CN111626622A - 一种考虑不确定性的电路系统测试性指标预计方法 - Google Patents

一种考虑不确定性的电路系统测试性指标预计方法 Download PDF

Info

Publication number
CN111626622A
CN111626622A CN202010471019.XA CN202010471019A CN111626622A CN 111626622 A CN111626622 A CN 111626622A CN 202010471019 A CN202010471019 A CN 202010471019A CN 111626622 A CN111626622 A CN 111626622A
Authority
CN
China
Prior art keywords
test
thre
fault
function
theta
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010471019.XA
Other languages
English (en)
Inventor
陈岑
叶雪荣
王浩南
杨赟
李浩翔
翟国富
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010471019.XA priority Critical patent/CN111626622A/zh
Publication of CN111626622A publication Critical patent/CN111626622A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

本发明公开了一种考虑不确定性的电路系统测试性指标预计方法，所述方法首先根据电路系统的历史故障信息等确定其故障集、测试特征完备集以及不确定性因素种类；之后建立该电路系统的故障仿真模型，并通过蒙特卡洛方法模拟获得不确定性影响下测试特征的分布情况；基于获取的测试特征分布信息建立故障‑测试特征相关性矩阵；基于该矩阵，构建可用于描述测试特征相关性的高斯Copula形式的3种测试性指标预计函数；在此基础上进一步考虑测试特征子集选择问题，构建可用于任意子集的测试性指标快速预计函数。本发明考虑了测试特征之间的相关性，可有效提高电路系统测试性指标预计精度。

