CN106095608B - 基于ao*算法的序贯测试动态调整方法 - Google Patents

Abstract

本发明公开了一种基于AO*算法的序贯测试动态调整方法，首先采用AO*算法获取电子系统的最优故障诊断树，然后监测测试的测试代价和故障的概率动态，当测试的测试代价增加时，对选择该测点的故障节点进行重新评估，当测试的测试代价减小时，对未选择该测点的故障节点进行重新评估，调整最优故障诊断树；当故障的概率变化时，对最优故障诊断树进行调整。本发明根据电子系统中测试代价变化和故障概率变化，对当前的最优故障诊断树进行相应调整，快速获取新的最优故障诊断树，实现序贯测试的适应性动态调整。

Description

基于AO*算法的序贯测试动态调整方法

技术领域

本发明属于电子系统故障诊断技术领域，更为具体地讲，涉及一种基于AO*算法的序贯测试动态调整方法。

背景技术

在电子系统故障诊断技术中，序贯测试问题被定义为一个五元组问题(S,P,T,C,D)。其中，S＝{s₀,s₁,s₂,…,s_M}表示系统故障状态的有限集，其中s₀表示系统没有故障发生的状态，s₁到s_M表示系统发生不同故障的状态。P＝{p₀,p₁,p₂,…,p_M}是各个系统状态发生的先验故障概率向量。假设系统只能处于某个故障状态或无故障状态，需要对先验故障概率向量P进行归一化。T＝{t₁,t₂,…,t_N}是系统N个可用的测试集合，C＝{c₁,c₂,…,c_N}表示对应的测试代价向量，其中测试代价采用测试时间、测试费用及其他相关因素进行衡量。D是一个N×(M+1)阶的0-1矩阵，其每个元素代表测试与系统故障的关系，被定义为故障-测试依赖矩阵。对于测试t_j，如果t_j能诊断出故障状态s_i，那么d_ij＝1，否则d_ij＝0，其中i＝0,1,…,M，j＝1,2,…,N。显然对于无故障状态s₀，对任意j，均有d_0j＝0。

假设只有一个系统故障s_i发生，序贯测试问题就是设计一个测试集通过确定不同测试的先后执行顺序识别出故障s_i，且使期望的测试成本最小，测试成本的计算公式为：

其中，其中a_ij＝1表示在确定系统故障s_i的过程中使用了测试t_j。

根据以上描述可知，在系统进行故障诊断前，必须明确每个测试被执行的先后顺序，使整个系统全寿命周期测试代价期望值最小，这就是测试序贯问题，目前该技术领域的常用算法为AO*算法。AO*算法基于信息理论概念和启发式与/或图搜索，其核心是使用启发函数HEF(Heuristic Evaluation Function)来评估节点以减少扩展节点的数量，选取最有可能达到目标节点的子节点进行扩展，因此所选择的启发函数HEF越能表现问题的特征，则启发式搜索的效率将越高。

故障诊断树将系统故障的原因由总体至部分按树枝状逐级细化，并隔离出故障，因此可用与或树(一种特殊的与或图)来表示故障诊断树。与或树中每个节点至多有一个父节点，每个或节点的父节点为与节点，而与节点的父节点为或节点，没有父节点的节点为根节点，没有后继节点的节点为叶子节点。根节点对应于系统初始状态，叶子节点对应最后隔离出的单个故障状态。

系统故障集S对应于与节点，所用的测试t_j对应于或节点，S_jp和S_jf分别代表测试t_j应用于故障集S后根据故障依赖矩阵所得的通过子故障集和未通过子故障集。则从根节点到节点S的代价估值函数值h(x)等于它可选测试中估计值最小测试的估计值，可由下式给出：

h(x)＝min_j{c_j+p(S_jp)h(S_jp)+p(S_jf)h(S_jf)} (2)

其中，c_j是测试t_j的测试代价，p(S_jp)是故障集S的通过子故障集的概率和，h(S_jp)是通过子故障集对应的启发函数，p(S_jf)是故障集S的未通过子故障集的概率和，h(S_jf)是未通过子故障集对应的启发函数。可见，测试t_j对于节点S的估计值h_j＝c_j+p(S_jp)h(S_jp)+p(S_jf)h(S_jf)。

