در سالهای اخیر با پیچیده و گسترده تر شدن فرآیندهای صنعتی وهم چنین توسعه سیستم های کنترل مبتنی برکامپیوتر، سیستم های هایبرید مورد توجه زیادی قرارگرفته اند. در این سیستم ها هم متغیرهای حالت پیوسته و هم متغیرهای حالت گسسته وجود دارند و بر یکدیگر نیز تاثیر می گذارند. در سیستم های هایبرید متغیرهای گسسته دارای مقادیر قابل شمارش و محدود هستند، در حالیکه مقادیر متغیرهای حالت پیوسته در فضایR^n تغییر می کنند. تغییرات متغیرهای حالت گسسته به صورت جهش از یک مقدار به مقدار دیگر است و متغیرهای پیوسته بر اساس معادلات دیفرانسیل یا تفاضلی که دینامیک اجزا پیوسته را توصیف می نمایند، تغییر می کنند. مسئله مورد بررسی در این طرح، تشخیص عیب در فرآیندهای هایبرید علیرغم وجود اختلالات و نامعینی ها در سیستم، است. با توجه به ترکیبی بودن این فرآیندها، روشهای تشخیص عیب متداول برای سیستمهای گسسته و یا پیوسته به تنهایی کارآیی زیادی ندارند. از سوی دیگر وجود نامعینی ها و اختلالهای مختلف، در فرآیندهای هایبرید به مراتب تاثیر گذارتر اند. بنابراین به کار گیری روشهای مقاوم تشخیص عیب برای این فرآیندها ضروری تر از فرآیندهای گسسته یا پیوسته می باشد. نکته مهمی که باید به آن توجه نمود این است که روشهای مقاوم عیب یابی معمولا برای فرآیندهای پیوسته پیشنهاد شده اند و معمولا از پیچیدگی زیادی برخوردارند و تعمیم آنها برای فرآیندهای هایبرید پیچیدگی آنها را بیشتر نیز می کند. در نتیجه استفاده از روشهایی که ضمن مقاوم بودن در برابر اختلالات و نامعینی های سیستم از پیچیدگی قابل قبولی نیز برخوردار باشند امری اجتناب ناپذیر است. در روش پیشنهادی در این طرح، با کمک شبکه پتری زمانی یک مدل گسسته پیشامد زمانی برای سیستم ایجاد می شود. به کمک این مدل رفتار دینامیکی فرآیند به صورت یک سیستم گسسته پیشامد زمانی (TDES) شناسایی می شود. استفاده ازمشخصات زمانی پیشامدها می تواند در عملکرد سیستم ها ی تشخیص عیب برای فرآیندهای هایبرید بهبود قابل ملاحظه ای ایجاد کند. این بهبود عملکرد، نتیجه مستقیم دسترسی به اطلاعات از رفتار زمانی سیستم تحت بررسی است که می تواند درتشخیص سریعتر و دقیقتر عیب مؤثر باشد. همچنین با تعریف توابع سازگاری می توان میزان سازگاری پیشامدهای زمانی سیستم را با هریک از حالتهای بدون عیب یا معیوب تعیین کرد. درنتیجه علیرغم وجود اختلا