一种基于故障决策网络的测试策略快速生成方法与流程

本发明属于故障诊断
技术领域：
，更为具体地讲，涉及一种基于故障决策网络的测试策略快速生成方法。
背景技术：
：随着电子信息技术的日益发展，复杂装备内部的电路设计日趋复杂，及时准确地确定系统状态并隔离内部故障，可以有效地缩短装备系统的研制、试验和定型时间。如何设计高效的故障测试方案已成为复杂装备系统设计领域的研究热点之一。现有的故障测试方案设计方法中，序贯测试基于初步设计中给出的信号流图和相关性模型描述的电路关系，给出测试序列测试方法，减小测试产生的代价，可以有效地提高后期设计和验证评估的效率，因此，该技术被广泛应用于装备系统的可测性设计。近年来，ao*算法通过采用启发式搜素和与或图搜索结合的方式提升了最优解的搜索效率，成为广泛使用的诊断策略生成方法。该方法基于故障模糊集和测点信息的逻辑关系生成隔离各个故障的决策树模型，极大地提高了故障诊断的效率。然而ao*算法以及其相关的改进方法在启发式代价评估时仅考虑了故障的概率信息和各个测点的代价信息，而忽略了故障依赖关系对启发式搜索的影响，这导致启发式搜索的策略受到局限，影响了算法的测试优化效率。专利201910438846.0将启发式搜索与动态规划相结合，通过降低最优解重复搜索的次数提升求解效率，然而，该专利的启发式函数的设定仅考虑到测试代价与故障概率的关系，而忽略了启发式搜索中依赖信息带来的影响，因此启发式函数的估计可能与真实的测试代价有很大的偏差，进而影响了最优测试策略的求解效率。与专利201910438846.0不同，提供一种基于故障决策网络的测试策略快速生成方法，通过故障和测点间的依赖关系，利用启发式评估值生成最优测试策略，从而通过最优搜索路径隔离出网络中的故障。技术实现要素：本发明的目的在于克服现有技术的不足，提供一种基于故障决策网络的测试策略快速生成方法，通过故障和测点间的依赖关系，利用启发式评估值生成最优测试策略，从而通过最优搜索路径隔离出网络中的故障。为实现上述发明目的，本发明一种基于故障决策网络的测试策略快速生成方法，其特征在于，包括以下步骤：(1)、构建待测试系统的故障依赖矩阵h＝{s,p,t,c,d}其中，s＝{s1,s2,…,si,…,sn}为故障类型构成的集合，si表示第i个故障类型，n表示故障类型的总个数；p＝{p1,p2,…,pi,…,pn}为故障类型对应的先验故障概率构成的集合，pi为si对应的故障先验概率；t＝{t1,t2,…,tj,…,tm}为测试测点对应的集合，tj表示第j个测试测点，m表示测试测点的总个数；c＝{c1,c2,…,cj,…,cm}为测试测点对应的测试代价构成的集合，cj为tj对应的测试代价；d＝{dij}为n*m维的依赖信息矩阵，dij＝1，表示si被tj测出，否则dij＝0；(2)、构建待测试系统的故障决策网络g＝{gik}，其中，gik表示用于隔离si和sk的最优测点，k≠i，k＝1,2…,n；最优测点gik的计算公式为：gik＝argmin{cj|dijδdkj＝1}其中，δ表示异或运算；(3)、通过启发式搜索算法生成最优测试策略(3.1)、设置初始搜索节点的故障集s*＝s，可用测试集t*＝t，机会代价值c*＝cmax，cmax为设置的测试代价最大值；设置最优测点topt；(3.2)、计算基于故障决策网络的启发函数评估值；其中，表示测点tj在故障si下的启发函数评估值，和分别是分离的两个子故障集的评估函数值；(3.3)、找出待搜索的测点to；(3.4)、若测点to的测试最优解已经求出或者对应的启发函数值大于机会代价值c*，则将测点to标记为最优测点topt，并跳转至步骤(4)，否则直接进入步骤(3.5)；(3.5)、根据测点to包含的依赖信息，分离故障子集和(3.6)、若仅包含单个故障，则表示该故障已经被隔离出，记录的隔离故障个数f0＝1和测试代价cost0＝0；否则，将作为新的故障集，将t*去除测点to后作为