+θ1x1+θ2x2+…+θ5x5

(7)

其中：logit(x)为逻辑回归函数；因变量y，表征应用运行状态属性，取值为0时代表交易系统应用运行未发现异常，取值为1时代表交易系统应用运行异常或故障；x1为交易量，x2为成功率，x3为响应时间；x4为虚拟变量，表征工作状态属性，取值为0时代表交易日期为周末或法定节假日，取值为1时代表工作日；x5为虚拟变量，表征交易时段属性，取值为0时代表交易时间处于低峰时段，取值为1时代表交易时间处于高峰时段。

2.3.2利用平时学习中遇到的问题引申 如学生经常写错字，习惯用透明胶、刀片等涂擦修改，借此问题引入以下案例：病人，女，35岁。诊断：子宫癌，行子宫全切手术。出院后因医疗保险报销，病人家属在复印病历时发现护士在护理病历书写过程中采用了刀刮的修改方法，导致原来记录无法辨认，保险公司对记录的真实性不予认可，因此不给其赔付。病人家属将医院和该护士告上法庭。

3.5.2 多元逻辑回归模型的求解

计算结果显示，成功率周期性不显著，交易量和响应时间的周期刚好相反，印证了两变量的显著负相关。交易量高峰时段的季节指数为172.35，显著高于低峰时段的27.26，响应时间高峰时段的季节指数为90.11，显著高于低峰时段的111.25。为此，在故障识别时需要分别判断不同工作状态下的数据特征。

logit(x)=-89.44+0.016x1+46.349x2+0.269x3-0.393x4-11.773x5

(8)

3.5.3 模型的检验

在我国公用事业政府主导、商业化不足的基本国情下，政府应在统筹各类规划的基础上主导制定再生水规划。借鉴国外经验，规划制度应当体现多层次、多部门的要求，规划内容必须全面涉及经济、社会、环境、人力的可行性，规划必须注重市场调查，规划的技术环节必须完整。需要结合我国国情以及各地区区情，考虑再生水规划与其他规划的关系，尽快建立再生水规划体系。特别需要处理好再生水利用与现有污水处理设施的关系，并将再生水规划纳入一般水资源规划和城市供水规划。

1)模型显著性检验

今年以来，忻州分公司按照“大干100天”的销售目标计划，以“管好客户、做好决策、带好队伍”为主基调，充分调动全员积极性，奏响直分销“三部曲”。截至9月底，直分销同比增幅94%，增幅全省排名第一，连续多个月保持增长势头，成效显著。

目前主流浏览器大多支持 HTML5，但各浏览器的性能与支持程度各异，其中Google 公司的 Chrome 浏览器表现最优。

由图3（f）可知，添加0.2gBHT与没有添加BHT相比，提取量提高了14.5%。在添加BHT之后，添加量没有对叶黄素提取量产生明显的改变，最终选定BHT添加量为0.2g。

对多元逻辑回归模型，进行模型预测效果检验，如表6所示。

表6 分类表

已观测已预测故障标识0.001.00 百分比校正/%应用运行状态12972411099.918494483.7总计百分比/%--99.8

*切割值为0.500

从表6可以看出，应用运行状态标识为故障的1128个时刻，944个被正确预测，正确率为83.7，整体正确率为99.8。较好的预测了ATM交易系统运行异常或故障。

对多元逻辑回归模型，进行模型显著性检验，如表7所示。

表7 模型汇总

步骤-2对数似然值Cox&SnellR方NagelkerkeR方11743.546a0.0820.871

*因为参数估计的更改范围小于0.001，所以估计在迭代次数13处终止。

预测模型的Cox & Snell R 方为0.082，Nagelkerke R 方为0.871，表明模型有较好的解释能力，预测模型显著。

2)回归系数显著性检验

对多元逻辑回归模型，进行回归系数显著性检验，如表8所示。

表8 方程中的变量

BS.E,WalsdfSig.exp(B)交易量0.0160.001864.638101.016成功率46.3493.669159.592101.35e+20响应时间0.2690.009862.438101.308工作状态-0.3930.2342.82710.0930.675交易时段-11.7730.529496.164100常量-89.444.33426.683100

预测模型各回归系数的渐进显著性均<0.05，拒绝回归系数为零的原假设，回归系数显著。

4 结论

使用主成分分析对ATM交易系统进行多变量统计故障诊断，提取每个交易时刻交易量、成功率、响应时间3个变量的主元得分，根据GB/T 4091—2001《常规控制图》和离群值判断ATM交易系统应用运行异常或故障时刻，判断每个交易时刻应用运行状态，以应用状态为因变量，建立含工作状态、交易时段两个虚拟变量的多元逻辑回归方程。回归方程表明，ATM交易系统应用运行异常或故障，与交易量、响应时间成正比，即交易量越多系统应用运行异常或故障可能性增加，响应时间越长系统应用运行异常或故障可能性增加；与工作状态、交易时段成反比，即休息日系统应用运行异常或故障可能性增加，交易低峰时段系统应用运行异常或故障可能性增加。

参考文献：

[1]尚龙数学技术中心.ATM交易状态特征分析与异常检测[DB/OL].(2017-04-15)[2017-11-14].http://m2ct.org/view-page.jsp?editId=12&uri=0D0090& gobackUrl=modular-list.jsp & pageType=smxly&menuType=flowUp.

[2]费吉忠，王践. ATM故障诊断经验谈[J].电脑与信用卡，1999(6):32-35.

[3]胡定宪，熊炜. ATM网的测试与故障诊断[J].计算机与数字工程，2002(4):53-55.

[4]汪成亮，谷民杰，陈娟娟.PDM结合FMEA进行金融设备的故障诊断[J].计算机系统应用，2011(2):230-233，26.

[5]高泽旭. 基于神经网络的ATM故障诊断专家系统[J].中国金融电脑，2014(10):91.

[6]郭斌.关于基于多变量统计分析的复杂工业过程故障诊断[D].上海：东华大学，2014：2-4.

[7]杨鑫，刘文长.质量控制过程中的统计技术[M].北京:化学工业出版社，2016：34-39.