CN114528948B - 一种复杂系统的序贯测试序列生成方法 - Google Patents
一种复杂系统的序贯测试序列生成方法 Download PDFInfo
- Publication number
- CN114528948B CN114528948B CN202210236970.6A CN202210236970A CN114528948B CN 114528948 B CN114528948 B CN 114528948B CN 202210236970 A CN202210236970 A CN 202210236970A CN 114528948 B CN114528948 B CN 114528948B
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- measuring point
- representing
- classification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Complex Calculations (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种复杂系统的序贯测试序列生成方法,先构建待测系统的故障测试模型,然后基于故障测试模型,通过样本模拟获得分类函数及形态函数,从而对可用测点类别进行划分,对测试关系相近的模块进行聚类;在使用任意一种算法生成决策树的过程中,依据节点的规模选择对应类别的测点,在决策树生成后,对其进行误差分析,根据误差的相对大小评判聚类的可靠性,进而对决策树修正,适用于绝大多数决策树生成算法。
Description
技术领域
本发明属于故障诊断技术领域,更为具体地讲,涉及一种复杂系统的序贯 测试序列生成方法。
背景技术
为了及时准确的确定装备运行状态,快速的进行故障隔离,装备在设计与 研发阶段就需考虑其测试性及测试策略问题。外部序贯测试作为测试性设计与 优化技术的重要组成部分,其首要内容是构建最优的测试序列。多信号流图具 有建模方便、便于描述电路元件之间关系等优点,因而吸引了大量科研人员的 关注,成为序贯测试研究中最常用的相关性模型。然而随着系统和设备性能的 提高和复杂性的增加,模型复杂度也相应的提升,快速的生成代价低、隔离度 高的最优测试序列变的愈发困难。
目前,基于多信号流图的测试序列生成算法主要有三种:贪婪类算法每次 根据启发函数的大小,选择节点的拓展方式,该方法生成时间极短,但测试代 价较高;排列组合类算法包括AO*算法、由下而上算法等,依据故障和测点的 排列组合分析决策树的结构,该方法测试代价极低,但生成时间较长;遗传类 算法在随机产生初始解集后迭代生成最优解,该方法生成时间和测试代价适中, 但迭代的个体数和次数需要反复调试。在针对大规模测试问题时,这些算法都 无法兼顾低代价与高速度,在实际应用过程中具有局限性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种复杂系统的序贯测试序 列生成方法,通过对可用测点分类以及故障集聚类,减少原算法在决策树生成 过程的复杂度,避免陷入局部最优解,从而能够快速生成低代价的最优测试序 列,进而能够快速实现故障隔离。
为实现上述发明目的,本发明一种复杂系统的序贯测试序列生成方法,其 特征在于,包括以下步骤:
其中,S表示待测系统出现的各种故障集,S={s1,s2,…,si,…,sm},si表示第i种故障;T表示待测系统的所有可用测点集,T={t1,t2,…,tj,…,tn},tj表示第j个可 用测点;P表示待测系统发生某个故障的先验概率集,P={p1,p2,…,pi,…,pm},pi表示出现故障si的先验概率;C表示与T对应的测试代价集,C={c1,c2,…,cj,…,cn},cj表示测试tj的代价;D为故障依赖矩阵,具体表示为:
其中,dij表示故障si在可用测点tj下的测试信息,dij=0或dij=1,当dij=0时, 表示待测系统中发生故障si时不能通过可用测点tj检测出来;当dij=1时,表示待 测系统中发生故障si时能够通过可用测点tj检测出来;
(2)、生成样本序列;
其中,样本序列H的长度为N,N=ρ·100·100,ρ为生成系数;表示规模 大小为a×b的第k个样本,1≤a≤100,1≤b≤100,/> 表示第k个样本中出现的各种故障集,/>表示第k个样本中所有可用测点集, />表示第k个样本的故障依赖矩阵,/>表示生成第k个样本时发生某个故障的 先验概率集,/>表示生成第k个样本对应的测试代价集;
(3)、根据样本生成预测函数PRE;
(3.1)、设置节点分类集合簇{Lev1,Lev2,…,Levr,…,Levrmax},Levr表示第r类的节点集合,rmax为最大分类数;
