CN105842607A - 一种测试性设计中测试点定量选择方法及装置 - Google Patents

Abstract

本发明公开了一种测试性设计中测试点定量选择方法及装置，属于测试性优化设计领域，包括步骤1：建立故障模式与测试点之间的相关性矩阵；步骤2：根据相关性矩阵，分别定义测试性参数检测率(FDR)、隔离率(FIR)；步骤3：建立约束条件：FIR>β；优化目标函数：步骤4：采用遍历搜索或者智能搜索算法，得到使目标函数值Fx最小的测试点集合，此测试点集合即为最优测试点集合；与现有技术相比，本发明能够有效提高大规模复杂航电系统测试性设计效果，提高测试性设计指标检测率，隔离率，并降低测试性设计成本。

Description

一种测试性设计中测试点定量选择方法及装置

技术领域

本本发明涉及测试性优化设计领域，特别是指一种测试性设计中测试点定量选择方法及装置。

背景技术

测试性是装备能及时、准确地确定其状态(可工作、不可工作或性能下降)，并隔离其内部故障的一种设计特性。测试性设计的水平，可以提高装备的战备完好性、任务可靠性和安全性，减少维修人力及其他测试资源，降低寿命周期费用。随着测试性技术在国防工业各个领域内得到广泛应用，各级单位对于测试性的重视程度也提升到了一定高度。测试性验证、建模工作在各个型号中都有应用。不过体现在产品设计，研发阶段的测试性设计工作却处于一个尴尬的地位，设计阶段的测试性设计缺乏对应的明确的方法，尤其在测试点的选择上。

在以往在设计阶段，测试点的选择往往只是凭借技术人员的经验选择，在系统功能和故障模式较少的情况下是一种有效的方法。但是，这种做法具有很大的主观性，无法将模块(功能)、故障以及信息流向等内容建立起关联，容易出现故障模式覆盖程度低或是测试重复的问题，很难做到客观有效，且造成了大量的浪费。同时，由于缺乏有效的测试点优选手段，仅凭主观经验的测试点选择往往不能很好的兼顾测试性指标和成本。而随着航电系统复杂程度的不断提高，就需要一种定量分析的方法来指导测试点的选择，使检测率，隔离率更优，使成本更加合理。

发明内容

本发明要解决的技术问题是提供一种测试性设计中测试点定量选择方法及装置，它能够有效提高大规模复杂电路测试性设计效果，提高测试性设计指标检测率，隔离率，并降低测试性设计成本。

本发明的一种测试性设计中测试点定量选择方法，包括

步骤1：建立故障模式与测试点之间的相关性矩阵：

其中，t₁，t₂…tn是备选测试点；

步骤2：根据相关性矩阵，分别定义测试性参数检测率(FDR)、隔离率(FIR)，

F′为无法被检测故障

F^*为无法被隔离故障；

步骤3：定义C为所选测试点总的测试费用，

建立约束条件及优化目标：FIR>β，所述β均为设计要求值，w₁、w₂、w₃均为设定值；

步骤4：采用遍历搜索或者智能搜索算法，得到使目标函数值Fx最小的测试点集合，此测试点集合即为最优测试点集合。

进一步的，步骤1之前还包括，

步骤11：根据对系统的故障模式影响分析(FMEA)，建立故障模式集合：F＝{f_i}(i＝1,2,3…m)；

步骤12:根据系统资源选定初选测试点集合T＝{t_i}(i＝1,2,3…n)；

步骤13：定义完备测试组T_k和完备测试集T：T_k是指满足系统测试性指标的测试点构成的集合，T是指所有测试完备测试组T_k构成的集合。

进一步的，所述相关性矩阵是一个布尔矩阵，元素ft_ij的值由以下公式判定：

对其中行列则有以下含义：对于列T_j＝[ft_1j,ft_2j,…,ft_mj]^T，代表第j个测试可以检测到的故障。对于行F_i＝[ft_i1,ft_i2,...,ft_in]，代表第i个故障可以被哪些测试所检测。