AO*算法主要重复两个步骤直到最终故障诊断树生成：第一步，一个自上而下的图扩展运算，选择未扩展节点中启发式评估函数值最小的节点，扩展该节点，并且把它添加到诊断树中；第二步，自下而上修正已扩展节点的评估值，并且回溯向上改变根节点的评估值。根据AO*算法的性质，每一步的扩展中都会选择未扩展节点中启发函数最小的节点进行扩展，因此在AO*所求得的最优故障诊断树中，每个故障节点选择的测试节点都是其可选测试节点中评估值最小的节点。

目前序贯测试方法都是静态的，即在计算序贯测试的过程中所有参数都是静态不变的，然而在实际的工程应用中，参数很有可能发生变化。现有算法中，当参数变化时，需要重新调用AO*算法生成新的最优故障诊断树，当电子系统规模较大时，其故障状态数量和测点数量都比较大，如果每次参数变化时都重新生成最优故障诊断树，明显存在效率较低的问题。因此，如何针对局部变化参数对AO*算法生成的最优故障诊断树进行快速准确的调整，是目前需要研究的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于AO*算法的序贯测试动态调整方法，在采用AO*算法获得电子系统的最优故障诊断树的情况下，根据局部参数变化对最优故障诊断树进行调整，快速获取新的最优故障诊断树，实现序贯测试的适应性动态调整。

为实现上述发明目的，本发明基于AO*算法的序贯测试动态调整方法包括以下步骤：

S1：采用AO*算法获取电子系统的最优故障诊断树；

S2：监测测试的测试代价和故障的概率，如果某个测试t_j的测试代价c_j发生变化，进入步骤S3，如果某个故障的概率发生变化，进入步骤S4；

S3：如果测试t_j的测试代价c_j增加，记当前最优故障诊断树中最优测试为t_j的故障节点的集合为A(t_j)，遍历故障节点集合A(t_j)中的每个故障节点，分别计算测试t_j与该故障节点的其他可用测试的评估值，并得到评估值最小的测试如果不作任何操作，否则设置该故障节点的最优测试为重新采用AO*算法求解其对应的最优故障诊断子树；返回步骤S2；

如果测试t_j的测试代价c_j减小，按层次优先遍历当前最优故障诊断树中的每个故障节点，如果该故障节点所选择的最优测试为t_j，则不作任何操作，否则将该故障节点加入集合B(t_j)，集合B(t_j)中各故障节点按照层次序号从低到高排列；按顺序遍历集合B(t_j)中的每个故障节点，计算测试t_j对于该故障节点的评估值h′_j，如果h′_j≥h_best，h_best表示当前最优故障诊断树中该故障节点的最小评估值，不作任何操作，否则设置该故障节点的最优测试为t_j，重新采用AO*算法求解其对应的最优故障诊断子树，将该故障节点的后代节点从集合B(t_j)中删除；当集合B(t_j)中不存在未遍历故障节点，返回步骤S2；

S4：当某个故障s_i故障概率变化，对故障概率改变前后的所有故障进行排序，记故障概率改变前故障s_i的序号为k₁，故障概率改变后故障s_i的序号为k₂；如果k₂＝k₁，那么不作任何操作；如果k₂≠k₁，选择故障s_i故障概率改变前序号为k₂的故障s_i′，然后从当前的最优故障诊断树中搜索得到同时包含故障s_i和s_i′且层次序号最大的故障节点，重新采用AO*算法求解其对应的最优故障诊断子树；返回步骤S2。

本发明基于AO*算法的序贯测试动态调整方法，首先采用AO*算法获取电子系统的最优故障诊断树，然后监测测试的测试代价和故障的概率动态，当测试的测试代价增加时，对选择该测点的故障节点进行重新评估，当测试的测试代价减小时，对未选择该测点的故障节点进行重新评估，调整最优故障诊断树；当故障的概率变化时，对最优故障诊断树进行调整。本发明根据电子系统中测试代价变化和故障概率变化，对当前的最优故障诊断树进行相应调整，快速获取新的最优故障诊断树，实现序贯测试的适应性动态调整。