设置测点分类集合簇{Leve1,Leve2,…,Lever,…,Levermax},Lever表示第r类的测点 集合,初始化都为空集;
设置训练数组TRAIN,并初始化为空集。
(3.3)、使用基于霍夫曼编码的启发式搜索算法生成的决策树/>获得使用的测点集Tuse={t1,t1,…,tf,…,tfmax},tf表示/>可用的第f个测点, fmax表示/>可使用的测点个数;获得/>的非叶子节点集合 Node={node1,node2,…,nodef,…,nodefmax},nodef表示连接测点tf的节点;
(3.5)、计算节点的分类界限数组L={L1,L2,…,Lr,…,Lrmax},Lr是常数,初始 化都为0,r=1,2,…,rmax,rmax为节点的分类组数;
{x1,y1},{x2,y2},…,{xq,yq},…{xqmax,yqmax};
(3.5.2)、生成累加数组SU,数组的大小为qmax+2;
SU(qmax+1)=SU(qmax);
其中,C表示组合运算符;
(3.5.3)、初始化r=1;
(3.5.5)、r=r+1,重复(3.5.4)直至r=rmax;
(3.6)、nodef分类;
分类方式为:nodef∈Levr的充要条件是|nodef|∈(Lr,Lr+1],|nodef|表示nodef包含的故障的个数;
每个测点进行分类的方式为:若某测点连接的节点属于Levr,那么该测点属 于Lever,对应的分类值为r;特别的,若某测点不属于Tuse,则该测点属于Levermax+1, 对应的分类值为rmax+1;若属于两个不同类别和/>的节点,都连接了某 测点,则该测点属于对应的分类值为min(r1,r2),r1,r2∈[1,rmax]且r1≠r2;
(3.8)、将中每个测点的特征值和分类值计入训练数组TRAIN,其中, 每个测点的的特征值包括:{a1、b1、Dratio、测点代价、全部测点的代价的平均 值和方差、测点在中的对应列、/>分类值小于r的所有测点的代价平均 值和方差};
(3.9)、令k=k+1,重复步骤(3.3)-(3.8)直至k=ρ,再令b1=b1+1,进入 步骤(3.10);
(3.10)、重复步骤(3.3)-(3.9)直至b1=40,再令a1=a1+1,b1=10,然后 进入步骤(3.11);
(3.11)、重复步骤(3.3)-(3.10)直至a1=40,b1=40;
(4)、根据样本H使用蒙特卡洛模拟生成形态分布函数FIG;
(4.1)、初始化a=1,b=1,k=1,建立数据集F,初始化空集;
(4.4)、对nodef统计形态参数FI:FI=包含nodef和在决策树中位于nodef以 下的节点的所有非叶子节点的模的和;
(4.5)、将|nodef|、Dratio及FI计入数据集F;
(4.6)、令f=f+1,重复步骤(4.4)-(4.5),直至f=fmax;
(4.8)、根据F获得形态分布函数FIG;
(5)、序贯测试序列的生成;
(5.1)、设定最大允许误差ψ,初始迭代次数g0;
(5.2)、根据预测函数PRE对可用测点集T中的每一个可用测点进行分类;
(5.3)、根据遗传聚类算法ECA*对待测系统出现的各种故障集S进行g0次 迭代聚类,获得故障类群集合S*={s1 *,s2 *,…,si *,…},其中,si *表示被聚合的第i个 故障类群;
(5.4)、设置初始节点node1={S*,T};
(5.5)、利用启发式搜索算法使用第1个故障类群s1 *对初始节点node1进行拓 展,生成后续节点node2,接着使用第2个故障类群s2 *对节点node2进行拓展,生 成后续节点node3,然后以此类推,直至生成节点nodem-1,从而生成决策树tree;
(5.7)、复查出错的节点,并根据分类精度表和FIG计算估计误差;
(5.7.1)、获得tree使用的非叶子节点集合 Node={node1,node2,…,nodef,…,nodefmax};
(5.7.2)、计算下层平均代价数组{A1,A2,…,Ar,…,Armax},其中,Ar表示属于{Lever+1,Lever+2,…,Levermax+1}层的所有测点的平均代价;
(5.7.4)、令f=f+1,重复(5.7.3)直至f=fmax,然后计算所有节点的误 差之和,记为CE;
其中,psumf表示nodef包含的所有故障的概率总和;
(5.7.5)、根据故障集S,利用生成决策树tree的测点来生成一个新的决策 树tree1,然后以tree1为基准,对比tree和tree1的全部节点,若tree的某个节 点包含的故障与tree1不一样,则认为该节点错误,并将出错的节点计入聚类出 错的节点集合Nodex={nodex1,nodex2,…,nodexF,…,nodexFmax},其中,nodexF表示第F 个出错的节点,Fmax表示出错节点的总个数;
