CN114021632B - 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 - Google Patents
一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114021632B CN114021632B CN202111265174.7A CN202111265174A CN114021632B CN 114021632 B CN114021632 B CN 114021632B CN 202111265174 A CN202111265174 A CN 202111265174A CN 114021632 B CN114021632 B CN 114021632B
- Authority
- CN
- China
- Prior art keywords
- chain
- test
- state
- measurement equipment
- markov
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 153
- 238000005259 measurement Methods 0.000 title claims abstract description 98
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 238000013522 software testing Methods 0.000 claims 1
- 238000009827 uniform distribution Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 16
- 230000010485 coping Effects 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000105 evaporative light scattering detection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开了一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质，属于电测量设备智能检测技术领域。为了解决如何从真实的检测环境中挖掘出未知类型的检测步骤的问题，本申请利用马尔科夫链生成随机测试链，采用公共子串和公共子序列构建电测量设备新产品的被激活的测试策略片段，经组合后形成可执行的测试策略，从而模拟应对未知类型的检测步骤场景，从真实的检测环境中，挖掘出未知类型的检测步骤，能够更有效地发现并消除软件运行缺陷，满足用户的使用需求，实行测试方案以检测电测量设备在工作过程中发现失效故障，最终使电测量设备的可靠性得到持续提高。
Description
技术领域
本申请涉及一种电测量设备测试策略评价方法、电子设备及存储介质，尤其涉及一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质，属于电测量设备智能检测技术领域。
背景技术
目前，在电测量设备检测方面，利用计算机网络、数据传输、数据分析等信息化技术，已实现对产品检测自动化的全过程监督与管控，在此基础上对电测量设备测试的概念和方法也随之发生了变化。
测试模型是测试活动全部的过程、活动和任务的结构框架。测试策略是对测试用例的组合，其来源于测试实践，又用于设计测试用例和指导测试过程控制。同产品开发模型一样，测试策略也遵循软件工程和管理学原理，根据不同的测试对象、测试背景、被测对象要求等实施测试活动，指导检测测试活动。
尽管在开发电测量设备的过程中采用许多保证软件质量的方法和技术，产品中还会隐藏许多错误和缺陷。统计表明，新产品在开发调试过程中发现的缺陷，只有大约1/10在现场操作中被激活，若按照现场操作流程顺序执行的缺陷来确定电测量设备的可靠性是不现实的。随着产品测试越来越被电力系统所重视，产品测试用例逐步发展成独立于产品开发的一系列活动，特别是种类繁多且升级换代频繁的电测量设备。针对每种电测量设备产品的各种型号而言，测试用例都是独立的操作流程，达到尽早暴露缺陷以减少对产品可靠性影响的目的。
近年来已有研究机构陆续开展实验室检测测试新模式的探索研究，但电测量设备作为电力系统质量监督的重要环节，其可靠性反映的是长期使用在恶劣环境下被频繁触发的缺陷及电测量设备能够连续服务的能力。从电力用户的角度来看，普遍希望通过测试过程来暴露点测量设备中隐藏的错误和缺陷，所以测试应该是“为发现错误而执行程序的过程”。
同时，测试模式、测试策略及测试用例在电测量设备智能检测方面还存在业务流程、检测功能、检测效率和测试用例等问题，导致产品的检测结果指标较低、可靠性较差，传统测试模型已经无法满足产品测试周期和市场竞争要求，因此急需一种针对电测量设备的测试策略生成方法，以解决电测量设备检测缺乏工作流程、检测方案，不能满足检测工作及时性需求等问题，这对提升电测量设备检测系统的自动化、智能化和信息化水平具有十分重要的意义。