进一步的，所述步骤3之前包括，

步骤31：计算所有初始测试点成本之和

步骤32：对每次迭代运算中所选定的完备测试集T_k，计算c(T_k)，即完备测试集成本和；

步骤33：对成本C进行的归一化，

进一步的，所述搜索算法是神经网络算法或者遗传算法。

另一方面，本发明提供一种测试性设计中测试点定量选择装置，包括，矩阵生成模块：用于建立故障模式与测试点之间的相关性矩阵：

其中，t₁，t₂…tn是备选测试点；

变量定义模块：根据相关性矩阵，分别定义测试性参数检测率(FDR)、隔离率(FIR)，

F′为无法被检测故障

F^*为无法被隔离故障；

目标设定模块：用于建立约束条件及优化目标：FIR>β， 所述β均为设计要求值，w₁、w₂、w₃均为设定值，C为所采用测试点费用之和。

搜索模块：采用遍历搜索或者智能搜索算法，得到使目标函数值Fx最小的测试点集合，此测试点集合即为最优测试点集合。

进一步的，还包括，

FMEA分析模块：用于根据对系统的故障模式影响分析(FMEA)，建立故障模式集合：F＝{f_i}(i＝1,2,3…m)；

初选模块:用于根据系统资源选定初选测试点集合T＝{t_i}(i＝1,2,3…n)；

测试集合定义模块：用于定义完备测试组T_k和完备测试集T：T_k是指满足系统测试性指标的测试点构成的集合，T是指所有测试完备测试组T_k构成的集合。

进一步的，包括，

矩阵值判定模块，所述相关性矩阵是一个布尔矩阵，元素ft_ij的值由以下公式判定：

对其中行列则有以下含义：对于列T_j＝[ft_1j,ft_2j,…,ft_mj]^T，代表第J个测试可以检测到的故障。对于行F_i＝[ft_i1,ft_i2,...,ft_in]，代表第I个故障可以被哪些测试所检测。

进一步的，包括，

第一求和模块：计算所有初始测试点成本之和

第二求和模块：对每一次迭代运算中所述完备测试集T_k，计算c(T_k)，即完备测试集成本和；

归一化运算模块：对成本C进行的归一化，

本发明的优点在于：

通过故障模式与测试点的相关性矩阵的建立，可以清晰得看出各个故障模式与测试点之间的相关关系，又能够通过数学计算方便得得出测试性参数如检测率，隔离率等，便于之后建立目标函数；其次由于实际工作中往往需要考虑测试性设计的经济性，所以将测试性设计成本考虑在内，并与检测率和隔离率构成优化目标函数；利用目标函数针对所有可能的测试点选择方案，运用遍历搜索算法或者其他智能算法，计算并比较出使目标函数最小的方案，即为最优测试方案。且由于约束条件FIR>β的约束，所选的测试性方案，能满足测试性设计指标。所以，利用本方法可以在满足测试性基本要求的情况下，有效提高检测率、隔离率等测试性指标，降低测试性设计成本。