Description

一种考虑不确定性的电路系统测试性指标预计方法
技术领域
本发明属于电子产品测试性分析与设计领域，涉及一种考虑不确定性的电路系统测试性指标预计方法，具体涉及一种基于高斯Copula函数的测试性指标预计方法。
背景技术
测试性是指产品能及时准确地确定其状态(可工作、不可工作或性能下降)并有效地隔离其内部故障的一种设计特性，产品测试性水平直接影响其故障诊断能力。在电路系统设计阶段对其测试性水平通过量化指标进行准确预计，对电路系统的故障诊断能力具有重要意义。早期针对于复杂机电系统的测试性指标预计方法，假定特定故障发生时相应的测试特征具有确定性的响应结果(即完美测试假设)。然而对于具有非线性、高集成度特点的电路系统，其测试过程中存在诸如传感器测试误差等引起的非完美测试情况，使得其测试特征的结果往往具有不确定性。测试的不确定性是导致系统实际测试性指标与基于传统相关性矩阵的测试性指标预计值存在较大偏差的主要来源。
现有测试性指标预计方法中对不确定性的描述通过测试特征对故障的“检出和虚警”概率对形式实现，以多元测试特征间相互独立假设为前提，通过多重伯努利分布函数计算获得测试性指标。然而，实际测试中的诸多扰动对各项测试特征的影响往往呈非独立性，以现有方法无法实现对其准确描述。对于要求精确测试性优化设计的系统，亟需一种基于测试特征非独立假设的测试性指标预计方法。
发明内容
针对电路系统测试性指标预计时不确定性影响问题，本发明提供了一种考虑不确定性的电路系统测试性指标预计方法。该方法考虑了测试特征之间的相关性，可有效提高电路系统测试性指标预计精度。
本发明的目的是通过以下技术方案实现的：
一种考虑不确定性的电路系统测试性指标预计方法，包括如下步骤：
步骤一：根据电路系统的组成、功能特点以及历史故障信息，确定其维度为n的故障集F＝{f1,f2,…,fn}及其发生概率PF＝{p1,p2,…,pn}、可用于检测所述故障集中故障的m维测试特征完备集T＝{t1,t2,…,tm}、不确定性因素的种类U＝{u1,u2,…,uq}及其分布形式；
步骤二：基于步骤一所述的不确定性因素的种类及其分布形式，通过蒙特卡洛方法生成K组随机样本；构建电路系统的故障仿真模型，对所述故障集中各类故障以及健康状态进行仿真，在每类状态仿真时依次带入K组随机样本，仿真获得每种状态下对应的K组测试特征，用以模拟不确定性因素影响下的故障测试特征分布情况；
步骤三：根据步骤二所获得的测试特征样本，利用健康状态下的测试特征分布情况确定其对应的测试特征通过阈值，构成测试特征通过阈值集Thre；依据所确定的测试特征通过阈值集Thre，构建理想状态下n×m的布尔型故障-测试特征相关性矩阵D；
步骤四：根据步骤一至步骤三中确定的故障集F、测试特征完备集T、测试特征通过阈值集Thre以及测试特征样本集，分别构建高斯Copula形式的故障检出率预计函数FDR(F,T,Thre；θd)、故障虚警率预计函数FAR(F,T,Thre；θa)以及故障隔离率预计函数FIR(F,T,Thre；θi)，并根据步骤二中获取的测试特征分布样本采用极大似然法分别估计对应的模型系数向量θd、θa及θi，实现对测试特征完备集T的测试性指标预计；
步骤五：基于步骤四中所确立的高斯Copula形式的3种测试性指标预计函数，进一步引入修正参数构建考虑测试特征子集选择情况下的测试性指标预计函数FDR(S,F,T,Thre；θd)、FAR(S,F,T,Thre；θa)、FIR(S,F,T,Thre；θi)，实现对T中任意子集对应测试性指标的快速预计，其中S为长度为m的测试选择向量，若测试特征tj被选择则S上第j位元素sj＝1，反之则sj＝0。
相比于现有技术，本发明具有如下优点：
1、本发明通过采用高斯Copula函数形式实现对不确定因素影响下各测试特征波动的相关性的量化分析，避免了现有技术因为不合理的测试特征相互独立假设而引入的指标预计误差，可有效提高电路系统的测试性指标预计精度。
2、本发明中所提出的考虑测试子集选择情况下的测试性指标预计方法，通过引入测试特征选择向量，可直接在测试特征完备集对应的测试性指标预计函数基础上进行快速预计，无须重新针对特定的测试子集重新进行函数的参数估计工作，对于需要频繁调整测试子集选择方案并进行指标预计的测试性设计研究，可显著提高指标预计效率，具有重要的实用意义。
附图说明