当前主流测试模型如下：
自20世纪80年代后期，测试模型研究先后经历了W模型、X模型、H模型、前置测试模型等发展演变，这几种测试模型也逐渐发展为当前主流测试模型。目前，传统项目测试基本按照V模型和W模型开展，表1为测试模型的对比表。
表1 测试模型对比表
马尔科夫模型是一种统计模型，运用马尔科夫链的理论和方法来研究分析在不同输入激励条件下，例如不同的输入变量或变量取不同值可导致不同的状态转换。而在使用过程中不同激励的出现是符合某种统计分布规律，因此状态转换也存在相互关联的概率分布，称之为状态转换概率。如果遵循状态转换概率分布抽样产生测试输入序列，则体现了统计意义上的使用方式，具体到电测量设备的马尔科夫链定义如下：
假设{Xt:t≥0}为一组随机样本空间，Xt表示当前的状态，t表示非负整数时间集合，Xt中所有取到的值为电测量设备检测项集合，则称集合S＝{S0,S1,…,St}为检测项的状态空间。
假设对于任意非负整数时间t及集合S中的任意状态S0,S1,…,St有：
P(Xt+1＝St+1|X0＝S0,X1＝S1,…,Xt＝St)＝P(Xt+1＝St+1|X0＝St)
则称{Xt:t≥0}为一条马尔科夫链。其中P表示状态转移概率。
对于马尔科夫链来说，能预测未来状态唯一有用的信息只有过程当前的状态Xt，与之前的状态{X0,X1,X2,…,Xt-1}不相关。马尔科夫链的性质完全由转移概率P(i,j)决定：
P(i,j)＝p(i→j)＝P(Xt+1＝sj|Xt＝si)
马尔科夫链模型将电测量设备连续运行序列作为马尔科夫链来描述电测量设备的使用方式：其状态空间中从一个状态到另一个状态转换的随机过程，下一状态的概率分布只能由当前状态决定，在时间序列中前面的事件均与之无关，这种特定类型的“无记忆性”符合设备检测步骤的规律。
马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)是一种解决多维、复杂问题的近似采样算法，采用某种采样的方法进行重复采样，定义一个稳态分布为p的马尔科夫链，然后再对在目标分布p中对样本进行蒙特卡洛模拟，得到统计量。
M-H(Metropolis-Hasting)算法是MCMC算法的一个特例。其核心思路是：想要构造指定函数h(x)为平稳分布的马尔科夫链，需任意选择一个不可约的建议分布p。然后从任意一点X1出发，由建议分布p产生一个尝试转移状态X2，以一定的概率α判断是否接受或拒绝以纠正偏差，若接受则产生X2，若不接受则维持原状态不变。
综合上述，现有技术存在的问题如下：
1、对于当前电测量设备的主流检测方案还是沿用经典的规划检测目的、设计检测方案、按照既定的测试步骤依次顺序执行、实现电测量设备各项功能的检测。在这种检测思想下，电测量设备检测系统按照电测量设备使用说明书的步骤，部署顺序执行的检测流程，这些步骤一旦定义则不能修改。缺点是只考虑了正常操作流程的检测项按照固定检测步骤执行，缺乏对突发事件或异常操作的检测；
2、相对于电测量设备的快速发展，不同种类或相同种类不同生产厂家的电测量设备层出不穷，仅仅按照既定检测步骤规则进行检测，会导致缺乏检测规则造成电测量设备缺陷的漏报。
3、根据检测规则生成的检测步骤可能是海量的，也可能是无实际价值的。并且理论上讲检测项目所有分支进行测试是可行的，但由此产生的测试用例数量、测试持续期等开销非常大，在实际应用过程中有一定的局限性。
4、电测量设备的检测随着检测项目的增长而增长，为了达到检测效果，依靠检测系统设计人员人工从这些海量检测步骤中设计完整的检测项流程有极大的难度，且人工设计检测项目的顺序、检测流程因人而异，带有极大的主观性；
5、检测步骤不能仅仅依靠电测量设备检测系统的手工定义，还应该可以模拟应对未知类型的检测步骤场景。因此，如何从真实的检测环境中挖掘出未知类型的检测步骤是当前电测量设备检测技术中亟待解决的问题。
发明内容
有鉴于此，本申请提供一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质，以解决如何从真实的检测环境中挖掘出未知类型的检测步骤的问题。利用马尔科夫链生成随机测试链，采用公共子串和公共子序列构建电测量设备新产品的被激活的测试策略片段，经组合后形成可执行的测试策略，从而模拟应对未知类型的检测步骤场景，从真实的检测环境中，挖掘出未知类型的检测步骤，能够更有效地发现并消除软件运行缺陷，满足用户的使用需求。
本申请的技术方案是这样实现的：
方案一：一种基于马尔科夫链的实验室用电测量设备测试策略评价方法，包括：
步骤一，采集电测量设备的属性，存储至数据集；
步骤二，根据电测量设备属性，整理编制电测量设备的基本检测项，设置检测项的使用权重；