附图说明

图1为本发明的一种测试性设计中测试点定量选择方法的流程图；

图2为本发明的测试性优选预处理示意图；

图3为本发明的成本归一化操作示意图；

图4为本发明的一种测试性设计中测试点定量选择装置的流程图；

图5为本发明的测试性优选预处理模块示意图；

图6为本发明的成本归一化操作模块示意图；

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

一种测试性设计中测试点定量选择方法，流程如图1所示，包括以下几个步骤：

步骤1：建立故障模式与测试点之间的相关性矩阵：

其中，备选测试集合为T＝{t_i}(i＝1,2,3…n)，t₁，t₂…t_n是备选测试点；

故障集合为F＝{f_i}(i＝1,2,3…m)，f₁、f₂…..f_m是系统或者设备故障模式；

ft_mn表示第n个测试点检测出第m种故障模式。

相关性矩阵FT表示了测试点与故障模式的相关关系，从该矩阵中可以轻易地分辨出某一故障模式是否与所选定测试点或测试集合相关，同时，矩阵的形式更利于测试性参数的计算。

步骤2：根据相关性矩阵，分别定义测试性参数检测率(FDR)、隔离率(FIR)，

F′为无法被检测故障

F^*为无法被隔离故障；

本步骤中，∑F表示故障模式数之和，由于在比较各个测试点优选集优劣时，总是需要重复计算系统检测率参数FDR、隔离率参数FIR，所以统一的计算方法必须给出；此种定义方法较常规测试性检测率、隔离率计算方法，更有利于利用矩阵进行运算。

步骤3：定义C为所选测试点总的测试费用，

建立约束条件：FIR>β，优化目标函数：所述β均为设计要求值，w₁、w₂、w₃均为设定值。其中，w₁,w₂,w₃分别代表按照不同系统或者故障模式所确定的优化权值。

本步骤在给出测试性设计指标FIR>β的情况下，将成本考虑在内建立了优化函数通过调整w₁、w₂、w₃的大小，可以有效调节故障检测率(FDR)、故障隔离率(FIR)、成本C的权重，有目的得提高某一项或两项指标，实现了测试性参数，测试性成本组合最优。在某些情况下，比如不用考虑测试成本时，只需将c₃设为零，则优化目标变成了求得最高的检测率，隔离率。

步骤4：采用遍历搜索或者智能搜索算法，得到使目标函数值Fx最小的测试点集合，此时测试点集合即为最优测试点集合。

本步骤中可以采用遍历搜索方式，对所有的测试点初选集合计算优化目标函数值找出最优测试点集合；也可以采用智能搜索算法更加有针对性，效率更好的找到最优的测试点集合。

此外，如图2所示，在步骤1之前，需要进行测试性优选的预处理过程，包括

步骤11：根据对系统的故障模式影响分析(FMEA)，建立故障模式集合：F＝{f_i}(i＝1,2,3…m)；

通过FMEA分析，根据设备故障发生机理、时机、位置找出在设备生命周期过程中出现的故障模式，并研究故障模式发生特点，危害度，以方便后续设计中设定测试点。

步骤12:根据系统资源选定初选测试点集合T＝{t_i}(i＝1,2,3…n)；

根据系统结构，电路组成，电气特性选定测试点，达到合理利用测试资源进行测试性设计的目的。

步骤13：定义完备测试组T_k和完备测试集T：T_k是指满足系统测试性指标的测试点构成的集合，T是指所有完备测试组T_k构成的集合。

完备测试组是测试性优选的基本单位，是后续搜索计算的输入。

通过对系统进行预处理，明确了优化建模对象，初步选定了相应的测试集，是后续工作的基础。

相关性矩阵是一个布尔矩阵元素ft_ij的值由以下公式判定：

对其中行列则有以下含义：对于列T_j＝[ft_1j,ft_2j,…,ft_mj]^T，代表第j个测试可以检测到的故障。对于行F_i＝[ft_i1,ft_i2,...,ft_in]，代表第i个故障可以被哪些测试所检测。

在相关性模型中，假设只要测试与故障模式相关，则对应的相关值f_ij为1，这里忽略了测试点的可靠性，所以凡是有测试与之相关的故障模式均是可检测故障模式，这种方法突出了位置与测试点相关性的重要性。