图1为本发明所述考虑不确定性的电路系统测试性指标预计方法的流程图。
图2为本发明所述某多级负反馈电路系统原理图。
图3为本发明所述某多级负反馈电路系统测试性指标预计对比结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种考虑不确定性的电路系统测试性指标预计方法，首先根据电路系统的历史故障信息等确定其故障集、测试特征完备集以及不确定性因素种类；之后建立该电路系统的故障仿真模型，并通过蒙特卡洛方法模拟获得不确定性影响下测试特征的分布情况；基于获取的测试特征分布信息建立故障-测试特征相关性矩阵；基于该矩阵，构建可用于描述测试特征相关性的高斯Copula形式的3种测试性指标预计函数；在此基础上进一步考虑测试特征子集选择问题，构建可用于任意子集的测试性指标快速预计函数。如图1所示，具体包括如下步骤：
步骤一：根据电路系统的组成、功能特点以及历史故障信息，确定其维度为n的故障集F＝{f1,f2,…,fn}及其发生概率PF＝{p1,p2,…,pn}、可用于检测所述故障集中故障的m维测试特征完备集T＝{t1,t2,…,tm}、不确定性因素的种类U＝{u1,u2,…,uq}及其分布形式。
步骤二：基于步骤一所述的不确定性因素的种类U及其分布形式，通过蒙特卡洛方法生成K组随机样本。构建电路系统的故障仿真模型，对所述故障集中各类故障以及健康状态进行仿真，在每类状态仿真时依次带入K组随机样本，仿真获得每种状态下对应的K组测试特征，用以模拟不确定性因素影响下的故障测试特征分布情况。为保证后续对多维测试特征分布的描述准确性，随机样本数K的取值应满足：
Figure BDA0002514305180000051
式中，m为测试特征完备集中测试特征数量，q为不确定性因素种类数。
步骤三：根据步骤二所获得的测试特征样本，利用健康状态下的测试特征分布情况确定其对应的测试特征通过阈值，构成测试特征通过阈值集Thre；测试特征通过阈值由下式确定：
threj＝F-1(px；θj) (2)；
式中，threj为测试tj对应的通过阈值，F-1表示测试特征累积分布函数的逆函数，px为[0,1]区间上的设定变量，θj为F-1函数系数，测试特征完备集T对应的测试特征通过阈值集Thre＝{thre1,thre2,…,threm}。
依据所确定的测试特征通过阈值集Thre，采用下式构建理想状态下n×m的布尔型故障-测试特征相关性矩阵D：
Figure BDA0002514305180000061
式中，dij为D矩阵中第i行第j列元素，
Figure BDA0002514305180000062
表示故障状态fi下第j项测试特征的期望。
步骤四：根据步骤一至步骤三中确定的故障集F、测试特征完备集T、测试特征通过阈值集Thre以及测试特征样本集，分别构建高斯Copula形式的故障检出率预计函数FDR(F,T,Thre；θd)、故障虚警率预计函数FAR(F,T,Thre；θa)以及故障隔离率预计函数FIR(F,T,Thre；θi)，并根据步骤二中获取的测试特征分布样本采用极大似然法分别估计对应的模型系数向量θd、θa及θi，实现对测试特征完备集T的测试性指标预计。
故障检出率、虚警率以及故障隔离率的描述如下：
故障检出率：对于某一故障fi，其故障检出成功的等价条件可表示为至少有一项测试特征能够对其响应(不通过)，则对于故障集F的故障检出率为各故障的检出率的期望。
虚警率：虚警率即为健康状态(以f0表示)被检出为故障的概率，因此虚警率即为f0的故障检出率，其形式与前文所述的故障检出率一致。
故障隔离率：故障fi的隔离率为在其对应的理想测试特征响应模式具有唯一性前提下(即在D矩阵中第i行必须与其他行均不相同)，fi的实际测试响应结果与其理想测试响应模式一致的概率，则对于故障集F的故障隔离率为各故障的隔离率的期望。
根据上述描述，本发明所述的高斯Copula形式的测试性指标预计函数分别如下所示：
Figure BDA0002514305180000071
Figure BDA0002514305180000072
Figure BDA0002514305180000073
式中，ΦR(Φ-1(u1),…,Φ-1(un)；θ)即为以θ为系数的高斯Copula函数形式，ΦR表示多元标准正态分布，Φ-1表示一元正态分布函数的逆函数，
Figure BDA0002514305180000074