(5.7.6)、遍历Nodex中的每个节点,初始化F=1;设nodexF位于Levr,连接 的测点是tj,形态参数为FIF,计算nodexF的聚类误差meF;
meF=me1F+me2F
其中,me1F表示将错误的聚类正确引导的误差,me2F表示引导后的替换误 差;pR=1/|Lever|,pR表示替换为同类测点的概率;
(5.7.7)、令F=F+1,重复(5.7.6)直至F=Fmax,计算所有出错节点的误 差之和为ME;
其中,psumF表示nodexF包含所有故障的概率总和;
(5.7.8)、计算估计误差GE:GE=ME+CE;
(5.8)、若估计误差GE小于最大允许误差ψ,则进入步骤(5.9),否则,令 g0=2g0,再返回步骤(5.3);
(5.9)、遍历tree1中的每一个叶子节点,将被错误聚类的故障转移到正确 位置,若某叶子节点包含的故障个数大于等于2,则使用启发式搜索算法对叶子 节点进行拓展,直至包含的故障全部隔离;
(5.10)、将决策树tree1作为生成的序贯测试序列。
本发明的发明目的是这样实现的:
本发明一种复杂系统的序贯测试序列生成方法,先构建待测系统的故障测 试模型,然后基于故障测试模型,通过样本模拟获得分类函数及形态函数,从 而对可用测点类别进行划分,对测试关系相近的模块进行聚类;在使用任意一 种算法生成决策树的过程中,依据节点的规模选择对应类别的测点,在决策树 生成后,对其进行误差分析,根据误差的相对大小评判聚类的可靠性,进而对 决策树修正,适用于绝大多数决策树生成算法。
附图说明
图1是本发明一种复杂系统的序贯测试序列生成方法流程图;
图2是对应表1的决策树实例;
图3是原算法与提升后算法对照图;
图4是对应表1的提升后生成的决策树。
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是本发明一种复杂系统的序贯测试序列生成方法流程图。
在本实施例中,如图1所示,本发明一种复杂系统的序贯测试序列生成方 法,包括以下步骤:
其中,S表示待测系统出现的各种故障集,S={s1,s2,…,si,…,sm},si表示第i种故障;T表示待测系统的所有可用测点集,T={t1,t2,…,tj,…,tn},tj表示第j个可 用测点;P表示待测系统发生某个故障的先验概率集,P={p1,p2,…,pi,…,pm},pi表示出现故障si的先验概率;C表示与T对应的测试代价集,C={c1,c2,…,cj,…,cn}, cj表示测试tj的代价;D为故障依赖矩阵,具体表示为:
其中,dij表示故障si在可用测点tj下的测试信息,dij=0或dij=1,当dij=0时, 表示待测系统中发生故障si时不能通过可用测点tj检测出来;当dij=1时,表示待 测系统中发生故障si时能够通过可用测点tj检测出来;
(2)、生成样本序列;
其中,样本序列H的长度为N,N=ρ·100·100,ρ为生成系数;表示规模 大小为a×b的第k个样本,1≤a≤100,1≤b≤100,/> 表示第k个样本中出现的各种故障集,/>表示第k个样本中所有可用测点集, />表示第k个样本的故障依赖矩阵,/>表示生成第k个样本时发生某个故障的 先验概率集,/>表示生成第k个样本对应的测试代价集;
(3)、根据样本生成预测函数PRE;
(3.1)、设置节点分类集合簇{Lev1,Lev2,…,Levr,…,Levrmax},Levr表示第r类的节点集合,rmax为最大分类数;
设置测点分类集合簇{Leve1,Leve2,…,Lever,…,Levermax},Lever表示第r类的测点 集合,初始化都为空集;
设置训练数组TRAIN,并初始化为空集。
(3.3)、使用基于霍夫曼编码的启发式搜索算法生成的决策树/>获得使用的测点集Tuse={t1,t1,…,tf,…,tfmax},tf表示/>可用的第f个测点, fmax表示/>可使用的测点个数;获得/>的非叶子节点集合 Node={node1,node2,…,nodef,…,nodefmax},nodef表示连接测点tf的节点;
(3.5)、计算节点的分类界限数组L={L1,L2,…,Lr,…,Lrmax},Lr是常数,初始 化都为0,r=1,2,…,rmax,rmax为节点的分类组数;
{x1,y1},{x2,y2},…,{xq,yq},…{xqmax,yqmax};
(3.5.2)、生成累加数组SU,数组的大小为qmax+2;
SU(qmax+1)=SU(qmax);
其中,C表示组合运算符;
(3.5.3)、初始化r=1;
(3.5.5)、r=r+1,重复(3.5.4)直至r=rmax;
(3.6)、nodef分类;
分类方式为:nodef∈Levr的充要条件是|nodef|∈(Lr,Lr+1],|nodef|表示nodef包含的故障的个数;
