多任务测试性指标分配方法
【技术领域】
[0001] 本发明属于系统故障诊断技术领域，更为具体地讲，涉及一种多任务测试性指标 分配方法。
【背景技术】
[0002] 目前的系统故障诊断技术领域多采用的是多信号模型的建模方法，系统模型的测 试性指标分配也是基于多信号模型的，主要是将上层系统或模块的测试性指标分配到下层 的子系统或子模块，模块和系统的划分之间并不存在交叉与重叠，保证了模块间物理的隔 离，而且与系统硬件电路结合更加紧密。目前基于多信号模型的测试性指标分配的方法主 要有经验分配法和线性插值分配法。
[0003] 但是基于多信号模型的测试性指标分配更多地是站在硬件产品的角度上保证系 统的测试性指标，却无法从任务的角度保证任务的测试性指标；更无法将多任务间的联合 协同的特性考虑进去，多信号模型更像是多任务模型中其中的一个子任务，不能像多任务 模型那样将任务之间的联系和产品器件属性联合起来考虑，多任务模型中任务之间的交叉 覆盖、协同联合是多信号模型无法做到的。所以对基于多任务模型的测试性指标分配方法 的研究是很有必要的。
[0004] 虽然现在有部分专家学者开始研究基于任务剖面建模，从更高的层次更系统的角 度考察系统的测试性，但缺少成熟的理论和具体可行的方法；更加缺少针对多任务模型的 系统测试性指标进行分配的方法。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种多任务测试性指标分配方法， 针对多任务模型的特点建立测试性指标分配的数学模型，优化多任务模块的测试性指标分 配。
[0006] 为实现上述发明目的，本发明多任务测试性指标分配方法，包括以下步骤：
[0007] S1 :根据任务模型树和产品结构树得到任务数量N和模块数量M，通过多任务模型 得到任务与模块的关联标识，当klj= 1时表示模块j属于任务i，当klj= 0时表示模块 j不属于任务i，i表示任务序号，取值范围为i= 1，2，···，N，j表示模块序号，取值范围为 j= 1，2,…，Μ;
[0008] 得到各任务和模块对测试性指标的最低要求，包括每个任务i的指标最低要求 Finun和每个模块j的指标最低要求!^_;统计得到每个模块的平均无故障时间α获得 各模块的测试性代价因子(二，其中d表示测试性代价因子的种类序号，其取值范围为d= 1，2,…，D，D表示测试性代价因子的种类数量；设置各种测试性代价因子的权重Wd;
[0009] S2 :计算每个模块的综合测试代价λj:
[0011] S3 :采用粒子群算法对以下模型进行求解，得到各模块的测试性指标分配结果：
[0014] 其中，γ廣示模块j分配的测试性指标。
[0015] 本发明多任务测试性指标分配方法，首先获取相关数据，包括任务数量、模块数 量、任务与模块的关联标识，各任务和模块对测试性指标的最低要求，各个模块的平均无故 障时间、测试性代价因子，以及各种测试性代价因子的权重，根据以上数据计算得到每个模 块的综合测试代价，然后建立测试性指标分配的数学模型，采用粒子群算法对模块进行求 解，从而得到各模块的测试性指标分配结果。
[0016] 本发明针对多任务模型中任务与模块存在多对多映射的情况，建立相应的测试性 指标分配数据模型，使得分配后的测试性指标不仅满足各模块的要求，也可以满足各任务 对测试性指标的要求，并使测试代价最小，从而降低系统的研制成本和维护成本。
【附图说明】
[0017] 图1是某导弹系统的任务剖面模型图；
[0018] 图2是本发明多任务测试性指标分配方法的流程图；
[0019] 图3是粒子群算法的流程图。
【具体实施方式】
[0020] 下面结合附图对本发明的【具体实施方式】进行描述，以便本领域的技术人员更好地 理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许 会淡化本发明的主要内容时，这些描述在这里将被忽略。
[0021] 为了更好地说明本发明的技术方案，首先对多任务模型进行简单介绍。
[0022] 任务剖面是产品在完成规定的任务这段时间内所经历的事件和环境的时序描述， 是系统功能和结构的过程化表示，是系统静态和动态属性的全面体现。任务剖面体现为系 统运行中各装备按照时序工作并进行状态变化的过程，蕴含装备、功能、指标之间复杂的关 联标识，为系统的测试性分析提供了建模基础。
[0023] 任务剖面建模是以时间片为单位，在单个的时间片中完成单个的任务，而每个任 务又可以分为多级子任务，不同的最小子任务又由多级功能支撑，最小的功能单位则是由 硬件产品实现的，所以在进行测试性分配时，应当把任务指标分配到下层的功能级别上，最 后再分配到硬件结构上和多信号模型对应起来。