步骤三，构建电测量设备马尔科夫使用链模型，基于电测量设备的马尔科夫链由状态和状态转化组成，马尔科夫链是从起点经过一系列的中间状态的转移，最后到达终点，即马尔科夫链起点到终点的不同路径就组成了测试策略；
马尔科夫使用链模型U定义为：
其中S＝(s1,s2,…sn)代表电测量设备状态空间集合，ARC＝(arc11,…,arc1n,arc21,…,arc2n,…,arcn1,…,arcnn)为状态转换关系的组合，D为电测量设备状态转换的输入激励域，pij为在激励dij下的转换概率，isflagij为向量。
步骤四，根据需求规范及检测项列表，按照使用方式设置检测项的使用权重并建立测试项的马尔科夫使用链，测试项的随机测试策略的生成采用M-H采样算法；
步骤五：重复步骤四，获得多条马尔科夫使用链，独立抽样的马尔科夫链共同构成了电测量设备随机测试策略的初始评估样本；
步骤六：将得到的初始评估样本进行测试，通过观察失效数据对测试项策略进行验证，得到初始评估样本中哪些测试项的被激活，并将激活的测试项策略参数arcij＝(dij,pij,isflagij)中向量isflagij赋值为1，表示在激励dij下被测电设备发生了故障；
步骤七：在所有测试策略中搜索公共子串和公共子序列，具体为：
定义：设有电测量设备的马尔科夫使用链A(链A):{X1,X2,…,Xm},(m>＝2)及马尔科夫使用链B(链B):{X1,X2,…,Xn},(n>＝2)，若链A、链B中均存在子链C:{X1,X2,…,Xk},(k>＝2,k<＝m,k<＝n)，则称链C为链A、链B的公共子串；
定义：设有电测量设备的马尔科夫使用链X＝{X1,X2,…,Xm}，给定链Z＝{Z1,Z2,…,Zk}，存在一个严格递增下标序列{i1,i2,…,ik}，使得对于所有j＝1,2,…,k存在则称链Z是链X的子序列；若给定链A、链B，当子序列Z既是链A的子序列又是链B的子序列时，称Z是链A和链B的公共子序列；
在电测量设备随机测试策略样本中，搜索被激活的公共子串和公共子序列的测试项内容、长度次数和位置等各类参数；
步骤八：建立马尔科夫测试链
电测量设备软件测试链T用来生成测试策略的马尔科夫链，其定义描述为：
S'＝(s1,s2,…,sn,sn+1,…,sm)是工作状态和故障状态的集合，其中s1,s2,…,sn表示工作状态，即电测量设备使用链U中所包含的状态，sn+1,…,sm为故障状态；ARC'＝(arc11,…,arc1m,arc21,…,arc2m,…,arcm1,…,arcmm)代表测试过程中状态之间的转换关系，D'分别包括工作状态和故障状态的输入激励域，pij′代表测试过程中在激励dij'下的工作状态和故障状态的转换概率；
按照步骤二中电测量设备检测项的使用权重μk，将被激活的公共子串和公共子序列作为测试片段注入到电测量设备工作流程中组合形成测试链，将生成的测试链作为测试策略对电测量设备进行测试。
进一步地：所述步骤一中，不同种类的电测量设备具有不同的属性，主要包括以下2类：
第1类信息包括：设备信息，如设备编号、名称、生产厂家、用电类别；
第2类信息是电测量设备的检测数据，采集频率。
进一步地：所述步骤二中，按照电测量设备工作流程及使用方式设置检测项的使用权重μk,k∈(1,M)，其中M为基本检测项的数量，若检测项的使用权重相同，则使用相等的权重。
进一步地：所述步骤三中，状态为使用过程中的内部环境；状态转换是指当电测量设备在某一状态经输入激励后从当前状态转换到另一个状态，起点是电测量设备上电状态，终点为关电状态。
进一步地：所述步骤三中，电测量设备的arcij为三维向量，增加的向量isflagij＝1表示在激励dij下测试项arcij状态转换关系为：激活，说明被测设备的潜在故障被激励dij激活；isflagij＝0表示状态转换关系为：未激活，说明在激励dij下被测设备无故障。
进一步地：所述步骤四中，测试项的随机测试策略的生成采用M-H采样算法具体步骤为：
(1)设置正态分布N(μi,δ2)；
其中，μi,i∈(1,k)为正态分布的均数，其值取自步骤二中定义的检测项使用权重μk。其意义在于：使用权重取μi邻近的值的概率较大；δ为正态分布的标准差，δ描述正态分布数据的离散程度，其意义在于：当有多个检测项的使用权重相同时，若δ越大，则数据分布越分散。
本发明通过设置参数(μi,δ2)的不同值使正态分布取值能够体现检测项使用权重的大小。
(2)选取马尔科夫链的初始点X1；
(3)由正态分布N(μi,δ2)产生一个转移状态δ2；
(4)计算接受概率α，α(X1,δ2)＝min(1,(h(δ2)N(δ2,X1))/(h(X1)N(X1,δ2)))，
其中，h(x)可为任意给定函数，本发明选择多峰高维的函数：
因正态分布N(μ,δ2)为对称分布可得：N(X1,δ2)＝N(δ2,X1)，则α(X1,δ2)＝min(1,h(δ2)/h(X1))；
(5)采用均匀分布U(0,1)生成随机数u，如果u<α(X1,δ2)，则X2＝δ2，否则，保持当前状态X2＝X1；