每个测点进行分类的方式为:若某测点连接的节点属于Levr,那么该测点属 于Lever,对应的分类值为r;特别的,若某测点不属于Tuse,则该测点属于Levermax+1, 对应的分类值为rmax+1;若属于两个不同类别和/>的节点,都连接了某 测点,则该测点属于对应的分类值为min(r1,r2),r1,r2∈[1,rmax]且r1≠r2;
(3.8)、将中每个测点的特征值和分类值计入训练数组TRAIN,其中, 每个测点的的特征值包括:{a1、b1、Dratio、测点代价、全部测点的代价的平均 值和方差、测点在中的对应列、/>分类值小于r的所有测点的代价平均 值和方差};
(3.9)、令k=k+1,重复步骤(3.3)-(3.8)直至k=ρ,再令b1=b1+1,进入 步骤(3.10);
(3.10)、重复步骤(3.3)-(3.9)直至b1=40,再令a1=a1+1,b1=10,然后 进入步骤(3.11);
(3.11)、重复步骤(3.3)-(3.10)直至a1=40,b1=40;
(4)、根据样本H使用蒙特卡洛模拟生成形态分布函数FIG;
(4.1)、初始化a=1,b=1,k=1,建立数据集F,初始化空集;
(4.4)、对nodef统计形态参数FI:FI=包含nodef和在决策树中位于nodef以 下的节点的所有非叶子节点的模的和;
在本实施例中,以表1的故障依赖矩阵为例,产生的一颗决策树如图2所 示,决策树共有三个非叶子节点,即Node={node1,node2,node3}。对于node3,它包 含两个模块且下面没有非叶子节点,所以node3的形态参数FI=|node3|=2。对于非 叶子节点node2,它的下面有一个非叶子节点node3,所以node2的形态参数 FI=|node2|+|node3|=3+2=5。同理node1的FI=9。
表1故障依赖矩阵示例;
t1 | t2 | t3 | t4 | t5 | |
s1 | 1 | 0 | 1 | 1 | 1 |
s2 | 0 | 0 | 0 | 0 | 0 |
s3 | 1 | 1 | 0 | 0 | 1 |
s4 | 0 | 1 | 0 | 1 | 1 |
表1
(4.5)、将|nodef|、Dratio及FI计入数据集F;
(4.6)、令f=f+1,重复步骤(4.4)-(4.5),直至f=fmax;
(4.8)、根据F获得形态分布函数FIG;
(5)、序贯测试序列的生成;
(5.1)、设定最大允许误差ψ,初始迭代次数g0;
(5.2)、根据预测函数PRE对可用测点集T中的每一个可用测点进行分类;
(5.3)、根据遗传聚类算法ECA*对待测系统出现的各种故障集S进行g0次 迭代聚类,获得故障类群集合S*={s1 *,s2 *,…,si *,…},其中,si *表示被聚合的第i个 故障类群;
在本实施例中,根据SVM对和1对测点分类,得到2表,根据遗传聚类算 法ECA*,由于s3和s4在测点t2,t3和t5处的重合度高(即d32=d42,d33=d43, d35=d45),且t2,t3,t5所属类别较高,所以对s3和s4聚类为s1 *,聚类后s1 *的概 率等于s3和s4的概率之和。
表2是测点分类表;
T | t1 | t2 | t3 | t4 | t5 |
类别 | Leve3 | Leve2 | Leve1 | Leve4 | Leve2 |
表2
在本实施例中,对测点分类和模块聚类的方法不局限于SVM与ECA*,也 可以使用其余的算法。
(5.4)、设置初始节点node1={S*,T};
(5.5)、利用启发式搜索算法使用第1个故障类群s1 *对初始节点node1进行拓 展,生成后续节点node2,接着使用第2个故障类群s2 *对节点node2进行拓展,生 成后续节点node3,然后以此类推,直至生成节点nodem-1,从而生成决策树tree;
在本实施例中,对节点的生成算法不局限于启发式搜索算法,也可以使用 其余的算法。
在本实施例中,选择某种算法进行决策树生成,根据表1和表2,对于节点 node1可以使用全部5个测点进行拓展,但本发明的方法下,由于只有t3∈Leve1, 所以仅可以使用t3进行拓展。同理对node2的拓展仅可以选用Leve1和Leve2的测点, t3已经使用过,所以仅可以使用t2和t5,如图3所示
(5.7)、复查出错的节点,并根据分类精度表和FIG计算估计误差;
(5.7.1)、获得tree使用的非叶子节点集合Node={node1,node2,…,nodef,…,nodefmax};
(5.7.2)、计算下层平均代价数组{A1,A2,…,Ar,…,Armax},其中,Ar表示属于{Lever+1,Lever+2,…,Levermax+1}层的所有测点的平均代价;