表示故障fi状态下的第j项测试特征，
Figure BDA0002514305180000075
表示健康状态下的第j项测试特征，fdr(fi,T,Thre；θdi)、fir(fi,T,Thre；θii)则分别表示对故障fi的检出率以及隔离率预计函数，F表示故障集，T表示测试特征完备集，Thre表示测试特征通过阈值集，Fxj函数表示变量Xj的边缘分布函数。
步骤五：基于步骤四中所确立的高斯Copula形式的3种测试性指标预计函数，进一步引入修正参数构建考虑测试特征子集选择情况下的测试性指标预计函数FDR(S,F,T,Thre；θd)、FAR(S,F,T,Thre；θa)、FIR(S,F,T,Thre；θi)，实现对T中任意子集对应测试性指标的快速预计，其中S为长度为m的测试选择向量，若tj被选择则S上第j位元素sj＝1，反之则sj＝0。
考虑测试特征子集选择情况的高斯Copula函数形式的测试性指标预计函数分别如下所示：
Figure BDA0002514305180000081
Figure BDA0002514305180000082
Figure BDA0002514305180000083
式中，ΦR(Φ-1(u1),…,Φ-1(un)；θ)即为以θ为系数的高斯Copula函数形式，ΦR表示多元标准正态分布，Φ-1表示一元正态分布函数的逆函数，
Figure BDA0002514305180000084
表示故障fi状态下的第j项测试特征，
Figure BDA0002514305180000085
表示健康状态下的第j项测试特征，fdr(S,fi,T,Thre；θdi)、fir(S,fi,T,Thre；θii)则分别表示测试选择向量为S时对故障fi的检出率以及隔离率预计函数，F表示故障集，T表示测试特征完备集，Thre表示测试特征通过阈值集，Fxj函数表示变量Xj的边缘分布函数。
实施例：
本实施例以图2所示的某多级负反馈电路系统为对象进行测试性指标预计，具体步骤如下：
在步骤一中，所述某多级负反馈电路系统中包含如表1所示的6种故障，可用于检测所述6种故障的测试特征完备集由图2中所示的7个物理测试节点上的直流电压值构成，按序号依次用t1～t7表示测试特征，考虑不确定性来源为13个电阻器件R1～R13因制造工艺分散性而引起的阻值容差，其容差等级为5％。
表1某多级负反馈电路系统故障集
Figure BDA0002514305180000091
在步骤二中，利用Saber软件建立多级负反馈电路系统的故障仿真模型，选取各故障模式下的随机生成样本数K＝103，针对包含健康及故障类别的7种状态共进行7×103次仿真，获得对应的测试特征结果。
在步骤三中，用于确定测试通过阈值的测试特征累积分布函数的逆函数系数可利用对应测试特征K个样本基于极大似然法进行估计，px取值99％，由此可依据式(3)确定理想状态下布尔型故障-测试特征相关性矩阵D如下所示。
表2某多级负反馈电路系统布尔型故障-测试特征矩阵
Figure BDA0002514305180000092
Figure BDA0002514305180000101
在步骤四中，随机抽取仿真所得测试特征样本的10％作为训练样本，即7×100个样本，构建式(4)～(6)的指标预计函数模型。根据Copula理论，式(4)～(6)中待估计参数包括Φ-1(uj)中的系数以及ΦR中的结构系数θ，其中Φ-1(uj)的系数可由各测试特征tj经边缘累积分布转换为uj后通过极大似然法估计，结构系数θ则在转换得到Φ-1(uj)后进一步采取极大似然法估计获得。
在步骤五中，利用步骤四中估计获得的三个测试性指标预计函数，通过引入测试选择向量S进一步实现考虑测试特征子集选择的指标预计。选取至少包含4项测试特征的测试子集组合，如(0，0，0，1，1，1，1)、(0，0，1，1，1，1，0)等共29个测试子集组合，依次将对应的测试选择向量代入式(7)～(9)中，即可快速计算得到对应的指标预计值。
以测试特征样本统计所得测试性指标为基准，对比本发明所述方法预计测试性指标的相对误差与未考虑测试特征相关性的现有技术所预计结果的相对误差，如图3所示，其中FDR与FIR结果中各测试子集组合标号下对应的6组相对误差对比，分别对应于故障f1～f6。图3所示预计结果对比证明，本发明所述方法的指标预计相对误差较现有技术具有明显提升。