附图说明

图1是本发明基于AO*算法的序贯测试动态调整方法的流程图；

图2是本实施例中电子系统的最优故障诊断树；

图3是本实施例中测试t₄测试代价变化后采用本发明调整得到的最优故障诊断树。

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AO*算法的序贯测试动态调整方法的流程图。如图1所示，本发明基于AO*算法的序贯测试动态调整方法包括以下步骤：

S101：获取最优故障诊断树：

采用AO*算法获取电子系统的最优故障诊断树。

S102：监测测试和故障：

监测测点的测试代价和故障的概率。

S103：如果某个测试的测试代价发生变化，进入步骤S104，否则进入步骤S107。

如果同时有两个以上测试的测试代价发生变化，最好按照变化幅度从大到小进行排列，然后按顺序进入步骤S104进行最优故障诊断树的调整。这是因为变化幅度大的测试有可能会造成最优故障树较大范围的调整，因此先进行调整。

S104：判断测试代价是否增加，如果是，进入步骤S105，否则进入步骤S106。

S105：对选择该测点的故障节点进行重新评估：

当某个测试t_j的测试代价c_j变化时，可分测试t_j对应的评估函数和其他测试的评估函数两种情况讨论。

根据AO*算法中的评估函数公式(即式(2))可知，测试t_j对应的评估函数的变化量绝对值为Δh_j＝Δt_j，对于其他某个测试t_j′的评估函数，测试t_j的变化只能影响其对应子节点的启发函数h(s_jp)和h(s_jf)。故对其他任意测试t_j′，那么有：

Δh_j′≤t_j[p(s_jp)+p(s_jf)]≤Δh_j (3)

因此，当测试t_j的测试代价变化时，测试t_j的评估函数的变化量绝对值Δh_j将大于等于其他测试评估函数的变化量绝对值Δh_j′。

当某个测试t_j的测试代价c_j增加时，对于最优故障诊断树中最优测试不是t_j的故障节点，由式(3)可知对于该节点由测试t_j的原测试代价计算得到的评估值h_j＞h_best，h_best表示当前最优故障诊断树中该故障节点的最小评估值。根据式(3)，有：

h′_j＝h_j+Δh_j＞h_best+Δt_best＝h′_best

因此，对于最优测试不是t_j的节点，测试t_j的测试代价c_j增加后，其最优测试仍然不是t_j。

而对于已选择测试t_j作为最优测试的故障节点，由于测试代价c_j增加，相应地测试t_j对应的评估值也会增加，测试t_j可能不再是这个故障节点的最优测试，因此需对最优故障诊断树中选择t_j的故障节点进行重新评估。其具体方法为：

记当前最优故障诊断树中最优测试为t_j的故障节点的集合为A(t_j)，遍历故障节点集合A(t_j)中的每个故障节点，分别根据AO*算法中的测试评估值计算公式计算测试t_j与该故障节点的其他可用测试的评估值，并得到评估值最小的测试如果不作任何操作，否则设置该故障节点的最优测试为重新采用AO*算法求解其对应的最优故障诊断子树。即以测试为最优测试重新生成一个最优故障诊断子树，对原先以测试t_j为最优测试的最优故障诊断子树进行替换，从而实现对最优故障诊断树的动态更新。然后返回步骤S102。

S106：对未选择该测点的故障节点进行重新评估：

当某个测试t_j的测试代价c_j减小时，对于最优故障诊断树中最优测试是t_j的故障节点，由式(3)可知：

h′_j＝h_j-Δh_j＜h_j′-Δh_j′＝h′_j′

那么测试t_j仍然是其最优测试。

而对于未选择测试t_j作为最优测试的故障节点，由于测试代价c_j减小，相应地测试t_j对应的评估值也会减小，测试t_j有可能成为这些故障节点的最优测试，因此需对最优故障诊断树未选择t_j作为最优测试的故障节点进行重新评估。其求解方法为：