(5.7.4)、令f=f+1,重复(5.7.3)直至f=fmax,然后计算所有节点的误 差之和,记为CE;
其中,psumf表示nodef包含的所有故障的概率总和;
(5.7.5)、根据故障集S,利用生成决策树tree的测点来生成一个新的决策 树tree1,然后以tree1为基准,对比tree和tree1的全部节点,若tree的某个节 点包含的故障与tree1不一样,则认为该节点错误,并将出错的节点计入聚类出 错的节点集合Nodex={nodex1,nodex2,…,nodexF,…,nodexFmax},其中,nodexF表示第F 个出错的节点,Fmax表示出错节点的总个数;
(5.7.6)、遍历Nodex中的每个节点,初始化F=1;设nodexF位于Levr,连接 的测点是tj,形态参数为FIF,计算nodexF的聚类误差meF;
meF=me1F+me2F
其中,me1F表示将错误的聚类正确引导的误差,me2F表示引导后的替换误 差;pR=1/|Lever|,pR表示替换为同类测点的概率;
(5.7.7)、令F=F+1,重复(5.7.6)直至F=Fmax,计算所有出错节点的误 差之和为ME;
其中,psumF表示nodexF包含所有故障的概率总和;
(5.7.8)、计算估计误差GE:GE=ME+CE;
(5.8)、若估计误差GE小于最大允许误差ψ,则进入步骤(5.9),否则,令 g0=2g0,再返回步骤(5.3);
(5.9)、遍历tree1中的每一个叶子节点,将被错误聚类的故障转移到正确 位置,若某叶子节点包含的故障个数大于等于2,则使用启发式搜索算法对叶子 节点进行拓展,直至包含的故障全部隔离;
在本实施例中,如图4,若将s2和s3聚类为s2 *生成tree1,将s2 *解聚类开为s2和s3,同时将被错误聚类的s3转移到右子树,并为node4继续生成决策树,直至包 含的故障全部隔离。
(5.10)、将决策树tree1作为生成的序贯测试序列。
为说明本发明的技术效果,采用某超外差接收机为例对本发明进行验证, 其对应的故障依赖矩阵如表3所示,含有22个测点与36种状态,所有测点的 测试费用都为1。本实例选取多种算法进行类比,各个算法引用文献如表4所示。 其中算法a1、a2、a3分别指算法a的参数设置为迭代次数和粒子个数为50与 30、100与60、200与120。算法b1、b2、b3分别指算法b的参数设置为宽度 和深度为2与2、3与3、4与4。算法d1、d2、d3分别指算法d的参数设置为 迭代次数和种群个数为100与8、200与16、300与24。算法e1、e2、e3分别 指算法e的参数设置为迭代次数和粒子个数为50与30、100与60、200与120。 对照结果如表5所示。
表3是超外差接收机故障依赖矩阵;
表3
表4是引用文献对着表;
表4
表5是各算法时间对照表;
表5
可以对比得出,在使用本发明的提升方法后,各算法的总体性能均有提升。 对于贪婪类算法(算法c),生成决策树的时间小幅缩短,测试代价有所降低; 对于遗传类算法(算法a、d、e),生成决策树时间有所缩短,测试代价大幅降 低;对于排列组合类算法(算法b、f、g),生成决策树时间大幅缩短,测试代 价有极小的提高。
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)
1.一种复杂系统的序贯测试序列生成方法,其特征在于,包括以下步骤:
其中,S表示待测系统出现的各种故障集,S={s1,s2,…,si,…,sm},si表示第i种故障;T表示待测系统的所有可用测点集,T={t1,t2,…,tj,…,tn},tj表示第j个可用测点;P表示待测系统发生某个故障的先验概率集,P={p1,p2,…,pi,…,pm},pi表示出现故障si的先验概率;C表示与T对应的测试代价集,C={c1,c2,…,cj,…,cn},cj表示测试tj的代价;D为故障依赖矩阵,具体表示为:
其中,dij表示故障si在可用测点tj下的测试信息,dij=0或dij=1,当dij=0时,表示待测系统中发生故障si时不能通过可用测点tj检测出来;当dij=1时,表示待测系统中发生故障si时能够通过可用测点tj检测出来;
(2)、生成样本序列;
其中,样本序列H的长度为N,N=ρ·100·100,ρ为生成系数;表示规模大小为a×b的第k个样本,1≤a≤100,1≤b≤100,/> 表示第k个样本中出现的各种故障集,/>表示第k个样本中所有可用测点集,/>表示第k个样本的故障依赖矩阵,/>表示生成第k个样本时发生某个故障的先验概率集,/>表示生成第k个样本对应的测试代价集;
(3)、根据样本生成预测函数PRE;
(3.1)、设置节点分类集合簇{Lev1,Lev2,…,Levr,…,Levrmax},Levr表示第r类的节点集合,rmax为最大分类数;
