CN113110396A - 一种基于频繁项关系矩阵的列车控制系统故障定位方法 - Google Patents
一种基于频繁项关系矩阵的列车控制系统故障定位方法 Download PDFInfo
- Publication number
- CN113110396A CN113110396A CN202110496756.XA CN202110496756A CN113110396A CN 113110396 A CN113110396 A CN 113110396A CN 202110496756 A CN202110496756 A CN 202110496756A CN 113110396 A CN113110396 A CN 113110396A
- Authority
- CN
- China
- Prior art keywords
- fault
- combination
- test case
- incentive
- frequent item
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于频繁项关系矩阵的列车控制系统故障定位方法,首先,利用故障注入组合测试用例集、组合测试结果以及附加测试用例集,计算各故障诱因元素的频繁度,得出有序故障诱因元素表;其次,构建组合故障频繁项关系矩阵,利用诱因元素跟随关系计算故障诱因组合的可疑度;最后,通过诱因组合迭代定位方法,得出故障诱因组合的可疑度排名表,故障诱因组合中可疑度排名越靠前就表示诱因组合越容易产生耦合故障,根据可疑度排名及时对CTCS进行调试和修正。当待测的高速铁路CTCS存在屏蔽效应时,本发明能够高效准确地定位出最小故障诱因组合,最大限度地检测CTCS的冗余机制,高效准确地定位MFS,提高了测试效率,降低了测试成本。
Description
技术领域
本发明属于列车控制技术领域,尤其涉及一种基于频繁项关系矩阵的列车控制系统故障定位方法。
背景技术
随着我国高速铁路的快速发展,列车运行速度不断提高,CTCS(Chinese TrainControl System,中国列车运行控制系统)作为监督、控制和调整列车速度的技术装备,其安全性至关重要。CTCS仿真平台是对列车运行控制全过程的真实模拟,可以实现对CTCS安全性的相关测试。仿真平台的故障注入技术用于收集系统可靠性相关的信息,评价系统的安全防护设计水平,可以模拟现场设备故障,将故障注入到待测系统中,分析系统响应,从而评价系统冗余机制的有效性。传统的CTCS故障注入技术通常采用单个故障注入,容易被过滤,从而难以验证其冗余机制的有效性。组合故障注入以及其后的故障定位过程的本质就是发现和定位MFS(Minimal Failure-causing Schema,最小故障诱因模式)的过程。基于组合测试的CTCS故障注入方法利用多个故障组合注入到CTCS中,可以有效地验证系统的冗余机制,因而如何实现故障注入后的MFS定位至关重要。
由于在实际系统中进行组合测试时,会存在屏蔽效应,在基于组合测试的列车运行控制系统故障注入研究中,CTCS中的冗余技术可能会过滤掉部分故障类型,导致CTCS的组合测试存在屏蔽效应,即带有MFS的测试用例可能无法触发系统故障。如何在含有屏蔽效应的测试结果中诊断导致系统故障的原因显得至关重要,而目前针对此类故障定位的相关研究还比较少,不能高效准确地定位出最小故障诱因组合,组合测试效率低,测试成本高。
发明内容
针对上述背景技术中指出的不足,本发明提供了一种基于频繁项关系矩阵的列车控制系统故障定位方法,旨在解决上述背景技术中现有技术存在的问题。
为实现上述目的,本发明采用的技术方案是:
一种基于频繁项关系矩阵的列车控制系统故障定位方法,包括以下步骤:
首先,利用故障注入组合测试用例集、组合测试结果以及附加测试用例集,计算各故障诱因元素的频繁度λx,并将频繁度降序排列,得出有序故障诱因元素表;
其次,根据关系矩阵的定义和有序故障诱因元素表中诱因元素的排列顺序,构建组合故障频繁项关系矩阵,利用诱因元素跟随关系计算故障诱因组合的可疑度;
最后,通过诱因组合迭代定位方法,得出故障诱因组合的可疑度排名表,故障诱因组合中可疑度排名越靠前就表示诱因组合越容易产生耦合故障,根据可疑度排名及时对CTCS进行调试和修正。
优选地,所述组合测试用例集是利用IRM-COM算法计算得出的故障注入组合测试用表中的所有测试用例集合。
优选地,所述附加测试用例集指组合测试用例集中的诱因组合不满足可疑度排名需求时,按一定方法生成新的测试用例集;生成方法如下:
在组合测试用例集中,n元组中的[-,…,u11,-,…,u1k,…]被称为k值模式,其中u1i表示参数ui中的固定值,“-”表示对应参数可以取任意值;由失败测试用例得出k值可疑组合集p,取k值可疑组合集中的一个2值可疑组合,在每次生成附加测试用例时,保持所述2值可疑组合不变,遍历其他参数的不同取值,生成新的附加测试用例集合。