另外，如图3所示，步骤3之前包括

步骤31：计算所有初始测试点成本之和

在前面已经定义c代表测试点成本，c(t_i)即测试点t_i的成本，这一步用于所有测试点成本的求和；

步骤32：对每次迭代运算中所选定的完备测试集T_k，计算c(T_k)，即完备测试集成本和。

在测试性优化过程中，每一轮计算时都要比较目标函数的大小，都要重新计算本轮所选完备测试集的成本总和。

步骤33：对成本C进行归一化，

因为其他优化指标，测试性检测率(FDR)和测试性隔离率(FIR)值域均在(0,1)，为了使优化函数更客观的同时反映三者，需要将成本c进行归一化操作。

进一步的，搜索算法可以是神经网络算法或者遗传算法，神经网络和遗传算法都属于智能算法，具有自学习能力，利用神经网络或者遗传算法的记忆与学习功能可以更有针对性得找到最优解，缩短寻优的时间。

另一方面，本发明提供一种测试性设计中测试点定量选择装置，如图4所示，包括，

矩阵产生模块1’：用于建立故障模式与测试点之间的相关性矩阵：

其中，t₁，t₂…t_n是备选测试点；

该模块用于生成测试-故障相关性矩阵，矩阵中f₁、f₂…..f_m是系统或者设备故障模式，T＝{t_i}(i＝1,2,3…n)表示装置所选测试点集合，该矩阵表示了测试点与故障模式的相关关系，从该矩阵中可以轻易地分辨出某一故障模式是否与所选定测试点或测试集合相关，同时，矩阵的形式更利于测试性参数的计算。

变量定义模块2’：用于根据相关性矩阵，分别定义测试性参数检测率(FDR)、隔离率(FIR)，

F′为无法被检测故障

F^*为无法被隔离故障

变量定义模块2’主要用于定义测试性参数，如系统检测率(FDR)，系统隔离率(FIR)等，其中，∑F表示故障模式数之和，由于在比较各个测试点优选集优劣时，总是需要重复计算系统检测率参数FDR、隔离率参数FIR，所以统一的计算方法必须给出；此种定义方法较常规测试性检测率、隔离率计算方法，更有利于利用矩阵进行运算。

目标设定模块3’：用于建立约束条件及优化目标：FIR>β， 所述β均为设计要求值，w₁、w₂、w₃均为设定值，C为所采用测试点费用之和；

目标设定模块3’在给出测试性设计指标FIR>β的情况下，将成本考虑在内建立了优化函数通过调整w₁、w₂、w₃的大小，可以有效调节故障检测率(FDR)、故障隔离率(FIR)、成本C的权重，有目的得提高某一项或两项指标，实现了在测试性参数，测试性成本组合最优。在某些情况下，比如不用考虑测试成本时，只需将c₃设为零，则优化目标变成了求得最高的检测率，隔离率。

搜索模块4’：用于采用遍历搜索或者智能搜索算法，得到使目标函数值Fx最小的测试点集合，此测试点集合即为最优测试点集合。

该模块内置有遍历搜索算法和智能算法，可以采用遍历搜索方式，对所有的测试点初选集合计算优化目标函数值找出最优测试点集合；也可以采用智能搜索算法更加有针对性，效率更好的找到最优的测试点集合。

与现有技术相比：

矩阵产生模块1’用于产生故障模式与测试点相关性矩阵，通过故障模式与测试点的相关性矩阵的建立，可以清晰得看出各个故障模式与测试点之间的相关关系，又能够通过数学计算方便得得出测试性参数如检测率，隔离率等，便于之后建立目标函数；利用变量定义模块2’分别定义了系统检测率(FDR)和系统隔离率(FIR)；其次由于实际工作中往往需要考虑测试性设计的经济性，所以将测试性设计成本考虑在内，并与检测率和隔离率构成的优化目标函数；目标设定模块3’用于产生约束条件和目标函数，利用目标函数针对所有可能的测试点选择方案，运用遍历搜索算法或者其他智能算法，计算并比较出使目标函数最小的方案，即为最优测试方案。且由于约束条件FIR>β的约束，所选的测试性方案，能满足测试性设计指标。所以，利用本方法在满足基本测试性参数的情况下，可以有效提高检测率，隔离率等测试性指标，降低测试性设计成本。