(6)循环(4)、(5)的步骤，依次生成X3,X4,…,Xn，
(7)通过M-H采样算法进行重复抽样，建立一条形如{X1,X2,…,Xn}且具有平稳分布的电测量设备测试项马尔科夫使用链。
方案二：一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行方案一所述方法的步骤。
方案三：一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述方法的步骤。
本申请有益效果体现在：
本申请利用马尔科夫链生成随机测试链，采用公共子串和公共子序列构建电测量设备新产品的被激活的测试策略片段，经组合后形成可执行的测试策略，从而模拟应对未知类型的检测步骤场景，从真实的检测环境中，挖掘出未知类型的检测步骤，能够更有效地发现并消除软件运行缺陷，满足用户的使用需求。具体地：
1、摒弃按照固定流程进行电测量设备的测试，采用马尔科夫链利用随机检测方法制定检测规则，避免了由于缺乏检测规则或者不存在激活这些故障的测试序列而造成的各类电测量设备缺陷的漏报；
2、将马尔科夫链的子串搜索方法实现电测量设备缺陷的确定；避免了检测步骤海量弊端，实际应用价值大。
3、挖掘出的设备缺陷集中在马尔科夫链模型的公共子串和公共子序列中，重点对这些缺陷进行测试，有效降低软件运行过程中的数据维度，将测试片段进行组合，模拟应对未知类型的检测步骤场景，从真实的检测环境中，挖掘出未知类型的检测步骤；
4、采用M-H算法确定马尔科夫使用链，所以可扩展性较强，将故障测试策略嵌入到按照使用方式排序后的使用链中，以达到既有测试的目的又不会偏离工作方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一提供的一种基于马尔科夫链的实验室用电测量设备测试策略评价方法的流程框图；
图2为本申请实施例一提供的电测量设备的马尔科夫使用链模型示意图；
图3为本申请的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
本申请实施例一提供了一种基于马尔科夫链的实验室用电测量设备测试策略评价方法(参见图1)，具体地包括：
步骤一，数据采集及存储
采集电测量设备的属性，存储至数据集；
不同种类的电测量设备具有不同的属性，主要包括以下2类：
第1类信息包括：设备信息，如设备编号、名称、生产厂家、用电类别；
第2类信息是电测量设备的检测数据，采集频率。
步骤二，整理基本检测项并设置使用权重
根据电测量设备属性，整理编制电测量设备的基本检测项，并按照电测量设备工作流程及使用方式设置检测项的使用权重μk,k∈(1,M)，其中M为基本检测项的数量，若检测项的使用权重相同，则使用相等的权重。
步骤三，构建电测量设备马尔科夫使用链模型
基于电测量设备的马尔科夫链由状态和状态转化组成，其中状态为使用过程中的内部环境。状态转换是指当电测量设备在某一状态经输入激励后从当前状态转换到另一个状态。本申请的马尔科夫链模型，都存在一个起点和一个终点，起点是电测量设备上电状态，终点为关电状态。马尔科夫链都是从起点经过一系列的中间状态的转移，最后到达终点，即马尔科夫链起点到终点的不同路径就组成了测试策略；
电测量设备的马尔科夫链包括使用链和测试链，其中马尔科夫使用链模型U定义为：
其中S＝(s1,s2,…sn)代表电测量设备状态空间集合，ARC＝(arc11,…,arc1n,arc21,…,arc2n,…,arcn1,…,arcnn)为状态转换关系的组合，D为电测量设备状态转换的输入激励域，pij为在激励dij下的转换概率，isflagij为向量，与传统马尔科夫链不同，电测量设备的arcij为三维向量，增加的向量isflagij＝1表示在激励dij下测试项arcij状态转换关系为：激活，说明被测设备的潜在故障被激励dij激活；isflagij＝0表示状态转换关系为：未激活，说明在激励dij下被测设备无故障。
步骤四，采用M-H采样算法生成测试项马尔科夫链
根据需求规范及检测项列表，按照使用方式设置检测项的使用权重并建立测试项的马尔科夫使用链，测试项的随机测试策略的生成采用M-H采样算法，具体步骤为：
(1)设置正态分布N(μi,δ2)；
其中，μi,i∈(1,k)为正态分布的均数，其值取自步骤二中定义的检测项使用权重μk。其意义在于：使用权重取μi邻近的值的概率较大；δ为正态分布的标准差，δ描述正态分布数据的离散程度，其意义在于：当有多个检测项的使用权重相同时，若δ越大，则数据分布越分散。
本实施例通过设置参数(μi,δ2)的不同值使正态分布取值能够体现检测项使用权重的大小。
(2)选取马尔科夫链的初始点X1；
(3)由正态分布N(μi,δ2)产生一个转移状态δ2；
(4)计算接受概率α，α(X1,δ2)＝min(1,(h(δ2)N(δ2,X1))/(h(X1)N(X1,δ2)))，
其中h(x)可为任意给定函数，这里我们选择多峰高维的函数：