新的测点集，计算的机会代价为再返回步骤(3.2)，直到找到的隔离故障个数f0和测试代价cost0；(3.7)、若仅包含单个故障，该故障已经被隔离出，记录的隔离故障个数f1＝1，cost1＝0；否则，将作为新的故障集，将t*去除测点to后作为新的测点集，计算的机会代价为再返回步骤(3.2)，直到找到的隔离故障个数f1和测试代价cost1；(3.8)、更新测点to对应的启发函数值；(3.9)、计算当前最优故障隔离个数；(3.10)、更新机会代价值c*为(3.11)、更新待搜索的测点并将测点标记为最优测点topt，并进入步骤(4)；(4)、生成测试策略(4.1)、初始化根节点的故障集为s'＝s；(4.2)、找出s'对应的最优测点topt，并分离出故障子集；其中，表示si被topt测出，否则(4.3)、若s'0仅包含单个故障，则表示该故障已经被隔离出，算法结束；否则，将s'0作为新的故障集s'，再返回至步骤(4.2)，直到s'0中仅包含单个故障，算法结束；(4.4)、若s'1仅包含单个故障，则表示该故障已经被隔离出，算法结束；否则，将s'1作为新的故障集s'，再返回至步骤(4.2)，直到s'1中仅包含单个故障，算法结束。本发明的发明目的是这样实现的：本发明基于故障决策网络的测试策略快速生成方法，通过构建待测试系统的故障依赖矩阵和故障决策网络，通过启发式搜索算法生成最优测点，进而得到最优测试策略，从而通过最优搜索路径隔离出网络中的故障；这样结合依赖信息对于最优策略生成的影响，精确估计出启发函数值，减小启发函数估计与搜索策略决策在应用中的偏差，同时，通过机会代价的设定，为每一次搜索设置最优解上限，从而控制搜索过程，达到提高效率的目的。附图说明图1是本发明基于故障决策网络的测试策略快速生成方法流程图；图2是启发式搜索生成最优解的流程图；图3是启发函数值域实际测试代价的比较图；图4是根节点处左子故障集优化上界对待搜索解的隔离效果图；图5是根节点处右子故障集优化上界对待搜索解的隔离效果图；图6是生成的诊断树。具体实施方式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。实施例图1是本发明基于故障决策网络的测试策略快速生成方法流程图。在本实施例中，如图1所示，本发明一种基于故障决策网络的测试策略快速生成方法，通过建立图决策网络，建立更精确的启发式评估机制以提升最优解搜索的效率，同时构建了机会代价进一步优化求解过程，具体包括以下步骤：s1、构建待测试系统的故障依赖矩阵h＝{s,p,t,c,d}，其中，s＝{s1,s2,…,si,…,sn}为故障类型构成的集合，si表示第i个故障类型，n表示故障类型的总个数；p＝{p1,p2,…,pi,…,pn}为故障类型对应的先验故障概率构成的集合，pi为si对应的故障先验概率；t＝{t1,t2,…,tj,…,tm}为测试测点对应的集合，tj表示第j个测试测点，m表示测试测点的总个数；c＝{c1,c2,…,cj,…,cm}为测试测点对应的测试代价构成的集合，cj为tj对应的测试代价；d＝{dij}为n*m维的依赖信息矩阵，dij＝1，表示si被tj测出，否则dij＝0；s2、构建待测试系统的故障决策网络g＝{gik}，其中，gik表示用于隔离si和sk的最优测点，k≠i，k＝1,2…,n；最优测点gik的计算公式为：gik＝argmin{cj|dijδdkj＝1}其中，δ表示异或运算；s3、如图2所示，通过启发式搜索算法生成最优测试点s3.1、设置初始搜索节点的故障集s*＝s，可用测试集t*＝t，机会代价值c*＝cmax，cmax为设置的测试代价最大值；设置最优测点topt；s3.2、计算基于故障决策网络的启发函数评估值；其中，表示测点tj在故障si下的启发函数评估值，和分别是分离的左右两个子故障集的评估函数值；其中，评估函数值和的计算方法为：其中，l0+l1＝n，表示隔离si和sk的最优测点对应的测点代价；s3.3、找出待搜索的测点to；s3.4、若测点to的测试最优解已经求出或者对应的启发函数值大于机会代价值c*，则将测点to标记为最优测点topt，并跳转至步骤s4，否则直接进入步骤s3.5；s3.5、根据测点to包含的依赖信息，分离左、右故障子集和s3.6、若仅包含单个故障，则表示该故障已经被隔离出，记录的隔离故障个数f0＝1和测试代价cost0＝0；否则，将作为新的故障集，将t*去除测点to后作为新的测点集，计算的机会代价为再返回步骤s3.2，直到找到的隔离故障个数f0和测试代价cost0；s3.7、若仅包含单个故障，该故障已经被隔离出，记录的隔离故障个数f1＝1，cost1＝0；否则，将作为新的故障集，将t*去除测点to后作为新的测点集，计算的机会代价为再返回步骤s3.2，直到找到s1*的隔离故障个数f1和测试代价cost1；s3.8、更新测点to对应的启发函数值；s3.9、计算当前最优故障隔离个数；s3.10、更新机会代价值c*为s3.11、更新待搜索的测点并将测点标记为最优测点topt，并进入步骤s4；s4、生成测试策略s4.1、初始化根节点的故障集为s'＝s；s4.2、找出s'对应的最优测点topt，并分离出故障子集；其中，表示si被topt测出，否则s4.3、若s'0仅包含单个故障，则表示该故障已经被隔离出，导出测试策略，算法结束；否则，将s'0作为新的故障集s'，再返回至步骤s4.2，直到s'0中仅包含单个故障，算法结束；s4.4、若s'1仅包含单个故障，则表示该故障已经被隔离出，导出测试策略，算法结束；否则，将s'1作为新的故障集s'，再返回至步骤s4.2，直到s'1中仅包含单个故障，算法结束。实例为说明本发明的技术效果，采用反坦克系统为例对本发明进行验证。反坦克系统是一个完整的武器系统，由液压、燃料和环境控制子系统组成，用于打击和摧毁重型装甲车辆，该系统具有13个系统状态以及12个可用测点，其故障依赖矩阵、每个系统状态对应的先验概率以及每个测点的测试代价如表1所示。为验证本发明提出算法的效果，选取反坦克系统作为实例，同时，传统ao*算法作为对比算法一起计算该实例。表1是反坦克系统的故障-依赖矩阵；表1通过该测试方法关于故障全集在各个测点下的左右子树启发函数评估值，总体启发函数评估值和各个测点能达到的实际测试最优代价如图2所示。从图2中可以看出，算法对各个测点下的测试代价做出了有效的估计，用于引导测试优化的搜索流程。图3是启发函数值与实际测试代价的比较图，通过图3可以看出，通过图网络得到的启发函数评估值与真实的最优解测试代价相近，因此算法可以借助图网络进行启发函数精确评估，提升求解效率。图4和图5分别为各个测点下左右子树的搜索上界和启发式评估代价之间的散点图，通过图4和图5可以看出上界值对于启发式搜索的影响，当最优解的代价上界小于启发函数评估值，即散点在分界线以下时，程序停止对该测点下子故障集的测试策略搜索，由此精简了搜索过程。通过上述优化，由本发明产生的最优故障诊断树如图6所示，本发明在反坦克系统上的性能表现如表2所示。从表2中可以看出，本发明在测试优化时间上具有显著优势。算法优化时间搜索次数故障隔离率测试代价ao*32.678s168249100％4.752dpao*0.711s131100％4.752aol25.61s31101100％4.752本发明0.22s178100％4.752表2综上，由图6可以看出，本发明产生的最优故障树可以准确地分离出系统中的所有故障，而通过比较算法的性能表现，可得两种算法产生的故障树平均代价相同，而在时间上采用动态规划方法可以在一定程度上提升算法效率。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本
技术领域：
的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。当前第1页12