此外该系统还包括预处理部分，包括

FMEA分析模块11’：该模块用于对系统的故障模式影响分析(FMEA)，并建立所有故障模式集合为F＝{f_i}(i＝1,2,3…m)；

通过FMEA分析，我们可以根据设备故障发生机理、时机、位置找出在设备生命周期过程中出现的故障模式，并研究故障模式发生特点，危害度，以方便后续设计中设定测试点。

初选模块12’:用于根据系统资源选定初选测试点集合T＝{t_i}(i＝1,2,3…n)；

根据系统结构、电路组成、电气特性选定测试点，达到合理利用测试资源进行测试点选择的目的。

测试集合定义模块13’：用于定义完备测试组T_k和完备测试集T：T_k是指满足系统测试性指标的测试点构成的集合，T是指所有完备测试组T_k构成的集合。

完备测试组是测试性优选的基本单位，是后续搜索计算的输入。

通过测试集合定义模块13’对系统进行预处理，明确了优化建模对象，初步选定了相应的测试集，是后续工作的基础。

进一步的，该装置还包括，

矩阵值判定模块，所述相关性矩阵是一个布尔矩阵，元素ft_ij的值由以下公式判定：

对其中行列则有以下含义：对于列T_j＝[ft_1j,ft_2j,…,ft_mj]^T，代表第J个测试可以检测到的故障。对于行F_i＝[ft_i1,ft_i2,...,ft_in]，代表第I个故障可以被哪些测试所检测。

在相关性模型中，我们假设只要测试与故障模式相关，则对应的相关值f_ij为1，这里忽略了测试点的可靠性，所以凡是有测试与之相关的故障模式均是可检测故障模式，这种方法突出了位置与测试点相关性的重要性。

另外，因为测试性指标如检测率(FDR)，隔离率(FIR)都小于或等于1，而测试性成本远远大于1，所以要将成本c归一化，使之与FDR、FIR量纲相同，归一化模块包括，

第一求和模块31’：用于计算所有初始测试点成本之和

在前面我们已经定义c代表测试点成本，c(t_i)即测试点t_i的成本，利用第一求和模块31’对所有测试点成本的求和；

第二求和模块32’：用于对每次迭代运算中所选定的完备测试集T_k，计算c(T_k)，即完备测试集成本和；

在测试性优化过程中，每一轮计算时都要比较目标函数的大小，都要重新计算本轮所选完备测试集的成本总和。

归一化运算模块33’：对成本C进行的归一化，

因为其他优化指标，测试性检测率(FDR)和测试性隔离率(FIR)值域均在(0,1)，为了使优化函数更客观的同时反映三者，需要将成本c进行归一化操作，使三者量纲一致。

Claims (9)