因正态分布N(μ,δ2)为对称分布可得：N(X1,δ2)＝N(δ2,X1)，则α(X1,δ2)＝min(1,h(δ2)/h(X1))；
(5)采用均匀分布U(0,1)生成随机数u，如果u<α(X1,δ2)，则X2＝δ2，否则，保持当前状态X2＝X1；
(6)循环(4)、(5)的步骤，依次生成X3,X4,…,Xn，
(7)通过M-H采样算法进行重复抽样，建立一条形如{X1,X2,…,Xn}且具有平稳分布的电测量设备测试项马尔科夫使用链。
步骤五：构建测试策略初始样本
重复步骤四，获得多条马尔科夫使用链，独立抽样的马尔科夫链共同构成了电测量设备随机测试策略的初始评估样本。
步骤六：样本测试并验证测试策略
将得到的初始评估样本进行测试，通过观察失效数据对测试项策略进行验证，得到初始评估样本中哪些测试项的被激活，并将激活的测试项策略参数arcij＝(dij,pij,isflagij)中向量isflagij赋值为1，表示在激励dij下被测电设备发生了故障；参见图2。
步骤七：在所有测试策略中搜索公共子串和公共子序列
定义：设有电测量设备的马尔科夫使用链A(链A):{X1,X2,…,Xm},(m>＝2)及马尔科夫使用链B(链B):{X1,X2,…,Xn},(n>＝2)，若链A、链B中均存在子链C:{X1,X2,…,Xk},(k>＝2,k<＝m,k<＝n)，则称链C为链A、链B的公共子串；
定义：设有电测量设备的马尔科夫使用链X＝{X1,X2,…,Xm}，给定链Z＝{Z1,Z2,…,Zk}，存在一个严格递增下标序列{i1,i2,…,ik}，使得对于所有j＝1,2,…,k存在则称链Z是链X的子序列；若给定链A、链B，当子序列Z既是链A的子序列又是链B的子序列时，称Z是链A和链B的公共子序列；
在电测量设备随机测试策略样本中，搜索被激活的公共子串和公共子序列的测试项内容、长度次数和位置等各类参数；本申请的公共子串和公共子序列均特指被激活的公共子串和公共子序列。
步骤八：建立马尔科夫测试链
电测量设备软件测试链T用来生成测试策略的马尔科夫链，其定义描述为：
S'＝(s1,s2,…,sn,sn+1,…,sm)是工作状态和故障状态的集合，其中s1,s2,…,sn表示工作状态，即电测量设备使用链U中所包含的状态，sn+1,…,sm为故障状态；ARC'＝(arc11,…,arc1m,arc21,…,arc2m,…,arcm1,…,arcmm)代表测试过程中状态之间的转换关系，D'分别包括工作状态和故障状态的输入激励域，pij′代表测试过程中在激励dij'下的工作状态和故障状态的转换概率；
按照步骤二中电测量设备检测项的使用权重μk，将被激活的公共子串和公共子序列作为测试片段注入到电测量设备工作流程中组合形成测试链，将生成的测试链作为测试策略对电测量设备进行测试。
实施例二
本申请实施例二提供一种电子设备，参见图3，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，用于存储能够在处理器上运行的计算机程序的存储器，连接不同系统组件(包括存储器、一个或者多个处理器或者处理单元)的总线。
其中，所述一个或者多个处理器或者处理单元用于运行所述计算机程序时，执行实施例一所述方法的步骤。所述处理器所用类型包括中央处理器、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。
其中，总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
实施例三
本申请实施例三提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述方法的步骤。
需要说明的是，本申请所示的存储介质可以是计算机可读信号介质或者存储介质或者是上述两者的任意组合。存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。存储介质还可以是存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
重点强调，本申请的主要发明点在于：
1、采用马尔科夫使用链从电测量设备检测项中确定激活的测试项，即公共子串和公共子序列，在马尔科夫使用链中搜索被激活的公共子串和公共子序列作为电测量设备缺陷；
2、将公共子串和公共子序列按照权重插入到电测量设备检测工作流程中，以对挖掘出的故障测试策略进行重点测试。
以上所述的实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的实施例而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (6)
1.一种基于马尔科夫链的实验室用电测量设备测试策略评价方法，其特征在于，包括：
步骤一，采集电测量设备的属性，存储至数据集；
