JP2005129064A - 複雑なシステム障害の診断方法 - Google Patents

複雑なシステム障害の診断方法 Download PDF

Info

Publication number
JP2005129064A
JP2005129064A JP2004309109A JP2004309109A JP2005129064A JP 2005129064 A JP2005129064 A JP 2005129064A JP 2004309109 A JP2004309109 A JP 2004309109A JP 2004309109 A JP2004309109 A JP 2004309109A JP 2005129064 A JP2005129064 A JP 2005129064A
Authority
JP
Japan
Prior art keywords
diagnostic
candidate
weight
test
fail
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
JP2004309109A
Other languages
English (en)
Inventor
Douglas R Manley
ダグラス・アール・マンレー
William H Bush
ウィリアム・エイチ・ブッシュ
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.)
Agilent Technologies Inc
Original Assignee
Agilent Technologies Inc
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 Agilent Technologies Inc filed Critical Agilent Technologies Inc
Publication of JP2005129064A publication Critical patent/JP2005129064A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】 競合を生じることが多い複雑な故障の診断候補を識別できる故障の診断を行なう。
【解決手段】 システム試験によって試験され、複数のコンポーネントを備えている試験対象システム（ＳＵＴ）における故障を診断するための方法１００。不合格になるシステム試験の全ての原因となり得る診断の候補を生成するステップ１１０と、全ての不合格となるシステム試験にわたる診断候補のバイオレーションのない結合利用率に基づいて、診断候補に重みを割り当てて、重みによって、診断候補が正しいという確信レベルが表示されるようにするステップ１２０とを有する。ステップ１２０の代わりに、合格となるシステム試験による診断候補の結合利用率に基づいて、診断候補に重みを割り当てて、重みによって、診断候補が正しいという確信レベルが表示されるようにするステップを用いる方法でもよい。
【選択図】 図１

