CN109581190A - 一种用于电路故障诊断的最优诊断树生成方法 - Google Patents

Abstract

本发明公开了一种用于电路故障诊断的最优诊断树生成方法，基于故障测试模型中得到的电子系统内部故障状态与电路中测点输出的关系，再构建动态规划列表搜索最优解；然后对动态规划列表中的故障集，筛选出有效测点，并根据有效测点扩大搜索深度，通过动态规划列表避免相同故障集的重复搜索，进而减小搜索次数，从而能够快速生成最优诊断树。

Description

一种用于电路故障诊断的最优诊断树生成方法

技术领域

本发明属于电路故障诊断技术领域，更为具体地讲，涉及一种用于电路故障诊断的最优诊断树生成方法。

背景技术

随着电子技术的日益发展，电子系统内部电路设计日趋复杂，及时准确地确定电路状态并隔离内部故障可以有效地缩短电子系统的研制、实验和发布的时间，提高系统的可测试性。如何设计高效的故障测试方案已成为电子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电子系统的可测性设计。

对于序贯测试最优解的搜索问题在近几十年一直为该领域的热点问题。近年来，基于与或图搜索的AO*算法备受关注。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，由于AO*算法存在对相同故障集的搜索过程，导致算法时间复杂度过高，造成实际应用中的局限性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于电路故障诊断的最优诊断树生成方法，将AO*算法与自顶而下的动态规划算法相结合，搜索并生成最优诊断树，具有优化策略代价小，故障隔离率高，搜索速度快等优点。

为实现上述发明目的，本发明一种用于电路故障诊断的最优诊断树生成方法，其特征在于，包括以下步骤：

(1)、构建测试模型

根据电路内部故障状态与电路中测点输出的关系，构建电路的测试模型H＝{D,C,P}，其中，C＝{c₁,c₂,…,c_i,…c_M}为电路中设置的测点对应的代价构成的矩阵，c_i表示电路中第i个电路设置测点的测试代价，M为可选测点总数；P＝{p₁,p₂,…,p_j,…,p_N}为电路系统中各个故障状态发生概率形成的矩阵，p_j为第j个故障状态发生的概率，N为故障状态总数；D为故障依赖矩阵，具体表示为：

其中，d_ij表示第j个电路故障在第i个测点下的测试信息，d_ij的取值为0或1，d_ij＝1表示第j个电路故障可以通过第i个测点测出，d_ij＝0代表第j个故障不能通过第i个测点测出；

(2)、构建动态规划列表

在动态规划列表中创建一节点，该节点的故障模糊集包含整个电路系统中所有故障状态，即S＝{s₁,s₂,…,s_N}，将该节点作为启发式搜索的目标节点，同时将该节点的可选测点集合T设置为全部测点，即T＝{1,2,3,…,M}；

(3)、通过启发式搜索最优测点

(3.1)、选出有效测点；

(3.1.1)、由故障依赖矩阵D、故障模糊集S和可选测点集合T，得到故障依赖的子矩阵D'，D'＝{d_ij|s_i∈S,t_j∈T}；删除D'中测点对应的各个电路故障状态为0和全为1的无效测点，得到具有隔离效果的测点集合T'；

根据故障依赖的子矩阵D'中各测点对应依赖信息相同的情况下，保留测试代价最小的测点，得到有效测点集合T”＝{t₁,t₂,…t_k,…,t_m}，其中，t_k为第k个有效测点的标号，m为有效测点总数；

(3.1.2)、根据T”中的有效测点信息，将S分割为两个子故障集，即S₁＝{S_1，1，S_1，2，…,S_1,k,…,S_1,m}和S₀＝{S_0，1，S_0，2，…,S_0,k,…,S_0,m}，其中，S_1,k和S_0,k为根据第t_k个测点的故障依赖信息分割出的两个故障集，具体为：

S_1,k＝{s_1,p|d_pk＝1}

S_0,k＝{s_0,p|d_pk＝0}

其中，d_pk表示第p个故障在第k个测点下的测试信息；

(3.2)、初始化各个有效测点对应的启发函数值h＝{h₁,h₂,…,h_k,…,h_m}，其中，h_k为第k个有效测点的启发函数数值，初始化为:

其中，c_min为有效测点代价中的最小值，c_k为第k个有效测点的测试代价，p_i第i个故障出现的概率；

(3.3)、根据各有效测点的启发函数值搜索最优测点

(3.3.1)、初始化最优故障隔离率FIR_opt＝0，最优测试代价Cost_opt＝0；

(3.3.2)、设置当前启发函数最小数值对应的测点为待选测点t_k'，从分解出的两个子故障集S₁和S₀中提取待选测点t_k'对应的子故障集s_1,k'和s_0,k'；

(3.3.3)、查看动态规划列表中是否存在关于故障集s_1,k'的最优解，若该最优解已经存在，则记录该最优解下的故障隔离率FIR₁和最优代价Cost₁，然后进入步骤(3.3.5)；若该最优解尚未解出，将s_1,k'作为故障模糊集S，再返回步骤(3.1)，直至找到关于该故障集优解对应的故障隔离率和最优代价，记为FIR₁和Cost₁，然后进入步骤(3.3.6)；

(3.3.4)、查看动态规划列表中是否存在关于故障集s_0,k'的最优解，若该最优解已经存在，则记录该最优解下的故障隔离率FIR₀和最优代价Cost₀，然后进入步骤(3.3.5)；若该最优解尚未解出，将s_0,k'作为故障模糊集S，再返回步骤(3.1)，直至找到关于该故障集优解对应的故障隔离率和最优代价，记为FIR₀和Cost₀，然后进入步骤(3.3.6)；

(3.3.5)、判断步骤(3.3.3)和(3.3.4)中故障集s_1,k'和s_0,k'的最优解是否同时在动态规划列表中存在，如果同时存在，则将当前选择的待选测点t_k'作为最终的最优测点，标记为t，同时返回生成的最优故障隔离率FIR_opt和最优代价Cost_opt；否则进入步骤(3.3.6)；

(3.3.6)、在待选测点t_k'下，计算诊断树的故障隔离率FIR和代价Cost；

FIR＝(FIR₀×n₀+FIR₁×n₁)/(n₀+n₁)

其中，n₀和n₁分别为s_0,k'和s_1,k'中故障状态的个数；

(3.3.7)、更新待选测点t_k'的启发函数值h_k'；

(3.3.8)、如果待选测点t_k'下诊断树的故障隔离率FIR是否大于FIR_opt或FIR＝FIR_opt下Cost小于Cost_opt，则更新FIR_opt＝FIR，Cost_opt＝Cost，并将当前选择的待选测点t_k'作为最终的最优测点，标记为t；

(4)、生成最优诊断树

(4.1)、初始化最优诊断树(S,t,S₀,S₁)为空集，向最优诊断树中添加根节点的故障集信息S＝{s₁,s₂,…,s_N}；

(4.2)、根据最优测点t和故障依赖矩阵D，重新将故障模糊集S分解为S₀和S₁两个子集：

S₀＝{s_p|d_pt＝0}

S₁＝{s_p|d_pt＝1}

其中，s_p为S中包含电路系统中的所有故障状态，d_pt为第p个故障在第t个测点下的测试信息；

(4.3)、将子集S₀设置为故障模糊集S，向最优诊断树中添加左子树的子节点，若子集S₀中故障个数不为1，则返回步骤(4.2)，否则得到最优诊断树的左子树；

(4.4)、将子集S₁设置为故障模糊集S，向最优诊断树中添加该节点的右子节点，若子集S₁中故障个数不为1，则返回步骤(4.2)，否则得到最优诊断树的右子树。

本发明的发明目的是这样实现的：

本发明一种用于电路故障诊断的最优诊断树生成方法，基于故障测试模型中得到的电子系统内部故障状态与电路中测点输出的关系，再构建动态规划列表搜索最优解；然后对动态规划列表中的故障集，筛选出有效测点，并根据有效测点扩大搜索深度，通过动态规划列表避免相同故障集的重复搜索，进而减小搜索次数，从而能够快速生成最优诊断树。

同时，本发明一种用于电路故障诊断的最优诊断树生成方法还具有以下有益效果：

(1)、本发明通过基于故障依赖信息，对用于诊断故障的测点进行了有效测点筛选，提高故障诊断方法的生成效率，减小启发式搜索的时间复杂度；

(2)本发明引入动态规划列表，减小了启发式搜索中的重复搜索过程，进一步提高故障诊断树的生成效率。

附图说明

图1是本发明一种用于电路故障诊断的最优诊断树生成方法流程图；

图2是最优故障诊断树示意图。

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是本发明一种用于电路故障诊断的最优诊断树生成方法流程图。