步骤二，根据电测量设备属性，整理编制电测量设备的基本检测项，设置检测项的使用权重；
所述步骤二中，按照电测量设备工作流程及使用方式设置检测项的使用权重 ，其中/>为基本检测项的数量，若检测项的使用权重相同，则使用相等的权重；
步骤三，构建电测量设备马尔科夫使用链模型，基于电测量设备的马尔科夫链由状态和状态转化组成，马尔科夫链是从起点经过一系列的中间状态的转移，最后到达终点，即马尔科夫链起点到终点的不同路径就组成了测试策略；
马尔科夫使用链模型定义为：
；
其中代表电测量设备状态空间集合，/>为状态转换关系的组合，/>为电测量设备状态转换的输入激励域，/>为在激励/>下的转换概率，/>为向量；
步骤四，根据需求规范及检测项列表，按照电测量设备工作流程及使用方式设置检测项的使用权重，并建立测试项的马尔科夫使用链，测试项的随机测试策略的生成采用M-H采样算法；
所述步骤四中，测试项的随机测试策略的生成采用M-H采样算法具体步骤为：
(1)设置正态分布；
其中，为正态分布的均数，其值取自步骤二中定义的检测项使用权重/>，/>描述正态分布数据的离散程度；
(2)选取马尔科夫链的初始点；
(3)由正态分布产生一个转移状态/>；
(4)计算接受概率，/>，
其中，为任意给定函数；
因正态分布为对称分布可得：/>，则/>；
(5)采用均匀分布生成随机数/>，如果/>，则/>否则，保持当前状态/>；
(6)循环(4)、(5)的步骤，依次生成，
(7)通过M-H采样算法进行重复抽样，建立一条形如且具有平稳分布的电测量设备测试项马尔科夫使用链；
步骤五：重复步骤四，获得多条马尔科夫使用链，独立抽样的马尔科夫链共同构成了电测量设备随机测试策略的初始评估样本；
步骤六：将得到的初始评估样本进行测试，通过观察失效数据对测试项策略进行验证，得到初始评估样本中哪些测试项的被激活，并将激活的测试项策略参数中向量/>赋值为1，表示在激励/>下被测电设备发生了故障；
步骤七：在所有测试策略中搜索公共子串和公共子序列，具体为：
定义：设有电测量设备的马尔科夫使用链及马尔科夫使用链/>，若链A、链B中均存在子链/>，则称链C为链A、链B的公共子串；
定义：设有电测量设备的马尔科夫使用链，给定链/>，存在一个严格递增下标序列/>，使得对于所有/>存在/>，则称链/>是链/>的子序列；若给定链A、链B，当子序列Z既是链A的子序列又是链B的子序列时，称Z是链A和链B的公共子序列；
在电测量设备随机测试策略样本中，搜索被激活的公共子串和公共子序列的测试项内容、长度、次数和位置；
步骤八：建立马尔科夫测试链
电测量设备软件测试链用来生成测试策略的马尔科夫链，其定义描述为：
；
是工作状态和故障状态的集合，其中/>表示工作状态，即电测量设备使用链/>中所包含的状态，/>为故障状态；代表测试过程中状态之间的转换关系，/>分别包括工作状态和故障状态的输入激励域，/>代表测试过程中在激励/>下的工作状态和故障状态的转换概率；
按照步骤二中电测量设备检测项的使用权重，将被激活的公共子串和公共子序列作为测试片段注入到电测量设备工作流程中组合形成测试链，将生成的测试链作为测试策略对电测量设备进行测试。
2.根据权利要求1所述的一种基于马尔科夫链的实验室用电测量设备测试策略评价方法，其特征在于，所述步骤一中，不同种类的电测量设备具有不同的属性，主要包括以下2类：
第1类信息包括：设备信息，包括设备编号、名称、生产厂家、用电类别；
第2类信息是电测量设备的检测数据，采集频率。
3.根据权利要求1所述的一种基于马尔科夫链的实验室用电测量设备测试策略评价方法，其特征在于，所述步骤三中，状态为使用过程中的内部环境；状态转换是指当电测量设备在某一状态经输入激励后从当前状态转换到另一个状态，起点是电测量设备上电状态，终点为关电状态。
4.根据权利要求3所述的一种基于马尔科夫链的实验室用电测量设备测试策略评价方法，其特征在于，所述步骤三中，电测量设备的为三维向量，增加的向量/>表示在激励/>下测试项/>状态转换关系为：激活，说明被测设备的潜在故障被激励/>激活；表示状态转换关系为：未激活，说明在激励/>下被测设备无故障。
5.一种电子设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至4任一项所述方法的步骤。
6.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265174.7A CN114021632B (zh) | 2021-10-28 | 2021-10-28 | 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265174.7A CN114021632B (zh) | 2021-10-28 | 2021-10-28 | 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021632A CN114021632A (zh) | 2022-02-08 |