Description

ここ数年、複数のコンポーネントから構成されるシステムにおける障害を診断するための方法がいくつか考案されている。一般に、こうした方法では、試験に失敗した原因となる可能性が最も高いシステム・コンポーネントを特定するため、システムの構造に関する情報、そのシステムに対して実施される試験のタイプ、及び、それらの試験結果が利用される。
こうした診断方法は、さまざまな抽象化レベルで電子システムに適用される場合が多い。例えば、こうした方法によって、コンピュータ・ネットワークを構成する数百または数千のコンピュータ・システムの中から欠陥のあるコンピュータを特定することが可能である。同様に、同じ方法を利用して、単一コンピュータ、プリント回路基板、または、集積回路内における障害原因を特定することも可能である。さらに、こうした方法は、限定するものではないが、機械、航空、及び、医学または生物学的システムを含む、電子工学の領域ではないシステムにも利用することが可能である。
こうした方法を用いる診断システムについては、本発明の譲受人に譲渡された先行文献（例えば、特許文献１参照）に記載がある。概して云えば、こうしたシステムは、論理的に可能性のある診断の集合(sets of logically possible diagnosis)を生成することによって、その診断を開始する。システムは、最初に「競合集合(conflict sets)」を特定することによってこのタスクを実施する。ここで、各集合は、不合格となる機能試験からなるある特定の集合に関与したコンポーネントを全て特定するものである。概念的には、合格か不合格かに関係なく、各試験では、１つ以上の「オペレーション(operations)」または機能(functions)が用いられ、その各オペレーションは、システムの１つ以上の物理的「コンポーネント」を用いる。各コンポーネントについて、ある特定の「利用率(utilization)」の水準、すなわち、０以上１以下の分数として表現されるカバレッジ(coverage)をもって、あるオペレーションが実行される(exercised)。ここで、０は利用率がないことを表わし、１はコンポーネントが完全に利用されていることを表わしている。これらの競合集合を利用して、システムは、次に、いくつかの「ヒット集合(hitting sets)」を生成する。このヒット集合のそれぞれは、障害がある場合、不合格となる機能試験の集合が特定されるものとなるようなコンポーネント集合を表わす。従って、各ヒット集合は、不合格の試験の結果が与えられれば論理的に可能性がある診断を表わす。
可能性のあるヒット集合、または、診断候補のそれぞれが特定されると、不合格のさまざまな確率計算によって、それぞれに相対的重みが割り当てられる。計算の基準は、下記のベイズの法則である。
ｐ（Ｄ｜Ｔ）＝（ｐ（Ｄ）*ｐ（Ｔ｜Ｄ））／ｐ（Ｔ）
この法則を利用する際、Ｄは診断候補であり、Ｔは不合格及び合格の試験結果の全集合ということになる。ｐ（Ｄ｜Ｔ）は、試験結果の集合を考慮した場合の、診断候補のコンポーネントが不合格になる確率である。この値は、診断候補の「事後確率」としても知られている。あるいはまた、ｐ（Ｄ）は、試験結果に関する情報が考慮されない場合に、診断候補のコンポーネントが不合格になる「事前確率」である。さらに、ｐ（Ｔ｜Ｄ）は、特定の診断候補が正しい場合の、ある特定の試験結果集合の確率である。最後に、ｐ（Ｔ）は、診断候補が正しいか否かに関係なく、試験結果のある特定の集合の確率の確率である。
一般に、診断候補の事後確率の特定の値が必要なわけではなく、重要なのは、観測された試験結果の原因である可能性が最も高い診断が特定されるように、各診断候補毎に事後確率の相対的順位付けを施すことである。従って、ｐ（Ｔ）は、各診断候補毎に同じであるため、各診断候補毎に、ｐ（Ｄ｜Ｔ）からその項を消去して、相対的事後確率が残るようにすることが可能である。
相対ｐ（Ｄ｜Ｔ）＝ｐ（Ｄ）*ｐ（Ｔ｜Ｄ）
第１の因数ｐ（Ｄ）を計算するため、通常、診断候補のコンポーネントが、それぞれ、独立して不合格になるものと仮定される。その結果、診断候補の事前確率は、診断候補の各コンポーネントの不合格の率(failure rate)を掛け合わせることによって計算することが可能である。
Figure 2005129064
（前記方程式並びに後続の方程式において、「∀」は、「全てについて」を表わし、「∈」は、「の要素」を表わしている。）
用いられる各コンポーネントの不合格率は、通常、生産された何千ものコンポーネントに関する経験的実証に基づいて、その特定のコンポーネントのメーカによって与えられる。さらに、不合格率には、「プロセス・エラー」（例えば、プリント回路基板に対するコンポーネントの不適切な配置またはハンダ付け）のような、他のエラー源を含むことも可能である。
特定の診断候補に関するｐ（Ｔ｜Ｄ）を計算するため、診断システムは、一般に、各試験の結果が独立したものであると仮定して必要な計算を単純化する。その場合、診断候補に関する各試験結果の確率は単純に掛け合わせとなる。例えば、２つの試験Ｔ1及びＴ2がかかわる場合、結果として得られるｐ（Ｔ｜Ｄ）は各試験に関する確率の積になる。
ｐ（Ｔ｜Ｄ）＝ｐ（Ｔ1｜Ｄ）*ｐ（Ｔ2｜Ｄ）
必要な計算の複雑さをさらに軽減するため、ある診断候補の特定のコンポーネントの故障を考慮する場合には、試験が不合格になる確率はその特定の試験によるそのコンポーネントの利用率に比例するものと通常仮定される。同様に、あるコンポーネントの故障を考慮する場合には、試験に合格する確率は、（１−合格となる試験によるそのコンポーネントの利用率）になるものと仮定される。例えば、Ｔ1が不合格となる試験で、Ｔ2が合格となる試験であり、診断候補が単一コンポーネントＣ1である場合、ある診断候補を考慮すると、総合的な試験結果(overall test results)の事後確率は、次のように表わすことが可能である。
ｐ（Ｔ｜Ｄ）＝Ｔ1におけるＣ1の利用率*（１−Ｔ2におけるＣ1の利用率）
代替応用例の中には、不合格となる試験のコンポーネントの利用率を１と仮定し、各ヒット集合の相対的事後確率の決定が多少不正確になる可能性があるという犠牲を払って、計算全体を単純化するものもある。こうした単純化は、関与するコンポーネントが、それを働かせるオペレーションにおいて、そのコンポーネントのほぼ全体が用いられるほど十分に単純であれば、可能である。