在本实施例中，如图1所示，本发明一种用于电路故障诊断的最优诊断树生成方法，包括以下步骤：

S1、构建测试模型

根据电路内部故障状态与电路中测点输出的关系，构建电路的测试模型H＝{D,C,P}，其中，C＝{c₁,c₂,…,c_i,…c_M}为电路中设置的测点对应的代价构成的矩阵，c_i表示电路中第i个电路设置测点的测试代价，M为可选测点总数；P＝{p₁,p₂,…,p_j,…,p_N}为电路系统中各个故障状态发生概率形成的矩阵，p_j为第j个故障状态发生的概率，N为故障状态总数；D为故障依赖矩阵，具体表示为：

其中，d_ij表示第j个电路故障在第i个测点下的测试信息，d_ij的取值为0或1，d_ij＝1表示第j个电路故障可以通过第i个测点测出，d_ij＝0代表第j个故障不能通过第i个测点测出；

S2、构建动态规划列表

在动态规划列表中创建一节点，该节点的故障模糊集包含整个电路系统中所有故障状态，即S＝{s₁,s₂,…,s_N}，将该节点作为启发式搜索的目标节点，同时将该节点的可选测点集合T设置为全部测点，即T＝{1,2,3,…,M}；

S3、通过启发式搜索最优测点

S3.1、选出有效测点；

S3.1.1、由故障依赖矩阵D、故障模糊集S和可选测点集合T，得到故障依赖的子矩阵D'，D'＝{d_ij|s_i∈S,t_j∈T}；删除D'中测点对应的各个电路故障状态全为0和全为1的无效测点，得到具有隔离效果的测点集合T'，本步骤的有益效果是去除对诊断没有作用的测点信息，提高诊断树生成效率；

根据故障依赖的子矩阵D'中各测点对应依赖信息相同的情况下，保留测试代价最小的测点，得到有效测点集合T”＝{t₁,t₂,…t_k,…,t_m}，其中，t_k为第k个有效测点的标号，m为有效测点总数；这样可以减少待选测点数量，去除冗余的测试节点，降低算法的时间消耗，本步骤的有益效果是除去对诊断作用相同的测点，进一步缩小启发式搜索的搜索范围；

S3.1.2、根据T”中的有效测点信息，将S分割为两个子故障集，即S₁＝{S_1，1，S_1，2，…,S_1,k,…,S_1,m}和S₀＝{S_0，1，S_0，2，…,S_0,k,…,S_0,m}，其中，S_1,k和S_0,k为根据第t_k个测点的故障依赖信息分割出的两个故障集，具体为：

S_1,k＝{s_1,p|d_pk＝1}

S_0,k＝{s_0,p|d_pk＝0}

其中，d_pk表示第p个故障在第k个测点下的测试信息；

S3.2、初始化各个有效测点对应的启发函数值h＝{h₁,h₂,…,h_k,…,h_m}，其中，h_k为第k个有效测点的启发函数数值，初始化为:

其中，c_min为有效测点代价中的最小值，c_k为第k个有效测点的测试代价，p_i第i个故障出现的概率；

S3.3、根据各有效测点的启发函数值搜索最优测点

S3.3.1、初始化最优故障隔离率FIR_opt＝0，最优测试代价Cost_opt＝0；

S3.3.2、设置当前启发函数最小数值对应的测点为待选测点t_k'，从分解出的两个子故障集S₁和S₀中提取待选测点t_k'对应的子故障集s_1,k'和s_0,k'；

S3.3.3、查看动态规划列表中是否存在关于故障集s_1,k'的最优解，若该最优解已经存在，则记录该最优解下的故障隔离率FIR₁和最优代价Cost₁，然后进入步骤S3.3.5；若该最优解尚未解出，将s_1,k'作为故障模糊集S，再返回步骤S3.1，直至找到关于该故障集优解对应的故障隔离率和最优代价，记为FIR₁和Cost₁，然后进入步骤S3.3.6；

S3.3.4、查看动态规划列表中是否存在关于故障集s_0,k'的最优解，若该最优解已经存在，则记录该最优解下的故障隔离率FIR₀和最优代价Cost₀，然后进入步骤S3.3.5；若该最优解尚未解出，将s_0,k'作为故障模糊集S，再返回步骤S3.1，直至找到关于该故障集优解对应的故障隔离率和最优代价，记为FIR₀和Cost₀，然后进入步骤S3.3.6；