| CN114021632B true CN114021632B (zh) | 2023-09-12 |
Family
ID=80058596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111265174.7A Active CN114021632B (zh) | 2021-10-28 | 2021-10-28 | 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021632B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104635146A (zh) * | 2015-02-06 | 2015-05-20 | 南京农业大学 | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 |
| CN108257385A (zh) * | 2018-03-19 | 2018-07-06 | 北京工业大学 | 一种基于公共交通的异常事件的甄别方法 |
| CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
| CN109635854A (zh) * | 2018-11-26 | 2019-04-16 | 国网冀北电力有限公司 | 基于马尔科夫链的充电桩故障预测方法及装置 |
| CN110648088A (zh) * | 2019-11-26 | 2020-01-03 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
| CN112115987A (zh) * | 2020-08-31 | 2020-12-22 | 南京航空航天大学 | 一种基于马尔科夫决策过程的自适应系统更新与修复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8930284B2 (en) * | 2012-01-25 | 2015-01-06 | Siemens Aktiengesellschaft | Extended system average interruption duration index (ESAIDI) metric to assess the system reliability impact of distribution automation failures |
-
2021
- 2021-10-28 CN CN202111265174.7A patent/CN114021632B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104635146A (zh) * | 2015-02-06 | 2015-05-20 | 南京农业大学 | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 |
| CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
| CN108257385A (zh) * | 2018-03-19 | 2018-07-06 | 北京工业大学 | 一种基于公共交通的异常事件的甄别方法 |
| CN109635854A (zh) * | 2018-11-26 | 2019-04-16 | 国网冀北电力有限公司 | 基于马尔科夫链的充电桩故障预测方法及装置 |
| CN110648088A (zh) * | 2019-11-26 | 2020-01-03 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
| CN112115987A (zh) * | 2020-08-31 | 2020-12-22 | 南京航空航天大学 | 一种基于马尔科夫决策过程的自适应系统更新与修复方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于马尔科夫链的电力系统运行可靠性快速评估;毛澍，张丽，谈军，赵永生， 赵爱华;《 微型电脑应用 》;第37卷(第3期);第151页至154页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021632A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wegener et al. | Verifying timing constraints of real-time systems by means of evolutionary testing | |