1.一种测试性设计中测试点定量选择方法，包括以下几个步骤：

步骤1：建立故障模式与测试点之间的相关性矩阵：

其中，备选测试集合为T＝{t_i}，i＝1,2,3…n，n表示系统中所设置的测试点的总数，t₁，t₂…t_n是备选测试点；

故障集合为F＝{f_i}，i＝1,2,3…m，m表示系统中的故障模式的总数，f₁、f₂…..f_m是系统或者设备故障模式；

步骤2：根据相关性矩阵，分别获取测试性参数检测率FDR、隔离率FIR：

F′为无法被检测故障

F^*为无法被隔离故障；

步骤3：定义C为所选测试点总的测试费用，

建立约束条件：FIR>β，优化目标函数：其中，β均为设计要求值，w₁、w₂、w₃为设定值，w₁,w₂,w₃分别代表按照不同系统或者故障模式所确定的优化权值；

步骤4：采用搜索算法，得到使目标函数值Fx最小的测试点集合，此时测试点集合即为最优测试点集合。

2.根据权利要求1所述的一种测试性设计中测试点定量选择方法，所述的步骤1之前还包括以下步骤：

步骤11：根据对系统的故障模式影响分析FMEA，建立故障模式集合：F＝{f_i}；

步骤12:根据系统资源选定初选测试点集合T＝{t_i}；

步骤13：设置完备测试组T_k和完备测试集T：T_k是指满足系统测试性指标的测试点构成的集合，T是指所有完备测试组T_k构成的集合。

3.根据权利要求1所述的一种测试性设计中测试点定量选择方法，所述的步骤1的相关性矩阵中，布尔矩阵元素ft_ij的值为：

其中：对于列T_j＝[ft_1j,ft_2j,…,ft_mj]^T，代表第j个测试能够检测到的故障；对于行F_i＝[ft_i1,ft_i2,...,ft_in]，代表第i个故障能够被哪些测试所检测。

4.根据权利要求1所述的一种测试性设计中测试点定量选择方法，所述的步骤3之前还包括以下步骤：

步骤31：计算所有初始测试点成本之和

其中，c代表测试点成本，c(t_i)表示测试点t_i的成本；

步骤32：对每次迭代运算中所选定的完备测试集T_k，计算c(T_k)，即完备测试集成本和；

步骤33：对成本C进行归一化，

5.根据权利要求1所述的一种测试性设计中测试点定量选择方法，所述的步骤4中的搜索算法是神经网络算法或者遗传算法。

6.一种测试性设计中测试点定量选择装置，包括矩阵产生模块、变量定义模块、目标设定模块、搜索模块；

矩阵产生模块用于建立故障模式与测试点之间的相关性矩阵：

其中，备选测试集合为T＝{t_i}，i＝1,2,3…n，n表示系统中所设置的测试点的总数，t₁，t₂…t_n是备选测试点；

故障集合为F＝{f_i}，i＝1,2,3…m，m表示系统中的故障模式的总数，f₁、f₂…..f_m是系统或者设备故障模式；

变量定义模块根据相关性矩阵，分别获取测试性参数检测率FDR、隔离率FIR，

F′为无法被检测故障

F^*为无法被隔离故障

目标设定模块用于建立约束条件及优化目标，其中，约束条件为：FIR>β，优化函数为：C为所选测试点总的测试费用，β均为设计要求值，w₁、w₂、w₃为设定值，w₁,w₂,w₃分别代表按照不同系统或者故障模式所确定的优化权值；

搜索模块采用搜索算法，得到使目标函数值Fx最小的测试点集合，此测试点集合即为最优测试点集合。

7.根据权利要求6所述的一种测试性设计中测试点定量选择装置，还包括预处理部分，为FMEA分析模块、初选模块、测试集合定义模块；

FMEA分析模块根据系统的故障模式影响分析FMEA，建立所有故障模式集合F＝{f_i}；

初选模块根据系统资源选定初选测试点集合T＝{t_i}；

测试集合定义模块用于定义完备测试组T_k和完备测试集T，T_k是指满足系统测试性指标的测试点构成的集合，T是指所有完备测试组T_k构成的集合。

8.根据权利要求6所述的一种测试性设计中测试点定量选择装置，还包括矩阵值判定模块；

矩阵值判定模块对相关性矩阵中布尔矩阵的元素ft_ij的值进行判定，依据以下公式判定：

其中，列T_j＝[ft_1j,ft_2j,…,ft_mj]^T，代表第j个测试可以检测到的故障；

行F_i＝[ft_i1,ft_i2,...,ft_in]，代表第i个故障可以被哪些测试所检测。

9.根据权利要求6所述的一种测试性设计中测试点定量选择装置，还包括第一求和模块、第二求和模块、归一化运算模块；

第一求和模块计算所有初始测试点成本之和其中，c为测试点成本，c(t_i)为测试点t_i的成本；

第二求和模块对每次迭代运算中所选定的完备测试集T_k，计算c(T_k)，即完备测试集成本和；

归一化运算模块对成本C进行的归一化，