按层次优先遍历当前最优故障诊断树中的每个故障节点，如果该故障节点所选择的最优测试为t_j，则不作任何操作，否则将该故障节点加入集合B(t_j)，集合B(t_j)中各故障节点按照层次序号从低到高排列，即越接近根节点则排序越靠前。按顺序遍历集合B(t_j)中的每个故障节点，计算测试t_j对于该故障节点的评估值h′_j，如果h′_j≥h_best，h_best表示当前最优故障诊断树中该故障节点的最小评估值，不作任何操作，否则设置该故障节点的最优测试为t_j，重新采用AO*算法求解其对应的最优故障诊断子树。即以测试为最优测试重新生成一个最优故障诊断子树，对原先以测试t_j为最优测试的最优故障诊断子树进行替换，从而实现对最优故障诊断树的动态更新。由于该故障节点的最优故障子树已经进行了更新，那么对于集合B(t_j)中该故障节点的后代节点都不需要再进行重新评估，因此将该故障节点的后代节点从集合B(t_j)中删除。当集合B(t_j)中不存在未遍历故障节点，即返回步骤S102。

S107：如果某个故障的故障概率发生变化，进入步骤S108，否则返回步骤S102。

S108：对最优故障诊断树进行调整：

在使用AO*算法求解最优故障诊断树时，对于故障概率大的故障，希望用尽可能少的测试代价将其隔离出来。然而，序贯测试问题有测试可用性的限制，当故障概率变化时，将根据变化故障在所有故障中排序的变化并结合已有的最优故障诊断树，即诊断出变化故障具体使用了哪些测试，综合这两个方面进行调整。其具体方法为：

当某个故障s_i的故障概率变化，对故障概率改变前后的所有故障进行排序，记故障概率改变前故障s_i的序号为k₁，故障概率改变后故障s_i的序号为k₂。如果k₂＝k₁，则说明故障概率改变前后该故障的排序不变，那么不作任何操作。如果排序发生了变化，即k₂≠k₁，那么用于诊断故障s_i的测试可能会发生变化，因此选择故障s_i故障概率改变前序号为k₂的故障s_i′。然后从当前的最优故障诊断树中搜索得到同时包含故障s_i和s_i′且层次序号最大(距离根节点最远)的故障节点，重新采用AO*算法求解其对应的最优故障诊断子树。返回步骤S102。

同样地，如果同时有两个以上故障的故障概率发生变化，最好按照变化幅度从大到小进行排列，然后按顺序根据步骤S108进行最优故障诊断树的调整。

为了证明本发明的有效性，采用一个具体实施例对本发明中涵盖的两种动态变化进行实验验证。表1中是本实施例中电子系统含故障概率和测试代价的故障-测试依赖矩阵。

d<sub>ij</sub>	t<sub>1</sub>	t<sub>2</sub>	t<sub>3</sub>	t<sub>4</sub>	t<sub>5</sub>	故障概率p<sub>i</sub>
							s<sub>0</sub>	0	0	0	0	0	0.7
s<sub>1</sub>	0	1	0	0	1	0.01
							s<sub>2</sub>	0	0	1	1	0	0.02
s<sub>3</sub>	1	0	0	1	1	0.1
							s<sub>4</sub>	1	1	0	0	0	0.05
s<sub>5</sub>	1	1	1	1	0	0.12
							测试成本c<sub>j</sub>	1	1	1	1	1

表1

使用AO*算法求解该电子系统的最优故障诊断树。图2是本实施例中电子系统的最优故障诊断树。如图2所示，测试t₃在最优故障诊断树中未被使用，测试t₄用于诊断两个第二层节点，故障s₃对应的节点层数为4，隔离出故障s₃使用了三个测试：t₂，t₄，t₁。根据式(1)可以计算该最优故障诊断树的测试代价为：

现分别假设几种情况：测试t₃的测试代价减小0.2，测试t₄的测试代价增大0.1，故障s₃的故障概率增大0.03、减小0.03，以图2所示最优故障诊断树为当前最优故障诊断树进行调整。实验条件：CPU:AMD X2 Dual内存：1GB，操作系统：WindowsXP，编程语言：JAVA。