设置测点分类集合簇{Leve1,Leve2,…,Lever,…,Levermax},Lever表示第r类的测点集合,初始化都为空集;
设置训练数组TRAIN,并初始化为空集;
(3.3)、使用基于霍夫曼编码的启发式搜索算法生成的决策树/>获得/>使用的测点集Tuse={t1,t1,…,tf,…,tfmax},tf表示/>可用的第f个测点,fmax表示可使用的测点个数;获得/>的非叶子节点集合Node={node1,node2,…,nodef,…,nodefmax},nodef表示连接测点tf的节点;
(3.5)、计算节点的分类界限数组L={L1,L2,…,Lr,…,Lrmax},Lr是常数,初始化都为0,r=1,2,…,rmax,rmax为节点的分类组数;
{x1,y1},{x2,y2},…,{xq,yq},…{xqmax,yqmax};
(3.5.2)、生成累加数组SU,数组的大小为qmax+2;
SU(qmax+1)=SU(qmax);
其中,C表示组合运算符;
(3.5.3)、初始化r=1;
(3.5.5)、r=r+1,重复(3.5.4)直至r=rmax;
(3.6)、nodef分类;
分类方式为:nodef∈Levr的充要条件是|nodef|∈(Lr,Lr+1],|nodef|表示nodef包含的故障的个数;
每个测点进行分类的方式为:若某测点连接的节点属于Levr,那么该测点属于Lever,对应的分类值为r;特别的,若某测点不属于Tuse,则该测点属于Levermax+1,对应的分类值为rmax+1;若属于两个不同类别和/>的节点,都连接了某测点,则该测点属于对应的分类值为min(r1,r2),r1,r2∈[1,rmax]且r1≠r2;
(3.8)、将中每个测点的特征值和分类值计入训练数组TRAIN,其中,每个测点的特征值包括:{a1、b1、Dratio、测点代价、全部测点的代价的平均值和方差、测点在/>中的对应列、/>分类值小于r的所有测点的代价平均值和方差};
(3.9)、令k=k+1,重复步骤(3.3)-(3.8)直至k=ρ,再令b1=b1+1,进入步骤(3.10);
(3.10)、重复步骤(3.3)-(3.9)直至b1=40,再令a1=a1+1,b1=10,然后进入步骤(3.11);
(3.11)、重复步骤(3.3)-(3.10)直至a1=40,b1=40;
(4)、根据样本H使用蒙特卡洛模拟生成形态分布函数FIG;
(4.1)、初始化a=1,b=1,k=1,建立数据集F,初始化空集;
(4.4)、对nodef统计形态参数FI:FI=包含nodef和在决策树中位于nodef以下的节点的所有非叶子节点的模的和;
(4.5)、将|nodef|、Dratio及FI计入数据集F;
(4.6)、令f=f+1,重复步骤(4.4)-(4.5),直至f=fmax;
(4.8)、根据F获得形态分布函数FIG;
(5)、序贯测试序列的生成;
(5.1)、设定最大允许误差ψ,初始迭代次数g0;
(5.2)、根据预测函数PRE对可用测点集T中的每一个可用测点进行分类;
(5.3)、根据遗传聚类算法ECA*对待测系统出现的各种故障集S进行g0次迭代聚类,获得故障类群集合S*={s1 *,s2 *,…,si *,…},其中,si *表示被聚合的第i个故障类群;
(5.4)、设置初始节点node1={S*,T};
(5.5)、利用启发式搜索算法使用第1个故障类群s1 *对初始节点node1进行拓展,生成后续节点node2,接着使用第2个故障类群s2 *对节点node2进行拓展,生成后续节点node3,然后以此类推,直至生成节点nodem-1,从而生成决策树tree;
(5.7)、复查出错的节点,并根据分类精度表和FIG计算估计误差;
(5.7.1)、获得tree使用的非叶子节点集合Node={node1,node2,…,nodef,…,nodefmax};
(5.7.2)、计算下层平均代价数组{A1,A2,…,Ar,…,Armax},其中,Ar表示属于{Lever+1,Lever+2,…,Levermax+1}层的所有测点的平均代价;
(5.7.4)、令f=f+1,重复(5.7.3)直至f=fmax,然后计算所有节点的误差之和,记为CE;
其中,psumf表示nodef包含的所有故障的概率总和;
(5.7.5)、根据故障集S,利用生成决策树tree的测点来生成一个新的决策树tree1,然后以tree1为基准,对比tree和tree1的全部节点,若tree的某个节点包含的故障与tree1不一样,则认为该节点错误,并将出错的节点计入聚类出错的节点集合Nodex={nodex1,nodex2,…,nodexF,…,nodexFmax},其中,nodexF表示第F个出错的节点,Fmax表示出错节点的总个数;