[0024] 图1是某导弹系统的任务剖面模型图。如图1所示，图中上部分为某导弹系统的功 能任务分解示意模型；下部分为该系统的多信号模型，多信号模型中菱形的部分代表模块， 其间的箭头表示信号流向。上层到下层的箭头给出了完成任务所需的或所涉及的多信号模 块。从图1可以看出，该导弹系统的毁伤能力分为若干个子任务，每个子任务下又划分成多 级子任务，然后建立功能对任务的支撑关系，针对最底层功能需要哪些硬件或设备实现建 立多信号模型，有些功能可能多次包含相同的模块或不同功能包含同一模块，从而使得任 务与硬件模块形成多对多的映射关系，从而形成关联矩阵。表1是任务模型与多信号模型 的映射关系矩阵。
[0025]
[0026]表1
[0027] 如表1所示，表格中的元素1表示对应任务与模块存在关联，元素0表示对应任务 和丰吴块不存在关联。
[0028]由于每个任务都有相应的测试性指标要求，在满足系统任务的测试性指标要求的 同时还要将测试设计的成本降至最低，即实现测试成本的最优化，因此本发明提出了一种 多任务测试性指标分配方法，令所分配的测试性指标达到以上要求。
[0029] 图2是本发明多任务测试性指标分配方法的流程图。如图2所示，本发明多任务 测试性指标分配方法的具体步骤包括：
[0030] S201 :获取相关数据：
[0031] 首先根据任务模型树和产品结构树得到任务数量N和模块数量M，通过多任务模 型得到任务与模块的关联标识，当klj= 1时表示模块j属于任务i，当klj= 0时表示模 块j不属于任务i，i表示任务序号，取值范围为i= 1，2,…，N，j表示模块序号，取值范围 为j= 1，2,…，M〇
[0032] 然后得到各任务和模块对测试性指标的最低要求，包括每个任务i的指标最低要 求Finun和每个模块j的指标最低要求F]nun。统计得到每个模块的平均无故障时间α]。然 后获得各模块的测试性代价因子0，其中d表示测试性代价因子的种类序号，其取值范围 为d= 1，2,…，D，D表示测试性代价因子的种类数量。并且设置各种测试性代价因子的权 重Wd。测试性代价因子用于计算对该模块进行测试时所需花费的代价。
[0033] S202 :测试代价计算：
[0034] 由于测试设置在多信号模型上，测试针对的对象是产品的各个模块，所以测试代 价是指的模块的测试代价，故模块j的综合测试代价λ,的计算公式为：
[0035] (1)
[0036]测试代价与测试性指标成非线性正向增长关系，在收集数据获得模块的测试性代 价因子时已经将这种非线性关系考虑进去了，故此处仅考虑测试代价与测试性指标的正向 增长关系，以线性关系表示，则可知系统的整体测试代价为：
[0037] cost(Xi,r2>···,yM) =2,;=1x7j< 2)
[0038] 其中γi，γ2，…，γM分别代表每个模块在任务测试性指标分配后获得的测试性指 标，即本发明需要求解的对象。
[0039] S203 :基于粒子群算法的测试性指标分配求解：
[0040] 根据任务模型的系统测试性指标要求、任务测试性指标要求和各组成模块的测试 性指标要求，给出如下约束条件：
[0042]F]nin^γ^ 1 (4)
[0043] 其中，γ廣示模块j分配的测试性指标。
[0044] 在满足以上针对系统指标和各组成单元指标约束的条件下进行研制成本的优化， 使得研制成本达到最低，即求解下式f(γJ的最小值。
[0045] f(Vj)-cos^v,, γ2,···,γΜ) - Σ^=ι^·χYj(5)
[0046] 将公式（3)、（4)、（5)联立即可得到本发明需要求解的数学模型：
[0049] 对公式（6)采用粒子群算法求解即可得到在最小研制成本的条件下的各模块测 试性指标。
[0050] 粒子群算法属于进化算法的一种，从随机解出发，通过迭代寻找最优解，然后通过 适应度来评价解的品质。本发明中，将各模块分配得到的测试性指标γι，γ2，…，γΜ作为粒 子群算法的粒子，粒子群算法在初始化时会随机设置若干个初始的测试性指标分配结果， 然后对这些粒子进行进化，直到得到最终的测试性指标分配结果。图3是粒子群算法的流 程图。如图3所示，采用粒子群算法求解各模块测试性指标分配结果的具体步骤包括：
[0051] S301 :随机初始化粒子：
[0052] 将模块的测试性指标分配结果γι，γ2，…，γΜ作为粒子，按照模块指标约 束条件Fjnun彡γ# 1随机初始化Q个粒子的速度向量匕vf]和位置 = [X;,冬…]，q= 1，2,…，Q，并将每个粒子的历史最优位置pBestq设为当前位置， Q个粒子中最优个体作为全局最优粒子gBest。
[0053] S302 :初始化迭代进化数次τ = 1。
[0054] S303 :更新粒子的速度和位置：
[0055] 对每个粒子的第j维的速度和位置分别按照以