Claims (6)

1.一种考虑不确定性的电路系统测试性指标预计方法，其特征在于所述方法包括如下步骤：
步骤一：根据电路系统的组成、功能特点以及历史故障信息，确定其维度为n的故障集F＝{f1,f2,…,fn}及其发生概率PF＝{p1,p2,…,pn}、可用于检测所述故障集中故障的m维测试特征完备集T＝{t1,t2,…,tm}、不确定性因素的种类U＝{u1,u2,…,uq}及其分布形式；
步骤二：基于步骤一所述的不确定性因素的种类及其分布形式，通过蒙特卡洛方法生成K组随机样本；构建电路系统的故障仿真模型，对所述故障集中各类故障以及健康状态进行仿真，在每类状态仿真时依次带入K组随机样本，仿真获得每种状态下对应的K组测试特征，用以模拟不确定性因素影响下的故障测试特征分布情况；
步骤三：根据步骤二所获得的测试特征样本，利用健康状态下的测试特征分布情况确定其对应的测试特征通过阈值，构成测试特征通过阈值集Thre；依据所确定的测试特征通过阈值集Thre，构建理想状态下n×m的布尔型故障-测试特征相关性矩阵D；
步骤四：根据步骤一至步骤三中确定的故障集F、测试特征完备集T、测试特征通过阈值集Thre以及测试特征样本集，分别构建高斯Copula形式的故障检出率预计函数FDR(F,T,Thre；θd)、故障虚警率预计函数FAR(F,T,Thre；θa)以及故障隔离率预计函数FIR(F,T,Thre；θi)，并根据步骤二中获取的测试特征分布样本分别采用极大似然法估计对应的模型系数向量θd、θa及θi，实现对测试特征完备集T的测试性指标预计；
步骤五：基于步骤四中所确立的高斯Copula形式的3种测试性指标预计函数，进一步引入修正参数构建考虑测试特征子集选择情况下的测试性指标预计函数FDR(S,F,T,Thre；θd)、FAR(S,F,T,Thre；θa)、FIR(S,F,T,Thre；θi)，实现对T中任意子集对应测试性指标的快速预计，其中S为长度为m的测试选择向量，若tj被选择则S上第j位元素sj＝1，反之则sj＝0。
2.根据权利要求1所述的考虑不确定性的电路系统测试性指标预计方法，其特征在于所述步骤二中，随机样本数K的取值满足以下条件：
Figure FDA0002514305170000021
式中，m为测试特征完备集中测试特征数量，q为不确定性因素种类数。
3.根据权利要求1所述的考虑不确定性的电路系统测试性指标预计方法，其特征在于所述步骤三中，测试特征通过阈值由下式确定：
threj＝F-1(px；θj)；
其中，threj为测试tj对应的通过阈值，F-1表示测试特征累积分布函数的逆函数，px为[0,1]区间上的设定变量，θj为F-1函数系数，测试特征通过阈值集Thre＝{thre1,thre2,…,threm}。
4.根据权利要求1所述的考虑不确定性的电路系统测试性指标预计方法，其特征在于所述步骤三中，布尔型故障-测试特征相关性矩阵D为：
Figure FDA0002514305170000031
式中，dij为D矩阵中第i行第j列元素，
Figure FDA0002514305170000032
表示故障状态fi下第j项测试特征的期望。
5.根据权利要求1所述的考虑不确定性的电路系统测试性指标预计方法，其特征在于所述步骤四中，高斯Copula形式的故障检出率预计函数FDR(F,T,Thre；θd)、故障虚警率预计函数FAR(F,T,Thre；θa)以及故障隔离率预计函数FIR(F,T,Thre；θi)分别如下所示：
Figure FDA0002514305170000033
Figure FDA0002514305170000034
Figure FDA0002514305170000035
式中，ΦR(Φ-1(u1),…,Φ-1(un)；θ)为以θ为系数的高斯Copula函数形式，ΦR表示多元标准正态分布，Φ-1表示一元正态分布函数的逆函数，
Figure FDA0002514305170000036
表示故障fi状态下的第j项测试特征，
Figure FDA0002514305170000037
表示健康状态下的第j项测试特征，fdr(fi,T,Thre；θdi)、fir(fi,T,Thre；θii)则分别表示对故障fi的检出率以及隔离率预计函数，F表示故障集，T表示测试特征完备集，Thre表示测试特征通过阈值集，Fxj函数表示变量Xj的边缘分布函数。
6.根据权利要求1所述的考虑不确定性的电路系统测试性指标预计方法，其特征在于所述步骤五中，考虑测试特征子集选择情况下的测试性指标预计函数FDR(S,F,T,Thre；θd)、FAR(S,F,T,Thre；θa)、FIR(S,F,T,Thre；θi)分别如下所示：
Figure FDA0002514305170000041
Figure FDA0002514305170000042
Figure FDA0002514305170000043
式中，ΦR(Φ-1(u1),…,Φ-1(un)；θ)即为以θ为系数的高斯Copula函数形式，ΦR表示多元标准正态分布，Φ-1表示一元正态分布函数的逆函数，
Figure FDA0002514305170000044
表示故障fi状态下的第j项测试特征，
Figure FDA0002514305170000045
表示健康状态下的第j项测试特征，fdr(S,fi,T,Thre；θdi)、fir(S,fi,T,Thre；θii)分别表示测试选择向量为S时对故障fi的检出率以及隔离率预计函数，F表示故障集，T表示测试特征完备集，Thre表示测试特征通过阈值集，Fxj函数表示变量Xj的边缘分布函数。
CN202010471019.XA 2020-05-28 2020-05-28 一种考虑不确定性的电路系统测试性指标预计方法 Pending CN111626622A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010471019.XA CN111626622A (zh) 2020-05-28 2020-05-28 一种考虑不确定性的电路系统测试性指标预计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010471019.XA CN111626622A (zh) 2020-05-28 2020-05-28 一种考虑不确定性的电路系统测试性指标预计方法