优选地,所述故障诱因组合为故障诱因元素与所述故障诱因元素前驱事件、后继事件的组合。
优选地,所述故障诱因组合的可疑度表达式如下:
式中,c为故障诱因组合,ρ(c)为故障诱因组合c的可疑度,u(c)由频繁项关系矩阵计算得出,v(c)表示包含故障诱因组合c的失败测试用例数与包含故障诱因组合c的所有测试用例总数的比值,w(c)表示包含故障诱因组合c的可疑组合与所有可疑组合总数的比值。
相比于现有技术的缺点和不足,本发明具有以下有益效果:
本发明采用基于IRM-COM的测试用例生成方法和基于频繁项关系矩阵的故障定位方法,当待测的高速铁路CTCS存在屏蔽效应时,本发明相对于故障森林方法生成的附加测试用例数量平均减少了约31.7%,可疑度平均值高出了12.17%,本发明能够高效准确地定位出最小故障诱因组合。本发明通过算法分析和仿真试验可知,当故障注入CTCS后,本发明能够最大限度地检测CTCS的冗余机制,高效准确地定位MFS,提高了测试效率,降低了测试成本。
附图说明
图1是本发明实施例提供的频繁项关系矩阵生成流程图。
图2是本发明实施例提供的诱因组合迭代定位方法流程图。
图3是本发明实施例提供的故障诱因组合可疑度排名流程图。
图4是本发明实施例提供的不同方法生成的附加测试用例比值图。
图5是本发明实施例提供的最小故障诱因组合可疑度对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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,并不用于限定本发明。
在基于组合测试的列车运行控制系统故障注入研究中,CTCS中的冗余技术可能会屏蔽掉部分故障类型,导致CTCS的组合测试存在屏蔽效应,即带有MFS的测试用例可能无法触发系统故障。本发明研究了一种基于频繁项关系矩阵的列车控制系统故障定位方法,并通过对TRT模型、故障森林和IRM-COM算法的比较,验证了本发明的优越性;依托京沈高速铁路列车运行控制系统仿真平台,对本发明的有效性和精确性进行了验证。
1、故障诱因组合相关定义
为了方便研究故障诱因组合可疑度,给出以下相关定义:
组合测试用例集:利用IRM-COM(Initial Reduction Matrix and CombinedOmission Matrix,初始约简矩阵—组合遗漏矩阵)算法计算得出的故障注入组合测试用表中所有测试用例集合。
失败测试用例集:指测试结果表中失败的测试用例集合。
k值模式:在组合测试用例集中,n元组中的[-,…,u11,-,…,u1k,…]被称为k值模式。在n元组中,u1i表示参数Ui中的固定值,“-”表示其对应参数可以取任意值。当k=n时,k值模式自身就是一个测试用例。例如,[-,RBC硬件故障,-,GSM-R网络状态不良]表示为一个2值模式。
k值可疑组合:指包含此k值的测试用例中必有失败测试用例的组合。
k值故障诱因组合:指包含此k值故障诱因组合的测试用例会引发系统故障,一个k值可疑组合是指该k值模式与k值故障诱因组合极度相似。
k值MFS:若k值故障诱因组合为k值MFS,那么它的所有子模式都是正确模式,最小k值MFS就是测试系统故障的根源。
屏蔽效应:由于系统运行环境的影响,带有MFS的测试用例会偶然运行成功。产生这种情况的原因可能是受系统冗余机制或其他k值模式的影响,在系统运行时没有执行MFS,致使包含MFS的测试用例偶尔运行成功。
频繁度:已知失败测试用例集Fail={fail1,fail2,fail3,…,failn},若一个元素x在faili中出现,记为yi=1,若faili中没有元素x,则记为yi=0,那么,该元素在失败测试用例中的频繁度如式(1):
其中,λx表示元素x的频繁度,表示失败测试用例集中所有包含元素x的测试用例个数。由于测试用例中可能包含多个故障诱因组合,因此可以根据测试者需求,设置频繁度需求值,设λx=0.4,则频繁度高于0.4的故障诱因元素被认为是频繁项。
跟随关系:设T=<e1,…,ei,ei+1,…,en>∈L,称元素ei+1跟随ei,记为ei>Lei+1。
关系矩阵:轨迹中所有跟随关系的集合称为关系矩阵,使用三元组〈E,I,O〉表示:
①E为事件集合;
②I为前驱事件集合,对于任意e1∈E,若e2∈I(e),则e2>Le1;
③O为后继事件集合,对于任意e2∈E,若e3∈O(e),则e2>Le3 [17]。
本发明中,一个事件则为一个测试元素。
故障组合注入因素:记为FCIF(Failure Combine Injection Factor),FCIF={fi1,fi2,…,fin}为故障注入组合测试中Fi方面对应的测试项代码集,本发明以CTCS故障降级场景为例,总结得出故障注入组合测试元素表如表1所示。故障降级场景包括CTCS-3(简称C3)因故障降为CTCS-2(简称C2)、C2因故障无法升级到C3和C2因故障降级。
表1 CTCS故障降级场景故障注入组合测试元素表(部分)
附加测试用例集:指组合测试用例集中的诱因组合不满足可疑度排名需求时,按一定方法生成新的测试用例集。其生成方法如下:
由失败测试用例得出k值可疑组合集p,设pi为p中的一个2值可疑组合,即pi={101,201},在每次生成附加测试用例时,保持组合{101,201}不变,遍历其他参数的不同取值,如此生成的附加测试用例更能触发待测系统发生故障。
由于高速铁路列车运行控制系统对安全性要求极高,若采用多值模式故障注入可能存在一定的制约关系,因此本发明研究过程中使用的IRM-COM算法,只针对2值模式生成测试用例。
2、频繁项关系矩阵构建
MFS(最小故障诱因模式)的定位旨在使用尽可能少的附加测试用例,缩小可疑组合的范围,由于失败测试用例中一定带有MFS,所以在失败测试用例集中最频繁出现的组合最可能为MFS。
为了方便存储不同元素的不同取值,将元素不同取值的频繁度值标注为下标,例如:元素值101的频繁度为0.5,则表示为1010.5,组合{101,201}的频繁度为0.5,则表示为{101,201}0.5。
假设需测试CTCS故障降级场景中的故障组合注入情况,提取三个场景中的故障类型F1={101,102}、F2={201,202,203}和F3={301,302,303,304},设组合{101,201}为最小故障诱因组合,测试用例结果如表2所示。
表2测试用例集测试结果
表2中的F表示失败,P表示通过,则测试用例1、4、9、10包含最小故障诱因组合{101,201},其中测试用例10中包含最小故障诱因组合,但系统测试表示通过,因此测试用例10受屏蔽影响。
根据测试用例集测试结果,计算失败测试用例中故障诱因元素的频繁度,假设故障诱因元素频繁度需求值为λx=0.4,则频繁度高于0.4的均被认为是故障诱因频繁项,则它们的频繁度如下:1011、2010.75、2020.25、3010.25、3020.5和3040.25,由于0.25<0.4,因此过滤掉诱因元素2020.25、3010.25和3040.25,按照每个测试用例中元素的频繁度降序排列,得出有序故障诱因元素表如表3所示。
表3有序故障诱因元素表
根据关系矩阵的定义和有序故障诱因元素表中诱因元素的排列顺序,得出频繁项关系矩阵如表4所示。
表4频繁项关系矩阵
表4中,{}表示没有符合的事件,由于故障诱因元素1011的后继事件集合中的{201,302}0.25以及3020.5的前驱事件集合中的{101,201}0.25,两者的频繁度均低于0.4,所以不予考虑。由于频繁项关系矩阵均来自失败的测试用例,因此,本发明中故障诱因元素与其前驱、后继事件的组合,即为可疑组合,根据频繁项关系矩阵中元素的跟随关系计算故障诱因组合的可疑度,排除可疑度低于0.4的诱因组合,得出频繁项关系矩阵,其生成流程如图1所示。
3、故障诱因组合可疑度计算
通过故障组合注入方法将故障注入组合测试用例集注入到待测系统(CTCS或CTCS仿真平台)中,生成测试结果,根据组合测试用例集、测试结果和附加测试用例,构建组合故障频繁项关系矩阵,计算组合可疑度,通过诱因组合迭代定位方法得出故障诱因组合可疑度排名。
3.1诱因组合迭代定位方法
可疑度排名主要由最小故障诱因组合定位方法和诱因组合迭代定位方法两部分组成。最小故障诱因组合定位方法用于计算诱因组合的可疑度,诱因组合迭代定位方法用于得出满足排名需求的诱因组合。
诱因组合迭代定位方法流程如图2所示,通过组合测试用例集和测试用例运行结果,获得可疑参数以及k值可疑组合,进而计算可疑度,得出可疑度排名。若满足测试者需求,则输出排名,否则根据附加测试用例生成方法,继续添加测试用例进行测试,直到满足排名需求即可。
3.2故障诱因组合可疑度排名
故障诱因组合的可疑度越高,越容易导致待测系统故障,并且故障诱因组合在失败测试用例中出现的可能性也越大。设F为已经执行的测试用例集,f为F中的任意测试用例,ρ(c)为故障诱因组合c的可疑度,则ρ(c)表达式如式(2):
其中,u(c)由频繁项关系矩阵计算得出,v(c)表示包含故障诱因组合c的失败测试用例数与包含故障诱因组合c的所有测试用例总数的比值,w(c)表示包含故障诱因组合c的可疑组合与所有可疑组合总数的比值。u(c)、v(c)和w(c)表达式如下:
设故障诱因组合c={c1l,c2m},c1、c2为故障诱因组合c的两个故障诱因元素,l表示c1的可疑度,m表示c2的可疑度,则u(c)表达式如式(3):
可疑度ρ(c)中的v(c)表达式如式(4):
其中,r(f)=fail∧c∈f表示失败测试用例中包含故障诱因组合c的测试用例。
可疑度ρ(c)中的w(c)表达式如式(5):
其中,o表示包含c的可疑组合,Ω表示可疑组合集。
假设需要排名前3的故障诱因组合,且频繁度不小于0.4,根据表2的测试结果和频繁项关系矩阵,计算故障诱因组合可疑度ρ,可疑度排名如表5所示,且满足测试排名前3的需求。可疑度ρ计算过程如式(6)、式(7)和式(8)所示,
表5故障诱因组合可疑度排名
