هدف این پایان نامه، تشخیص خطا برای سیستم های گسسته پیشامد توسط شبکه های پتری- عصبی ( (npnsمی باشد. در ابتدا سیستم گسسته پیشامد توسط شبکه پتری مدلسازی می شود. بافرض اینکه مهره گذاری اولیه در دسترس باشد، خطاها توسط گذرهای رویت ناپذیر مدلسازی می شود. در این پایان نامه مهره گذاری g-marking معرفی شده است که در آن محل ها می تواند تعداد مهره منفی داشته باشد و هنگامی که این واقعه رخ می دهد، نمایانگر این است که خطایی ممکن است در سیستم اتفاق بیفتد. شبکه های عصبی(nns) نقش بسیار مهمی در بهبود نتایج حاصله دارد. خروجی شبکه های عصبی در ارتباط با گذز های رویت ناپذیر است و درصد تعداد خطای احتمالی مورد نظر را گزارش می دهد؛ بنابراین با استفاده این روش، می توان خطاهای احتمالی را الویت بندی کرده و در ابتدا اپراتور خطایی را که درصد بیشتری دارد، بررسی خواهد کرد. بعد از اینکه اپراتور اولین محل خطا را بررسی کرد، ممکن است خطای مورد نظر در این محل اتفاق افتاده باشد یا خطای مورد نظر در این محل اتفاق نیفتاده باشد؛ در حالت اول واضح است که به بررسی رفع خطا پرداخته خواهد شد و به مقدار در صد این خطا در مرجع شبکه عصبی افزوده خواهد شد و در حالت دوم اپراتور به سراغ محل خطا با در صد بیشتر بعدی خواهد رفت و از مقدار درصد خطای اولی در مرجع شبکه عصبی کاسته خواهد شد و روند به همین ترتیب ادامه خواهد یافت؛ بنابراین با این روش می توان در وقت صرفه جویی کرد. نتایج مدل سازی و تشخیص، بیانگر کارآیی روش های پیشنهادی می باشد. این نشان می دهد که روش های پیشنهادی می تواند با عملکرد سریع به خوبی از سیستم محافظت کرده و در صورت بروز مشکل به خوبی اپراتور را راهنمایی کند و در مقایسه با کارهای انجام شده قبلی، نتایج بهینه تری بدست می آید زیرا که در کارهای قبلی فقط احتمال بروز خطا بیان شده بود؛ در حالی که در روش جدید پیشنهادی می توان به درصد خطای احتمالی دست یافت.