Publications (1)

Publication Number Publication Date
CN111626622A true CN111626622A (zh) 2020-09-04

Family

ID=72259227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010471019.XA Pending CN111626622A (zh) 2020-05-28 2020-05-28 一种考虑不确定性的电路系统测试性指标预计方法

Country Status (1)

Country Link
CN (1) CN111626622A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232575A (zh) * 2020-10-21 2021-01-15 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6892163B1 (en) * 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
CN105512011A (zh) * 2015-11-30 2016-04-20 中国人民解放军63908部队 一种电子装备测试性建模评估方法
CN105844023A (zh) * 2016-03-25 2016-08-10 北京航空航天大学 一种考虑测试点不确定性的测试性建模方法
CN106570200A (zh) * 2015-10-12 2017-04-19 南京赛宝工业技术研究院 一种虚拟仿真测试方法
CN107103134A (zh) * 2017-04-24 2017-08-29 重庆理工大学 基于贝叶斯网络的低速无线传感器网络测试性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6892163B1 (en) * 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
CN106570200A (zh) * 2015-10-12 2017-04-19 南京赛宝工业技术研究院 一种虚拟仿真测试方法
CN105512011A (zh) * 2015-11-30 2016-04-20 中国人民解放军63908部队 一种电子装备测试性建模评估方法
CN105844023A (zh) * 2016-03-25 2016-08-10 北京航空航天大学 一种考虑测试点不确定性的测试性建模方法
CN107103134A (zh) * 2017-04-24 2017-08-29 重庆理工大学 基于贝叶斯网络的低速无线传感器网络测试性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CEN CHEN等: "A Joint Distribution-based Testability Metric Estimation Model for Unreliable Tests", 《IEEE ACCESS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232575A (zh) * 2020-10-21 2021-01-15 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置
CN112232575B (zh) * 2020-10-21 2023-12-19 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置

Similar Documents

Publication Publication Date Title
Cheng et al. Evaluating reliance level of a virtual metrology system
CN107065843B (zh) 基于独立子空间的多方向kica间歇过程故障监测方法
CN111079836A (zh) 基于伪标签方法和弱监督学习的过程数据故障分类方法
CN111191726B (zh) 一种基于弱监督学习多层感知器的故障分类方法
Yeganeh et al. Monitoring linear profiles using Artificial Neural Networks with run rules
Su et al. A processing quality prognostics scheme for plasma sputtering in TFT-LCD manufacturing
CN111914470B (zh) 一种能源化工生产系统多元监测时间序列回归预测方法
CN114925536A (zh) 机载系统phm测试性建模与诊断策略优化方法和装置
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN106021671B (zh) 结合相关性关系和灰色聚类技术的电路健康分级评估方法
CN115962797B (zh) 一种基于温度应力下的传感器可靠性测试方法及系统
CN111079348B (zh) 一种缓变信号检测方法和装置
Yuan et al. A Bayesian approach to degradation-based burn-in optimization for display products exhibiting two-phase degradation patterns
CN110414086B (zh) 一种基于灵敏度的综合应力加速因子计算方法
CN114091600B (zh) 一种数据驱动的卫星关联故障传播路径辨识方法及系统
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
CN106886620B (zh) 航天器测试资源优化配置方法
CN111626622A (zh) 一种考虑不确定性的电路系统测试性指标预计方法
CN117575027B (zh) 一种利用知识增强时空因果的传感器故障诊断方法
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
Li et al. Online change-point detection in high-dimensional covariance structure with application to dynamic networks
Chen et al. Multivariate simulation assessment for virtual metrology
TWI639908B (zh) 製程偵錯與診斷方法
Chen et al. A data mining projects for solving low-yield situations of semiconductor manufacturing
Jeyanthi et al. Addressing higher order serial correlation in techniques for gross error detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200904

RJ01 Rejection of invention patent application after publication