| Gong et al. | Evolutionary generation of test data for many paths coverage based on grouping | |
| Huang et al. | Differential evolution based on self-adaptive fitness function for automated test case generation | |
| CN109542783B (zh) | 一种基于变量分割的扩展有限状态机测试数据生成方法 | |
| Feng et al. | Heritable deleting strategies for birth and death evolving networks from a queueing system perspective | |
| Wei et al. | Menatqa: A new dataset for testing the temporal comprehension and reasoning abilities of large language models | |
| CN114021632B (zh) | 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质 | |
| Kordon et al. | MCC’2015–the fifth model checking contest | |
| CN106095669B (zh) | 基于调度序列约简的并行程序测试方法 | |
| CN110109811B (zh) | 一种面向gpu计算性能问题的溯源方法 | |
| Wu et al. | A two-stage algorithm for network reconstruction | |
| Alsmadi et al. | Effective generation of test cases using genetic algorithms and optimization theory | |
| Dang et al. | Multi-task optimization-based test data generation for mutation testing via relevance of mutant branch and input variable | |
| CN114819525A (zh) | 火灾风险评估方法、系统、终端设备及介质 | |
| Jakhar et al. | Measuring complexity, development time and understandability of a program: A cognitive approach | |
| Jiawen et al. | Coverage-directed stimulus generation using a genetic algorithm | |
| Shull et al. | Empirical study design in the area of high-performance computing (hpc) | |
| Tibebu et al. | Augmenting all solution SAT solving for circuits with structural information | |
| Eidenbenz et al. | Boosting exploratory testing of industrial automation systems with ai | |
| CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
| Trindade et al. | The dance of classes-A stochastic model for software structure evolution | |
| EP4280120A1 (en) | Method for processing decision data, device and computer program corresponding | |
| CN117872097B (zh) | 基于强化学习的数字电路自动测试向量生成方法和装置 | |
| CN117973285B (zh) | 一种后硅电路异常的深度测试方法、装置及计算设备 | |
| Jiang et al. | AL-SMC: Optimizing Statistical Model Checking by Automatic Abstraction and Learning. |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |