偶尔发生错误，但优先级高

我正在从事一个CNC（计算机数控）项目，该项目借助激光将形状切割成金属。

现在我的问题是，有时（每20天奇数次要1-2次）切割是否出错，取决于设置的是什么。

但这会造成损失，因此客户对此并不满意。

我试图找出原因

1. 包括日志文件
2. 调试
3. 重复相同的环境。

但不会重复。

暂停并继续操作将再次使其平稳运行，而不会再次出现该错误。

我该如何解决这个问题？我应该将其声明为硬件问题吗？

工作环境

正如ChrisF所建议的那样，务实的短期解决方案可能是使用暂停和恢复技巧，但是您必须与客户交谈以了解应优先考虑的事项。例如：

• 如果故障会浪费£1000的零件或每周导致4个小时的停机，而暂停恢复修复会使生产减少1％，则他们现在可能会更喜欢修复。

• 如果故障每周浪费一次£1零件或导致4分钟的停机，但是暂停恢复修复将生产减少了1％，则他们可能更愿意等待不会影响生产率的修复。

我在激光微加工行业工作了多年，我知道您需要承受多少压力才能优化工艺，并使您的机器每小时生产尽可能多的零件，所以无论哪种方式正确解决问题的压力。

记录中

以我的经验，有效跟踪Heisenbug的唯一方法是大量日志记录。在可能导致错误的代码部分及其周围记录所有内容。了解如何有效地读取日志文件，确保您正在监视电动机上的跟随错误（您的载物台在应该移动的位置移动了？）。查看机器上的内存使用情况，是否是内存泄漏导致关键进程饿死了？

确保您也记录了用户的操作，是否确定操作员没有按下紧急停止按钮，以便他们可以在固定过程中突然冒出烟头休息？我已经看到了这种情况！

静态分析

另外，还要寻找在特定模式的划线与或多或少被触发的错误之间的相关性。如果您找到触发问题的频率更高（或从不触发）的模式，则可能表明您的问题。

尝试使触发问题的模式更加频繁。如果您找到一种可靠地触发问题的方法，那么您就可以找到解决方案的一半。

其他选择

最后，不要很快责怪硬件，但不要以为它是完美的。很多次我被归咎于实际上是电气或机械问题，因此您始终必须将这些问题放在脑后。

即使您通常可能无法使用机器，也请记住，某些问题只能在机器上有效解决。有时，通过远程桌面在现场几天可以花上几个星期，而在离线状态下则可以花上数月。如果您用完了脱机选项，请不要害怕提出现场访问，他们只能说不。

您可能还想看看“ 如何使用heisenbug？”的问题和答案。和如何处理无法复制的错误？但是这些可能对您的情况没有太大帮助。

我将提出一个建议。

转到工厂经理，要求查看发生该故障的时间该工具或该区域的电源线监视器记录。还要问他在那个时候是否有焊接或其他异常活动。

几十年前，我父亲曾经与一台无缘无故崩溃的小型计算机混在一起。他们致电制造商的客户代表。

销售代表来到他们工厂区的办公室，将电压表插入迷你旁边的墙上，然后说：“注意这一点”。

几分钟后，电压表突然下陷，明显地，然后又回来了。代表说：“那是他打击测试弧线。请稍等。” 此后不久，电压表再次下沉，这次保持下垂。

代表说：“那是您的问题。您在工厂车间焊接了一个家伙，而他与您的功率相同。在我走进去时，我看到他正在安装。”

他们必须为办公室运行完全独立的电源。

该问题是对用户产生实际后果的真实问题，即工作损坏等，因此需要修复。但是，不必“正确”修复它。您声明：

暂停并继续操作将再次使其平稳运行，并再次出现该错误。

在这种情况下，只需执行此操作即可。即使正常运行时间要花几秒钟，客户也不会在有缺陷的运行中浪费材料，这将使他们感到满意。

显然，从长远来看，你可能需要修正这个“正常”，但暂时削减你的损失，去与解决方法，并获得到别的东西。

我在一个游戏中遇到了一个错误，该错误只发生了十亿次。幸运的是，这意味着我每15到30分钟就会看到一次，但是单步调试一下调试器中的代码将无法正常工作。我最终输入了调试消息。他们需要使用精美的if语句，因为我只在出现问题时才需要某些东西。在大多数情况下，调试代码是在常规代码中重复计算，但是使用了不同的技术。重复不必很精确。如果我知道一个数字应始终小于10,000，并且有时看起来会达到150,000，那么我只想检查一个大于100,000的值。每次发生此错误时，我都会研究我的结果，设计更复杂的调试消息（或更准确地说，进行更复杂的检查以查看是否应该显示一条消息），然后等待问题再次出现。

您的周期将比我的周期长很多，但是最终您将解决这个问题。我确实希望您可以通过其他更快的方法找到解决方案，但是如果没有其他措施，最终还是可以找到解决方案的，并且可以让您感觉到您正在做某事，直到您提出一个更好的主意。

（在有帮助的情况下，我最终通过清理最终确定为问题的几行代码解决了我的问题。我发誓它们没什么问题，但是我认为优化器和CPU都在重新排序指令以用于在性能方面，我认为它们有时会偶尔获得一些额外的速度，即使是现在单核也要进行多进程，而且我认为每一次出色的工作都会在寄存器写入之前被读取。我将所有计算都切换为使用局部变量，“实例字段”值从一开始就移至局部变量，而局部值仅在同步块内最后才移回局部变量。方法的返回值，而不是“实例字段”我一直在使用。）

调试中的规则1第一：您需要可重现的方案。

如果您没有，请先进行处理。您是否可以在机器的某种“模拟模式”下重现该错误，而实际上并未切割任何金属？这似乎很有意义。您能否在几分钟内模拟20天的过程来快速，自动地运行几种不同的切割程序？这可能会增加出现问题的可能性。

然后，当您遇到这种情况时，下一步就是收集尽可能多的信息并真正开始调试。

不确定使用哪种语言，但是如果我在代码（C ++）中遇到不稳定的错误，我将使用valgrind或cppcheck之类的工具来确保在内存方面没有任何问题。

RalphChapin答案的扩展：

多年来，我不得不寻找大量的错误，这些错误只能在由于附加硬件而无法复制的系统上显示出来。

除了疯狂地记录日志之外，我还发现了另一件事：将信息放在屏幕上，显示代码在哪里以及一些相关变量的值。当问题出现时，甚至工厂的工作人员都可以阅读我的信息。

通常需要经过几轮改进才能将其精确定位，但是非常有效。