S3.3.5、判断步骤S3.3.3和S3.3.4中故障集s_1,k'和s_0,k'的最优解是否同时在动态规划列表中存在，如果同时存在，则将当前选择的待选测点t_k'作为最终的最优测点，标记为t，同时返回生成的最优故障隔离率FIR_opt和最优代价Cost_opt；否则进入步骤S3.3.6；

S3.3.6、在待选测点t_k'下，计算诊断树的故障隔离率FIR和代价Cost；

FIR＝(FIR₀×n₀+FIR₁×n₁)/(n₀+n₁)

其中，n₀和n₁分别为s_0,k'和s_1,k'中故障状态的个数；

S3.3.7、更新待选测点t_k'的启发函数值h_k'；

S3.3.8、如果待选测点t_k'下诊断树的故障隔离率FIR是否大于FIR_opt或FIR＝FIR_opt下Cost小于Cost_opt，则更新FIR_opt＝FIR，Cost_opt＝Cost，并将当前选择的待选测点t_k'作为最终的最优测点，标记为t；

S4、生成最优诊断树

S4.1、初始化最优诊断树(S,t,S₀,S₁)为空集，向最优诊断树中添加根节点的故障集信息S＝{s₁,s₂,…,s_N}；

S4.2、根据最优测点t和故障依赖矩阵D，重新将故障模糊集S分解为S₀和S₁两个子集：

S₀＝{s_p|d_pt＝0}

S₁＝{s_p|d_pt＝1}

其中，s_p为S中包含电路系统中的所有故障状态，d_pt为第p个故障在第t个测点下的测试信息；

S4.3、将子集S₀设置为故障模糊集S，向最优诊断树中添加左子树的子节点，若子集S₀中故障个数不为1，则返回步骤S4.2，否则得到最优诊断树的左子树；

S4.4、将子集S₁设置为故障模糊集S，向最优诊断树中添加该节点的右子节点，若子集S₁中故障个数不为1，则返回步骤S4.2，否则得到最优诊断树的右子树。

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

由本发明产生的最优故障诊断树如图2所示，AO*算法与本发明生成的故障树的故障隔离率、平均代价以及生成过程的运行时间如表2所示。从表2中可以看出，本发明和传统的AO*算法均能生成故障隔离率为100％的故障诊断树，并且平均代价相同。同时，本发明生成诊断树的用时为91.12ms,远低于AO*算法的运行时间，由此可知，本发明具有很高的最优诊断树生成效率。

表2是在反坦克系统上的性能表现对比表；

算法	故障隔离率	平均代价	运行时间
				AO*算法	100％	4.764	134s
本发明	100％	4.764	91.12ms

表2

由图2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。

Claims (1)

1.一种用于电路故障诊断的最优诊断树生成方法，其特征在于，包括以下步骤：

(1)、构建测试模型

根据电路内部故障状态与电路中测点输出的关系，构建电路的测试模型H＝{D,C,P}，其中，C＝{c₁,c₂,…,c_i,…c_M}为电路中设置的测点对应的代价构成的矩阵，c_i表示电路中第i个电路设置测点的测试代价，M为可选测点总数；P＝{p₁,p₂,…,p_j,…,p_N}为电路系统中各个故障状态发生概率形成的矩阵，p_j为第j个故障状态发生的概率，N为故障状态总数；D为故障依赖矩阵，具体表示为：

其中，d_ij表示第j个电路故障在第i个测点下的测试信息，d_ij的取值为0或1，d_ij＝1表示第j个电路故障可以通过第i个测点测出，d_ij＝0代表第j个故障不能通过第i个测点测出；

(2)、构建动态规划列表表

在动态规划列表中创建一节点，该节点的故障模糊集包含整个电路系统中所有故障状态，即S＝{s₁,s₂,…,s_N}，将该节点作为启发式搜索的目标节点，同时将该节点的可选测点集合T设置为全部测点，即T＝{1,2,3,…,M}；

(3)、通过启发式搜索最优测点

(3.1)、选出有效测点；

(3.1.1)、由故障依赖矩阵D、故障模糊集S和可选测点集合T，得到故障依赖的子矩阵D'，D'＝{d_ij|s_i∈S,t_j∈T}；删除D'中测点对应的各个电路故障状态为0和全为1的无效测点，得到具有隔离效果的测点集合T'；

根据故障依赖的子矩阵D'中各测点对应依赖信息相同的情况下，保留测试代价最小的测点，得到有效测点集合T”＝{t₁,t₂,…t_k,…,t_m}，其中，t_k为第k个有效测点的标号；