(5.7.6)、遍历Nodex中的每个节点,初始化F=1;设nodexF位于Levr,连接的测点是tj,形态参数为FIF,计算nodexF的聚类误差meF;
meF=me1F+me2F
其中,me1F表示将错误的聚类正确引导的误差,me2F表示引导后的替换误差;pR=1/|Lever|,pR表示替换为同类测点的概率;
(5.7.7)、令F=F+1,重复(5.7.6)直至F=Fmax,计算所有出错节点的误差之和为ME;
其中,psumF表示nodexF包含所有故障的概率总和;
(5.7.8)、计算估计误差GE:GE=ME+CE;
(5.8)、若估计误差GE小于最大允许误差ψ,则进入步骤(5.9),否则,令g0=2g0,再返回步骤(5.3);
(5.9)、遍历tree1中的每一个叶子节点,将被错误聚类的故障转移到正确位置,若某叶子节点包含的故障个数大于等于2,则使用启发式搜索算法对叶子节点进行拓展,直至包含的故障全部隔离;
(5.10)、将决策树tree1作为生成的序贯测试序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236970.6A CN114528948B (zh) | 2022-03-10 | 2022-03-10 | 一种复杂系统的序贯测试序列生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236970.6A CN114528948B (zh) | 2022-03-10 | 2022-03-10 | 一种复杂系统的序贯测试序列生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114528948A CN114528948A (zh) | 2022-05-24 |
CN114528948B true CN114528948B (zh) | 2023-07-11 |
Family
ID=81625972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210236970.6A Active CN114528948B (zh) | 2022-03-10 | 2022-03-10 | 一种复杂系统的序贯测试序列生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528948B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214213A (zh) * | 2011-05-31 | 2011-10-12 | 中国科学院计算技术研究所 | 一种采用决策树的数据分类方法和系统 |
CN111652479A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 一种针对电力系统动态安全评估的数据驱动方法 |
CN113391938A (zh) * | 2021-06-11 | 2021-09-14 | 电子科技大学 | 一种基于混合策略的快速序惯故障诊断方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008004219A1 (de) * | 2008-01-14 | 2009-07-16 | Robert Bosch Gmbh | Verfahren zum Behandeln mindestens eines Fehlers innerhalb eines Systems |
DE102011076779A1 (de) * | 2011-05-31 | 2012-12-06 | Airbus Operations Gmbh | Verfahren und Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, Computerprogrammprodukt |
CN106126973B (zh) * | 2016-06-21 | 2018-10-02 | 哈尔滨工业大学 | 基于r-svm和tpr规则的基因功能预测方法 |
CN109543203B (zh) * | 2017-09-22 | 2023-04-18 | 山东建筑大学 | 一种基于随机森林的建筑冷热负荷预测方法 |
CN110457776B (zh) * | 2019-07-22 | 2022-06-14 | 电子科技大学 | 一种基于故障决策网络的测试策略快速生成方法 |
CN111274540A (zh) * | 2020-02-24 | 2020-06-12 | 电子科技大学 | 一种基于信息熵和动态规划的故障诊断树生成方法 |
CN113361186B (zh) * | 2021-04-28 | 2023-04-07 | 山东大学 | 一种基于完全数据风电机组故障诊断方法 |
