CN105808805A - 一种基于混合诊断模型的测试性建模方法 - Google Patents

Abstract

本发明公开了一种基于混合诊断模型的测试性建模方法。本发明基于混合诊断模型，采用分层递阶的建模方法实现系统级的测试性建模，在此基础上融合结构模型、测试描述模型、维修模型和诊断模型实现部件级的测试性建模。在装备的概要设计阶段，通过自顶向下建模实现模块划分和功能描述；在装备的详细设计阶段，通过自底向上建模实现各功能模块的详细设计，对提高装备的测试性与诊断水平、降低全寿命周期费用、加速装备的升级换代、有效缩短装备的研发周期具有重要意义。本发明采用基于粒子群算法的诊断方法对混合诊断模型诊断策略进行优化，该方法可生成用户要求故障隔离精度、且平均测试费用较低的诊断策略，对于复杂装备具有实际应用价值。

Description

一种基于混合诊断模型的测试性建模方法

技术领域

本发明涉及测试性领域，特别是涉及一种基于混合诊断模型的测试性建模方法。

背景技术

测试性是系统和设备的一种便于测试与诊断的重要设计特性，对现代武器装备及各种复杂系统特别是对电子系统和设备的维修性、可靠性和可用性有很大影响。良好的测试性设计可以提高装备的战备完好性、执行任务的可靠性与安全性，缩短维修时间，降低系统使用保障时间，大大降低装备的全寿命周期费用。不管是信息流模型、多信号流图模型还是混合诊断模型，它们只描述了影响系统测试性的一个因素，它们通常作为一种系统测试性的预计、评估和分析工具。对于系统可靠性数据、测试性系统资源约束和系统保障维修等信息，这些模型没有给出有效的描述机制。因此，为有效进行测试性设计，这种测试性模型应该是面向系统不同层次和级别的开发人员，复杂系统的建模应支持自顶向下和自底向上两种设计模式。

诊断树算法，是解决复杂系统故障诊断的有效途径。同一个相关模型可以对应若干不同的诊断树(测试序列)，如何找到最佳测试序列使测试费用达到最小是诊断树自动建造过程中的关键问题，即测试序列问题(TestingSequentialProblem，TSP)。TSP已被证明属于NPC类问题，解决该问题的方法目前主要有动态规划(DP)算法和基于与/或树的启发式搜素(AO*)算法。

DP算法可以得到最优测试序列，但运算代价较高，在故障数目较大(大于12)时无法使用。AO*算法虽然在运算代价和生成测试序列方面做了平衡，但考虑到大系统和实时性的要求仍具有运算复杂、易偏离最优路径等局限性。

在国内，北京航空航天大学的石君友等人对诊断策略进行了较深入的研究，以相关性模型为基础，在单故障假设的前提下，综合可靠性和测试费用等因素提出了一种系统级优选测试点方法和故障诊断策略。总的来说，为指导故障诊断步骤的合理排序，提高故障诊断效率，国内外学者提出了很多行之有效的理论和方法。从推理模型看,主要有故障树、决策树、马尔柯夫可靠性模型、信息模型、有向图模型、概率因果网络、神经网络、规则推理模型。

所有方法都遵守“最小代价”原则，具体目标都一致：故障的发现率和定位率最高，所用诊断时间最短，搜索成本最低。这些方法在一定程度上满足了故障诊断策略优化的要求，在设备故障诊断与维修中取得了广泛的应用。

但从总体上看，这些决策模型和方法存在或多或少的局限，主要表现在：不确定性处理能力有待提高、多源信息表达与融合能力相对较弱，灵活性差。同时无法及时利用诊断经验，对环境适应性不好，虚警和漏检率高。

针对相关技术中的上述问题，目前尚未提出有效的解决方案。

发明内容

本发明提供了一种基于混合诊断模型的测试性建模方法，用以解决适用于装备测试性设计与维修保障一体化的测试性建模与分析问题。

根据本发明的一个方面，本发明提供了一种基于混合诊断模型的测试性建模方法，其中，该方法包括：

步骤A，根据系统结构和功能的层次性，对混合诊断模型进行结构和功能的划分，采用分层递阶的方法将所述混合诊断模型分割成基本的功能构件和功能单元，以实现系统级的测试性建模，得到分层有向图模型；

步骤B，在所述分层有向图模型的基础上，融合一体化测试性模型，以实现部件级的测试性建模；

步骤C，通过功能间的高阶依赖关系，计算故障模式与功能、功能与测试之间的相关性，最终获得测试与故障模式之间的依赖关系；

步骤D，基于自适应离散粒子群算法，引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重，通过迭代计算得到最优诊断策略。

优选地，所述一体化测试性模型包括：结构模型、测试描述模型、维修模型和诊断模型。

优选地，在所述混合诊断模型的概要设计阶段，通过自顶向下建模以实现模块划分和功能描述；在所述混合诊断模型的详细设计阶段，通过自底向上建模以实现各功能模块的详细设计。

根据本发明的另一方面，本发明还提供了一种基于混合诊断模型的测试性建模装置，其中，该装置包括：

第一处理模块，用于根据系统结构和功能的层次性，对混合诊断模型进行结构和功能的划分，采用分层递阶的方法将所述混合诊断模型分割成基本的功能构件和功能单元，以实现系统级的测试性建模，得到分层有向图模型；第二处理模块，用于在所述分层有向图模型的基础上，融合一体化测试性模型，以实现部件级的测试性建模；

第三处理模块，用于通过功能间的高阶依赖关系，计算故障模式与功能、功能与测试之间的相关性，最终获得测试与故障模式之间的依赖关系；

第四处理模块，用于基于自适应离散粒子群算法，引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重，通过迭代计算得到最优诊断策略。

优选地，所述一体化测试性模型包括：结构模型、测试描述模型、维修模型和诊断模型。

优选地，在所述混合诊断模型的概要设计阶段，通过自顶向下建模以实现模块划分和功能描述；在所述混合诊断模型的详细设计阶段，通过自底向上建模以实现各功能模块的详细设计。

本发明有益效果如下：

本发明基于混合诊断模型，采用分层递阶的建模方法实现系统级的测试性建模，在此基础上融合结构模型、测试描述模型、维修模型和诊断模型实现部件级的测试性建模。在装备的概要设计阶段，通过自顶向下建模实现模块划分和功能描述；在装备的详细设计阶段，通过自底向上建模实现各功能模块的详细设计，对提高装备的测试性与诊断水平、降低全寿命周期费用、加速装备的升级换代、有效缩短装备的研发周期都具有重要意义。本发明还采用基于粒子群算法的诊断方法对混合诊断模型诊断策略进行优化，该方法可生成用户要求故障隔离精度、且平均测试费用较低的诊断策略，对于复杂装备具有实际应用价值。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

图1是根据本发明实施例一的基于混合诊断模型的测试性建模方法的流程图；

图2是根据本发明实施例一的复杂装备分层结构图；

图3是根据本发明实施例一的模型解析示意图；

图4是根据本发明实施例一的改进混合诊断模型示意图；

图5是根据本发明实施例二的分层有向图模型的结构示意图；

图6是根据本发明实施例三的复杂装备的一体化测试性模型组成示意图；

图7是根据本发明实施例四的复杂装备的分层建模过程示意图；

图8是根据本发明实施例六的基于粒子群算法的诊断树示意图。

具体实施方式

本发明提供了一种基于混合诊断模型的测试性建模方法，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

实施例一

图1是根据本发明实施例一的基于混合诊断模型的测试性建模方法的流程图，如图1所示，包括(步骤A-步骤D)：

步骤A，根据系统结构和功能的层次性，对混合诊断模型进行结构和功能的划分，采用分层递阶的方法将所述混合诊断模型分割成基本的功能构件和功能单元，以实现系统级的测试性建模，得到分层有向图模型；具体地，如图2所示的复杂装备分层结构图，由系统分为多个子系统，每个子系统再分为多个模块。

步骤B，在所述分层有向图模型的基础上，融合一体化测试性模型，以实现部件级的测试性建模；

步骤C，通过功能间的高阶依赖关系，计算故障模式与功能、功能与测试之间的相关性，最终获得测试与故障模式之间的依赖关系；

模型解析过程如图3所示的模型解析示意图，

步骤D，基于自适应离散粒子群算法，引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重，通过迭代计算得到最优诊断策略。

通过本实施例的技术方案，解决了适用于装备测试性设计与维修保障一体化的测试性建模与分析问题。

上述一体化测试性模型包括：结构模型、测试描述模型、维修模型和诊断模型。

在本实施例中，在所述混合诊断模型的概要设计阶段，通过自顶向下建模以实现模块划分和功能描述；在所述混合诊断模型的详细设计阶段，通过自底向上建模以实现各功能模块的详细设计。

上述方法中，装备系统级的测试性建模采用分层递阶的建模方法。分层建模的模型以系统的结构模型为基础，描述层内功能与功能之间，功能与故障模式之间的关系及层级间的传播方式，同时定义测试点及测试信息，形成适用于复杂系统的测试性模型。改进后的混合诊断模型，如图4所示的改进混合诊断模型示意图。

上述方法中，装备部件级的测试性建模方法是在分层有向图模型的基础上，对装备一体化测试性模型进行融合。

下面通过优选实施例和附图，对本发明的技术方案进行详细介绍。

实施例二

本实施例介绍分层有向图模型，如图5所示的分层有向图模型的结构示意图，具体实现步骤如下。

分层有向图模型实现了把复杂装备分解成子系统，子系统又分解成下级部件，同树模型相仿，这种层次关系用连线的形式表示；在同一层次中，用多个有向图表示各单元之间的功能传播关系。从图5中可以看出，同层的多个虚线围成的单元之间是独立、不会互相干涉的。

分层有向图模型既符合复杂装备结构和功能的要求，又体现了模块化设计的思想，复杂装备模型包含两部分信息：

(1)结点的数据，即装备元件单元的信息；

(2)结点间的关系，即产品元件单元之间的父子关系或影响关系。

分层有向图模型包含复杂装备的层次信息和元件关系信息，结合层次模型和有向图模型的优点，与其他模型相比，该模型具有以下特点：

(1)每个组件结点为一个元件单元，每个组件本身又是模型；

(2)元件单元的有向连接表示信号和故障传播关系，无向连接表示父子关系；

(3)所有以某结点为祖先结点的元件单元构成一个新的分层有向图；

(4)体现了复杂装备的结构特点和功能特点。

利用分层有向图模型的层次化特点，可以对复杂装备进行分层分步的描述；利用分层有向图模型的模块化特点，可以将每一层的组件单元拆分为一个个独立的有向图进行描述。装备进行诊断顺序规划时，可以采用分层规划的方法，即首先装备拆分为子系统级有向图、LRU级有向图、SRU级有向图和元件级有向图；然后对各个层级的有向图进行诊断顺序推理；最后利用有向图之间的层级关系进行组合形成整个装备的诊断顺序。

实施例三

本实施例提供了基于混合诊断模型部件级的测试性建模方法，在分层有向图模型的基础上，对装备一体化测试性模型进行融合。复杂装备的一体化测试性模型组成示意图如图6所示，主要包括结构模型，测试描述模型，维修模型和诊断模型。

1)结构模型

结构模型包含了对象层级结构、组成实体、功能信息、故障信息、观测信息。

2)测试描述模型

测试描述模型主要包含了观测属性、资源约束、测试输出和测试环境。

3)维修模型

维修模型用来描述装备的维修过程信息。

4)诊断模型

诊断模型包含三个基本属性，即测试、诊断和输出。

实施例四

本发明实施例提供了复杂装备测试性建模过程。复杂装备的建模过程分为自顶向下和自底向上两个过程，适用于装备生命周期的不同阶段。在装备的概要设计阶段，通过自顶向下建模实现模块划分和功能描述；在装备的详细设计阶段，通过自底向上建模实现各功能模块的详细设计。具体过程如图7所示的复杂装备的分层建模过程示意图。

实施例五

本实施例提供了基于混合诊断模型的自适应离散粒子群算法，引入了多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重来克服早熟收敛问题。求解过程如下：

(1)粒子初始化及编码

在该算法中，用粒子的位置表示最终的测试排序。首先对模型中的故障模糊组和冗余测试进行处理，即将故障模糊组中的全部故障视为一个故障，将冗余测试删掉，只保留测试费用最小的一个，并将可用测试从1开始进行编号，然后直接采用编号对粒子位置进行编码。例如n个测试的诊断策略优化问题，则将测试分别编号为1到n，进而确定了粒子位置的维数为n，分别为1到n的不同整数。在初始化时，定义种群大小为S，搜索空间的上限U_d为n和下限L_d为1，算法最大迭代次数T_max，适应值阈值d_low和d_high，进而随机初始化每个粒子的位置X_i，初始速度V_i为0。

(2)适应值计算

按照之前的分析，采用公式对每个粒子的适应值进行计算，并更新每个粒子的P_k,best和P_k,worst，进而从个体极值找出全局极值，记录最好值的粒子序号g及其位置G_best。在计算适应值之前，需要根据粒子编码重新构造与或树，若某一分枝上的测试不能对模糊组进行隔离，则在该分枝上将该测试删除，进而对下一个测试进行处理。

(3)多样性计算

多样性指标div根据下面公式定义：

$\mathrm{div}=D\left(S\right)=\frac{2}{{1+e}^{-\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|\underset{i=1}{\overset{\left|S\right|}{\∪}}\right\{p_{\mathrm{ij}}\left\}\right|}{N\·\left|S\right|}}}-1$

(1)

其中，|S|表示群体规模，N问题的维度，p_ij表示第个粒子当前位置的第j个成分。可以看出此多样性准则不依赖于群体规模及问题的维度。当前群体的多样性指标取值于[0，1]之间并随群体中的个体之间的差异量单调增加。

(4)速度、位置更新

当群体多样性低于指定的阈值d_low时，执行扩散过程，使粒子偏离个体最差解及当前群体最优解，搜索未曾到达过的搜索区域，直到群体的多样性高于指定的阈值d_high，执行聚合过程，使个体向当前群体最优及个体最优解运动。为了进一步提高算法的性能，在算法执行的不同阶段，使惯性权重随迭代次数动态自适应变化。

算法中粒子的速度更新公式和位置更新公式定义如下：

速度更新公式：

聚合过程：

$V_k^{t+1}=\mathrm{\ω}\×V_k^t+c_1(P_{k,\mathrm{best}}-P_{k,\mathrm{current}})+c_2(G_{\mathrm{best}}-P_{k,\mathrm{current}})$

(2)

扩散过程：

$V_k^{t+1}=\mathrm{\ω}\×V_k^t+c_1(P_{k,\mathrm{best}}-P_{k,\mathrm{worst}})+c_2(P_{k,\mathrm{current}}-G_{\mathrm{best}})---\left(3\right)$

位置更新公式：

$P_k^{t+1}=P_k^t+V_k^{t+1}$

(4)

可以看出，聚合过程与基本的粒子群公式类似，粒子之间共享当前较优解的信息，粒子向最有解方向聚合；而在扩散过程中，粒子之间共享个体最差及当前群体最优解信息，粒子向远离这些位置的方向运动，搜索未曾到达的潜在最优解区域，增加群体多样性。

在公式(2)(3)(4)中，采用一种非线性自适应策略，使惯性权重ω在算法运行过程中动态变化。

$\mathrm{\ω}=f\left(t\right)=\left\{\begin{array}{c}\left\{\frac{{(t_{\max }-t)}^n}{{(t_{\max }-t_{\mathrm{sw}})}^n}\right\}({\mathrm{\ω}}_{\mathrm{sw}}-{\mathrm{\ω}}_{\mathrm{final}})+{\mathrm{\ω}}_{\mathrm{final}},\mathrm{attract}=\mathrm{true}\\ C,\mathrm{attract}=\mathrm{false}\end{array}\right.---\left(5\right)$

其中t_max表示最大迭代次数，t表示当前迭代次数，ω_initial表示初始权重，ω_final运行结束时的最终权重，C为常量其值略小于ω_initial，算法开始运行时ω_sw＝ω_initial，当执行扩散过程之后ω_sw＝C。t_sw的值等于算法中扩散过程停止，聚合过程开始时刻的迭代次数，其初始值为0。通过调节参数n来动态平衡全局搜索及局部搜索能力。由图可以看出，当n＝1时，ω呈线性变化；当n>1时算法倾向于全局搜索；n<1时算法倾向于局部搜索。在算法中，当最大迭代次数与当前迭代次数的差小于预先给定的值M时，执行扩散过程并令参数n的取值小于1.0，其他情况n的取值大于1.0。本发明试验中n的取值分别为0.6和1.6。

(5)检验是否满足结束条件

如果当前的迭代次数达到了预先设定的最大次数T_max，或最终结果小于预定收敛精度ξ要求，则停止迭代，输出最优解，否则转到步骤2。

实施例六

本实施例提供了诊断策略生成算法的结果性能比较。

为验证算法的有效性，分别采用信息增益最大算法、AO*算法和本文提出的算法对文献提供的阿波罗飞船发射前测试模型进行诊断策略优化。在该模型中可选测试项目共36个，可能的故障共22个，每项测试的费用相同均为1，测试与故障的依赖关系及故障概率表1所示。

表1阿波罗飞船测试与故障依赖关系

图8所示的是基于粒子群算法的诊断树示意图。

三种算法所使用的计算时间和得到的平均测试费用如表2所示。

表2算法比较结果分析。

从计算结果来看，本发明提出的自适应离散粒子群算法在结果优化上优于信息增益最大算法，计算时间也小于AO*算法，具有工程应用价值。

从以上的描述中可知，本发明采用分层递阶的建模方法实现系统级的测试性建模，在此基础上融合一体化测试性模型(包括结构模型、测试描述模型、维修模型和诊断模型)，实现部件级的建模，该模型面向系统不同层次和级别的开发人员，支持自顶向下和自底向上两种设计模式。在模型解析的基础上，基于自适应离散粒子群算法，引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重等，通过迭代计算得到最优的诊断策略。适用于装备全寿命周期的测试性建模方法以及基于粒子群的诊断策略优化算法极大地提高装备的测试诊断效率、执行任务的可靠性与安全性，缩短维修时间，减少维修人力和保障资源，大大降低装备的全寿命周期费用。

尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (3)

1.一种基于混合诊断模型的测试性建模方法，其特征在于，所述方法包括：

步骤A，根据系统结构和功能的层次性，对混合诊断模型进行结构和功能的划分，采用分层递阶的方法将所述混合诊断模型分割成基本的功能构件和功能单元，以实现系统级的测试性建模，得到分层有向图模型；

步骤B，在所述分层有向图模型的基础上，融合一体化测试性模型，以实现部件级的测试性建模；

步骤C，通过功能间的高阶依赖关系，计算故障模式与功能、功能与测试之间的相关性，最终获得测试与故障模式之间的依赖关系；

步骤D，基于自适应离散粒子群算法，引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重，通过迭代计算得到最优诊断策略。

2.如权利要求1所述的方法，其特征在于，所述一体化测试性模型包括：结构模型、测试描述模型、维修模型和诊断模型。

3.如权利要求1所述的方法，其特征在于，

在所述混合诊断模型的概要设计阶段，通过自顶向下建模以实现模块划分和功能描述；

在所述混合诊断模型的详细设计阶段，通过自底向上建模以实现各功能模块的详细设计。