通过测试结果和频繁项关系矩阵,计算故障诱因组合可疑度ρ,得出可疑度排名;当排名不满足测试者需求时,继续根据关系矩阵的定义生成附加测试用例进行测试,直到满足需求为止。最小故障诱因组合定位方法与可疑度排名流程如图3所示。故障诱因组合的可疑度排名可以为测试人员最终的故障诊断提供依据,减少测试时间与成本。
4、算法分析及仿真试验
依托兰州交通大学“国家级轨道交通信息与控制虚拟仿真实验教学中心”京沈高速铁路CTCS仿真平台,结合现场线路数据和实际设备信息,验证本发明提出的基于频繁项关系矩阵的CTCS故障定位方法的有效性和准确性。
4.1算法对比分析
为了深入研究CTCS采用组合测试存在屏蔽效应的情况,以京沈高速铁路CTCS仿真平台为基础,利用IRM-COM算法生成测试用例集,在故障组合注入模块中添加一个随机函数,例如使包含MFS的测试用例以20%的概率偶然运行成功。也就是说,在运行包含MFS的测试用例时,调用随机函数,该函数以20%的概率设置此测试用例为成功的测试用例。
为了更好地验证本文所提方法的有效性,本次仿真实验对TRT模型、故障森林方法进行研究,将IRM-COM算法生成的测试用例集注入到待测的京沈高速铁路CTCS仿真平台,进行50次测试,得出附加测试用例个数与最小故障诱因组合可疑度。
利用TRT、故障森林和本发明故障定位方法,生成附加测试用例比值fjtest和最小故障诱因组合可疑度的箱线图,分别如图4和图5所示。其中,箱线图可以分析出数据集是否具有对称性,识别出数据集中的异常点以及数据分布的离散程度等信息。
图4中,附加测试用例比值fjtest表达式如式(9):
式中,F为测试用例集,|F|表示F中测试用例的个数,G为附加测试用例集,|G|为附加测试用例的个数。
由图4可知,TRT的附加测试用例箱体偏上且较高,因此TRT的附加测试用例最多,而本发明方法生成的附加测试用例比其他两种算法均少。将失败测试用例中的一个2值可疑组合固定不变,改变其他的元素值,生成的附加测试用例个数相对于故障森林方法平均减少约31.7%。附加测试用例越少,则故障定位的效果越好,因此本文所提方法的有效性优于其他两种故障定位方法。
由图5可得,TRT的最小故障诱因组合可疑度箱体最高,最大值为1,最小值为0。因此,当存在屏蔽效应时,TRT的故障定位方法是失效的,不能有效定位出MFS。故障森林的可疑度平均值为56.68%,且箱体偏高;而发明的故障定位方法的可疑度平均值为68.85%,且箱体较低。因此,本发明比故障森林的故障定位方法准确度高且结果更稳定。
4.2CTCS故障注入方法验证
本次试验提取京沈高速铁路CTCS故障降级场景中的故障类型进行测试,分别为:F1={101,102,103,104}、F2={201,202,203,204}、F3={301,302,303,304,305},具体故障类型见表1,设置诱因元素频繁度λx=0.4,要求得出故障诱因组合前5的可疑度排名表。由组合测试用例生成方法IRM-COM算法生成故障注入组合测试用例表矩阵B,如式(10)所示。
由测试者在CTCS仿真平台测试用例界面的元素输入模块输入想要测试的故障类型编码,故障组合注入算法将访问数据库,调用相关故障类型信息,根据IRM-COM算法得出故障注入组合测试用例表。首先,校对仿真平台各个子系统时钟;其次点击导入按钮,后台运行故障组合注入算法,获得故障注入执行顺序的故障组合注入脚本文件;最后,办理列车进路,并保证每个测试用例列车进路相同,进行故障注入组合测试。当测试用例成功注入CTCS仿真平台后,会包含运行失败的测试用例,导致列车超速运行或紧急停车,仿真系统的各子系统会给出相应的故障报警信息。为了得出故障诱因组合排名,需构建组合故障频繁项关系矩阵如表6所示,利用诱因组合迭代定位方法,获得最小故障诱因组合,计算组合可疑度,得出故障诱因组合排名表7。
表6频繁项关系矩阵
表7故障诱因组合排名表
根据故障注入组合测试方法在京沈高速铁路CTCS仿真平台上的验证可得,通过的测试用例表示当该测试用例所包含的故障注入到仿真平台后,由于CTCS的冗余机制过滤了注入到系统中的故障及其耦合故障,确保了系统正常运行,因此通过的测试用例包含的故障部分,只检测了系统的部分冗余机制。失败的测试用例表示该测试用例中的故障组合及其耦合故障导致了系统故障,系统的冗余机制并没有过滤掉这些故障,因此其故障组合产生耦合故障的可能性较高,且可以最大限度地检测系统的冗余机制。最小故障诱因组合{101,201}表示“RBC硬件故障”和“GSM-R网络状态不良”有72.13%的可疑度产生耦合故障,导致CTCS仿真系统故障,由于{101,201}的可疑度最高,因此{101,201}即为本次组合测试的MFS。最终生成的故障诱因组合中可疑度排名越靠前就是越容易产生耦合故障的诱因组合。在实际工程应用中,可疑度排名可以及时对CTCS进行调试和修正,或者优先维护排名表前列的设备类型,对CTCS优化设计以及设备维护具有指导意义,能够确保行车事故防患于未然。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于频繁项关系矩阵的列车控制系统故障定位方法,其特征在于,包括以下步骤:
首先,利用故障注入组合测试用例集、组合测试结果以及附加测试用例集,计算各故障诱因元素的频繁度λx,并将频繁度降序排列,得出有序故障诱因元素表;
其次,根据关系矩阵的定义和有序故障诱因元素表中诱因元素的排列顺序,构建组合故障频繁项关系矩阵,利用诱因元素跟随关系计算故障诱因组合的可疑度;
最后,通过诱因组合迭代定位方法,得出故障诱因组合的可疑度排名表,故障诱因组合中可疑度排名越靠前就表示诱因组合越容易产生耦合故障,根据可疑度排名及时对CTCS进行调试和修正。
2.如权利要求1所述的基于频繁项关系矩阵的列车控制系统故障定位方法,其特征在于,所述组合测试用例集是利用IRM-COM算法计算得出的故障注入组合测试用表中的所有测试用例集合。
3.如权利要求2所述的基于频繁项关系矩阵的列车控制系统故障定位方法,其特征在于,所述附加测试用例集指组合测试用例集中的诱因组合不满足可疑度排名需求时,按一定方法生成新的测试用例集;生成方法如下:
在组合测试用例集中,n元组中的[-,…,u11,-,…,u1k,…]被称为k值模式,其中u1i表示参数ui中的固定值,“-”表示对应参数可以取任意值;由失败测试用例得出k值可疑组合集p,取k值可疑组合集中的一个2值可疑组合,在每次生成附加测试用例时,保持所述2值可疑组合不变,遍历其他参数的不同取值,生成新的附加测试用例集合。
4.如权利要求1所述的基于频繁项关系矩阵的列车控制系统故障定位方法,其特征在于,所述故障诱因组合为故障诱因元素与所述故障诱因元素前驱事件、后继事件的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496756.XA CN113110396A (zh) | 2021-05-07 | 2021-05-07 | 一种基于频繁项关系矩阵的列车控制系统故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496756.XA CN113110396A (zh) | 2021-05-07 | 2021-05-07 | 一种基于频繁项关系矩阵的列车控制系统故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113110396A true CN113110396A (zh) | 2021-07-13 |
Family
ID=76721205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496756.XA Pending CN113110396A (zh) | 2021-05-07 | 2021-05-07 | 一种基于频繁项关系矩阵的列车控制系统故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110396A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679606A (zh) * | 2023-08-02 | 2023-09-01 | 兰州交通大学 | 基于Delta-Debugging的列车运行控制系统故障定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409668A (zh) * | 2018-09-21 | 2019-03-01 | 华中科技大学 | 基于数据挖掘的抽水蓄能机组故障关联关系分析方法 |
CN209055845U (zh) * | 2019-01-08 | 2019-07-02 | 兰州交通大学 | 一种高速动车组行车故障监测与诊断系统 |
-
2021
- 2021-05-07 CN CN202110496756.XA patent/CN113110396A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409668A (zh) * | 2018-09-21 | 2019-03-01 | 华中科技大学 | 基于数据挖掘的抽水蓄能机组故障关联关系分析方法 |
CN209055845U (zh) * | 2019-01-08 | 2019-07-02 | 兰州交通大学 | 一种高速动车组行车故障监测与诊断系统 |
Non-Patent Citations (2)
Title |
---|
梁春燕: "基于组合测试的列车运行控制系统故障注入方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
王勇: "基于组合故障频繁树的最小失效诱因模式定位方法", 《东南大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679606A (zh) * | 2023-08-02 | 2023-09-01 | 兰州交通大学 | 基于Delta-Debugging的列车运行控制系统故障定位方法 |