CN113342640B (zh) * | 2021-05-20 | 2023-08-08 | 浙江理工大学 | 一种基于决策树的efsm测试用例排序方法 |
-
2022
- 2022-03-10 CN CN202210236970.6A patent/CN114528948B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214213A (zh) * | 2011-05-31 | 2011-10-12 | 中国科学院计算技术研究所 | 一种采用决策树的数据分类方法和系统 |
CN111652479A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 一种针对电力系统动态安全评估的数据驱动方法 |
CN113391938A (zh) * | 2021-06-11 | 2021-09-14 | 电子科技大学 | 一种基于混合策略的快速序惯故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114528948A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019238109A1 (zh) | 一种故障根因分析的方法及装置 | |
CN109522192B (zh) | 一种基于知识图谱和复杂网络组合的预测方法 | |
CN109165159B (zh) | 一种基于程序频谱的多缺陷定位方法 | |
US20110320447A1 (en) | High-Dimensional Stratified Sampling | |
CN112182219A (zh) | 一种基于日志语义分析的在线服务异常检测方法 | |
CN105989001A (zh) | 图像搜索方法及装置、图像搜索系统 | |
US20220070266A1 (en) | Systems and methods for estimating typed graphlets in large data | |
CN114462613B (zh) | 量子计算机性能刻画方法及装置、电子设备和介质 | |
CN116795977A (zh) | 数据处理方法、装置、设备和计算机可读存储介质 | |
CN114528948B (zh) | 一种复杂系统的序贯测试序列生成方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
Zou et al. | Nonparametric detection of anomalous data via kernel mean embedding | |
CN113408301A (zh) | 一种样本处理方法、装置、设备和介质 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN115185920A (zh) | 一种日志类型的检测方法、装置及设备 | |
US20220300557A1 (en) | Quantifying and improving the performance of computation-based classifiers | |
CN111178374A (zh) | 损坏模式确定方法及装置、电子设备、存储介质 | |
Le | Edge sampling using local network information | |
CN109669932B (zh) | 一种基于次序依赖的电力数据集修复方法 | |
CN112906824A (zh) | 车辆聚类方法、系统、设备及存储介质 | |
CN111275201A (zh) | 一种基于子图划分的图半监督学习的分布式实现方法 | |
Huang et al. | Deepmom: Robust deep learning with median-of-means | |
Hou et al. | What Has Been Enhanced in my Knowledge-Enhanced Language Model? | |
Chen et al. | Reconfidencing LLMs from the Grouping Loss Perspective | |
Yuan et al. | PVE: A log parsing method based on VAE using embedding vectors |
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 |