(3.1.2)、根据T”中的有效测点信息，将S分割为两个子故障集，即S₁＝{S₁，₁，S₁，₂，…,S_1,k,…,S_1,m}和S₀＝{S₀，₁，S₀，₂，…,S_0,k,…,S_0,m}，其中，S_1,k和S_0,k为根据第t_k个测点的故障依赖信息分割出的两个故障集，具体为：

S_1,k＝{s_1,p|d_pk＝1}

S_0,k＝{s_0,p|d_pk＝0}

其中，d_pk表示第p个故障在第k个测点下的测试信息；

(3.2)、初始化各个有效测点对应的启发函数值h＝{h₁,h₂,…,h_k,…,h_m}，其中，h_k为第k个有效测点的启发函数数值，初始化为:

其中，c_min为有效测点代价中的最小值，c_k为第k个有效测点的测试代价，p_i第i个故障出现的概率；

(3.3)、根据各有效测点的启发函数值搜索最优测点

(3.3.1)、初始化最优故障隔离率FIR_opt＝0，最优测试代价Cost_opt＝0；

(3.3.2)、设置当前启发函数最小数值对应的测点为待选测点t_k'，从分解出的两个子故障集S₁和S₀中提取待选测点t_k'对应的子故障集s_1,k'和s_0,k'；

(3.3.3)、查看动态规划列表中是否存在关于故障集s_1,k'的最优解，若该最优解已经存在，则记录该最优解下的故障隔离率FIR₁和最优代价Cost₁，然后进入步骤(3.3.5)；若该最优解尚未解出，将s_1,k'作为故障模糊集S，再返回步骤(3.1)，直至找到关于该故障集优解对应的故障隔离率和最优代价，记为FIR₁和Cost₁，然后进入步骤(3.3.6)；

(3.3.4)、查看动态规划列表中是否存在关于故障集s_0,k'的最优解，若该最优解已经存在，则记录该最优解下的故障隔离率FIR₀和最优代价Cost₀，然后进入步骤(3.3.5)；若该最优解尚未解出，将s_0,k'作为故障模糊集S，再返回步骤(3.1)，直至找到关于该故障集优解对应的故障隔离率和最优代价，记为FIR₀和Cost₀，然后进入步骤(3.3.6)；

(3.3.5)、判断步骤(3.3.3)和(3.3.4)中故障集s_1,k'和s_0,k'的最优解是否同时在动态规划列表中存在，如果同时存在，则将当前选择的待选测点t_k'作为最终的最优测点，标记为t，同时返回生成的最优故障隔离率FIR_opt和最优代价Cost_opt；否则进入步骤(3.3.6)；

(3.3.6)、在待选测点t_k'下，计算诊断树的故障隔离率FIR和代价Cost；

FIR＝(FIR₀×n₀+FIR₁×n₁)/(n₀+n₁)

其中，n₀和n₁分别为s_0,k'和s_1,k'中故障状态的个数；

(3.3.7)、更新待选测点t_k'的启发函数值h_k'；

(3.3.8)、如果待选测点t_k'下诊断树的故障隔离率FIR是否大于FIR_opt或FIR＝FIR_opt下Cost小于Cost_opt，则更新FIR_opt＝FIR，Cost_opt＝Cost，并将当前选择的待选测点t_k'作为最终的最优测点，标记为t；

(4)、生成最优诊断树

(4.1)、初始化最优诊断树(S,t,S₀,S₁)为空集，向最优诊断树中添加根节点的故障集信息S＝{s₁,s₂,…,s_N}；

(4.2)、根据最优测点t和故障依赖矩阵D，重新将故障模糊集S分解为S₀和S₁两个子集：

S₀＝{s_p|d_pt＝0}

S₁＝{s_p|d_pt＝1}

其中，s_p为S中包含电路系统中的所有故障状态，d_pt为第p个故障在第t个测点下的测试信息；

(4.3)、将子集S₀设置为故障模糊集S，向最优诊断树中添加左子树的子节点，若子集S₀中故障个数不为1，则返回步骤(4.2)，否则得到最优诊断树的左子树；

(4.4)、将子集S₁设置为故障模糊集S，向最优诊断树中添加该节点的右子节点，若子集S₁中故障个数不为1，则返回步骤(4.2)，否则得到最优诊断树的右子树。