CN116679606B (zh) * | 2023-08-02 | 2023-10-03 | 兰州交通大学 | 基于Delta-Debugging的列车运行控制系统故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Natella et al. | On fault representativeness of software fault injection | |
CN106776208B (zh) | 一种软件运行时故障定位方法 | |
Gong et al. | Diversity maximization speedup for fault localization | |
CN110245085B (zh) | 利用在线模型检验的嵌入式实时操作系统验证方法及系统 | |
CN104184728A (zh) | 一种Web应用系统的安全检测方法及安全检测装置 | |
Gutiérrez‐Madroñal et al. | Evolutionary mutation testing for IoT with recorded and generated events | |
Iqbal et al. | Combining search-based and adaptive random testing strategies for environment model-based testing of real-time embedded systems | |
CN113110396A (zh) | 一种基于频繁项关系矩阵的列车控制系统故障定位方法 | |
CN106546278A (zh) | 验证核安全级仪控平台安全失效率的统计测试装置及方法 | |
CN107966648B (zh) | 一种基于相关性矩阵的嵌入式故障诊断方法 | |
Su et al. | Diagnosability of Discrete-Event Systems with Uncertain Observations. | |
Yang et al. | A fault localization method based on conditional probability | |
CN116679606B (zh) | 基于Delta-Debugging的列车运行控制系统故障定位方法 | |
CN107612927A (zh) | 电力调度自动化系统的安全检测方法 | |
US8359559B2 (en) | Methods and systems for evaluating checker quality of a verification environment | |
CN105528296B (zh) | 一种面向对象软件的类簇测试方法 | |
Li et al. | Research on software testing technology based on fault tree analysis | |
Bertolino et al. | Using testability measures for dependability assessment | |
Cheng et al. | Intelligent quantitative safety monitoring approach for ATP using LSSVM and probabilistic model checking considering imperfect fault coverage | |
Hao et al. | Towards interactive fault localization using test information | |
Zhang et al. | Safety prediction of rail transit system based on deep learning | |
Yeh et al. | Hierarchical tracing of concurrent programs | |
Li et al. | Property-oriented test generation from UML statecharts | |
Landsberg | Methods and measures for statistical fault localisation | |
CN114826871B (zh) | 一种云平台监控告警处理功能测试方法与系统 |
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: 20210713 |
|
RJ01 | Rejection of invention patent application after publication |