图3是本实施例中测试t₄测试代价变化后采用本发明调整得到的最优故障诊断树。如图3所示，测试t₄的测试代价增大后，故障节点s₁,s₄,s₅的最优测试从测试t₄换成了测试t₃。如果按照图2所示的最优故障诊断树，测试t₄的测试代价增大0.1后，其测试代价为：

而采用本发明进行调整后，按照图3所示的最优故障诊断树，其测试代价为：

可见，测试t₄的测试代价增大0.1后，图3所示的最优故障诊断树的测试代价小于调整前的图2所示的最优故障诊断树，因此本发明是有效的。

为了更好地说明本发明的技术效果，将采用本发明针对以上几种变化情况与直接使用AO*算法重新获取最优诊断树进行时间和测试代价进行对比。表2是本实施例中本发明与直接使用AO*算法的参数对比表。

表2

表2中的结果误差是指使用本发明调整得到的最优故障诊断树与直接使用AO*算法重新计算最优故障诊断树的测试代价误差。从表2可以看出，采用本发明对本实施例的电子系统的几种变化情况进行调整，所需时间小于等于直接使用AO*算法重新计算最优故障诊断树的时间，而且其结果误差很小。虽然随着电子系统规模的增大，有可能结果误差会增大，但是由于其时效性上具有明显优势，因此采用本发明可以提高最优故障诊断树对电子系统中动态变化的反应效率，从而提高最优故障诊断树的适应性。

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。

Claims (2)

1.一种基于AO*算法的序贯测试动态调整方法，其特征在于包括以下步骤：

S1：采用AO*算法获取电子系统的最优故障诊断树；

S2：监测测试的测试代价和故障概率动态，如果某个测试t_j的测试代价c_j发生变化，进入步骤S3，如果某个故障的概率发生变化，进入步骤S4；

S3：如果测试t_j的测试代价c_j增加，记当前最优故障诊断树中最优测试为t_j的故障节点的集合为A(t_j)，遍历故障节点集合A(t_j)中的每个故障节点，分别计算测试t_j与该故障节点的其他可用测试的评估值，并得到评估值最小的测试t_j*，如果t_j*＝t_j，不作任何操作，否则设置该故障节点的最优测试为t_j*，重新采用AO*算法求解其对应的最优故障诊断子树；返回步骤S2；

如果测试t_j的测试代价c_j减小，按层次优先遍历当前最优故障诊断树中的每个故障节点，如果该故障节点所选择的最优测试为t_j，则不作任何操作，否则将该故障节点加入集合B(t_j)，集合B(t_j)中各故障节点按照层次序号从低到高排列；按顺序遍历集合B(t_j)中的每个故障节点，计算测试t_j对于该故障节点的评估值h′_j，如果h′_j≥h_best，h_best表示当前最优故障诊断树中该故障节点的最小评估值，不作任何操作，否则设置该故障节点的最优测试为t_j，重新采用AO*算法求解其对应的最优故障诊断子树，将该故障节点的后代节点从集合B(t_j)中删除；当集合B(t_j)中不存在未遍历故障节点，返回步骤S2；

S4：当某个故障s_i故障概率变化，对故障概率改变前后的所有故障进行排序，记故障概率改变前故障s_i的序号为k₁，故障概率改变后故障s_i的序号为k₂；如果k₂＝k₁，那么不作任何操作；如果k₂≠k₁，选择故障s_i故障概率改变前序号为k₂的故障s_i′，然后从当前的最优故障诊断树中搜索得到同时包含故障s_i和s_i′且层次序号最大的故障节点，重新采用AO*算法求解其对应的最优故障诊断子树；返回步骤S2。

2.根据权利要求1所述的序贯测试动态调整方法，其特征在于，步骤S2中，如果同时有两个以上测试的测试代价或两个以上的故障概率发生变化，则按照变化幅度从大到小进行排列，然后按顺序根据测试或故障进行最优故障诊断树的调整。