診断候補が複数のコンポーネントから構成される場合、不合格となる試験のそれぞれによる各コンポーネントの利用率、及び、１−各合格となる試験による各コンポーネントの利用率を因数分解して、ｐ（Ｔ｜Ｄ）を生成することが可能である。
診断候補（すなわち、ヒット集合）について、ｐ（Ｄ）及びｐ（Ｔ｜Ｄ）が求められると、掛け合わせられて、上述のように、その診断に関する相対的事後確率ｐ（Ｄ｜Ｔ）が求められる。次に、診断毎のｐ（Ｄ｜Ｔ）は、可能性のある「オペレーションペナルティ」を課すことによって最終の相対重みに変換される。オペレーションペナルティが課せられるのは、合格となる試験と不合格となる試験の両方に関与し、従って、試験結果に不整合があることを含意（黙示）するオペレーションであるオペレーションバイオレーション(operation violation)を、診断が伴う場合である。そうした場合、その診断の重みは、その不整合を反映するため、ペナルティを課せられる、すなわち、低下させられる。
一般に、「入力変動性(input variability)」とも呼ばれ、１未満の単一スカラー因数であるオペレーションペナルティを特定の診断候補の重みに課すべきか否かを判定するため、各不合格となる試験Ｔiが順番に分析される。概して云えば、入力変動性とは、同じオペレーションを複数回利用して期待される結果の変動性に関する尺度である。換言すれば、特定の操作結果の再現性が増すほど、入力変動性は低下することになる。診断候補のコンポーネントが関与するＴiの各オペレーションが特定される。それらのオペレーションのそれぞれが、合格となる試験にも関与している場合、オペレーションペナルティを課すべきである。ある不合格となる試験Ｔiがこの記述に当てはまる場合、オペレーションペナルティが１回だけ課せられる。不合格となる試験にオペレーションペナルティを課すことを示唆したものがない場合に限って、オペレーションペナルティは課せられない。
各診断候補の相対重みの計算が済むと、相対重みが最高となる診断が、試験で検出された故障の原因である可能性が最も高いとこの診断システムによって判定される診断（すなわち、正しい診断）になる。
代替バージョンの中には、特定のコンポーネントの故障を考慮すると、試験に不合格になる確率が、試験によるそのコンポーネントの利用率に比例すると仮定しないものもある。その場合、試験された結果の集合が与えらると、診断候補の相対重みは、下記のように定義することが可能である。
重み（Ｄ，Ｔ）＝ｐ（Ｄ）*最小（αi，ｉ＝１〜Ｎ）、ここで、
αi＝１−テストｉによるコンポーネントＣjの利用率、
ここで、ｉは合格となる試験であり、ＣjはＤの構成要素(member)である。
すなわち、
αi＝１、ここで、ｉは不合格となる試験であり、
Ｎ＝合格となる試験及び不合格となる試験の総数である。
従って、任意の合格となる試験におけるあるコンポーネントの最高の利用率を用いて、診断候補の重みが変更される。また、不合格となる試験におけるあるコンポーネントの実際の利用率は考慮されない。
複数のコンポーネントの診断の場合、ｐ（Ｄ）は、各コンポーネントＣjの事前確率の積に置き換えられる場合もある。例えば、利用率は、各コンポーネントＣjの最低または平均利用率に置き換えることが可能である。
さらに、コンポーネントのサブコンポーネントを含む試験対象システムを診断することが可能である。コンポーネントは、故障時に取り替えることが可能なシステムの最小部分とみなされるので、コンポーネントのどのサブコンポーネントが故障しても、コンポーネント全体の交換が必要になる。この状況において、各コンポーネントの重みは個別に計算される。その後、コンポーネント全体の相対重みはそのコンポーネントのサブコンポーネントのそれぞれについて個別に計算された重みの最大値ということになる。定義されたヒット集合または診断候補外にあるサブコンポーネントは、その診断の重みを求める際に考慮されない。
このタイプの診断システムは、多くの場合、極めて有用であったが、システムによっては、診断が困難であると立証されている故障を示すものもある。例えば、無線周波数（ＲＦ）装置の中には、合格となる試験結果と不合格となる試験結果が競合するように思われる結果を生じる場合が多く、その結果、複数の診断候補にオペレーションペナルティが割り当てられて、それらの診断に均等な重み付けが施されることになるような複雑な故障を示すものもある。こうした重み付けは、システムのどのコンポーネントを最初に交換すべきかに関する案内を弱めることになる。さらに、特定のオペレーションを利用した試験の中には、それらの試験に関する特定の測定の不確実性のために間欠的に合格または不合格になり、その結果重み付けに歪みが生じるものもあり得る。
米国特許第５，８０８，９１９号明細書
上記に鑑みて、本発明の目的は、結果として試験結果の混乱及び競合を生じることが多い、複雑な故障が関係する場合に、診断候補間において識別することが可能な、より信頼性の高いシステム故障の診断方法を提供することにある。
詳細に後述する本発明の実施態様によれば、試験対象システムの故障を診断するための改良された方法が得られる。それぞれ、試験中に観測された故障の原因である可能性のある、１つ以上の診断候補が生成される。その後、各診断候補毎に、部分的に、以前には重み付けプロセスに組み込まれなかったいくつかの要因の任意の１つに基づいて、その診断が正しいという確信レベルを表わした重みが割り当てられる。例えば、診断の重みは、全ての不合格となるシステムの試験にわたる診断候補のバイオレーションのない結合利用率(combined unviolated utilization)に基づいて決めることが可能である。代わりに、または、さらに、その重みは、全ての合格となるシステムの試験の間における診断候補の結合利用率に基づいて決めることも可能である。上述の要因の代わりに、または、それらに加えて、利用することが可能な、システム試験の合格及び不合格である結果について観測される変動性のような他の要因によって診断候補の重みの基準を形成することも可能である。
一般的に云えば、診断候補の重み付けにこうした要因を利用すると、関連付けされた診断が正しいか否かに関してより正確な指標が得られる。結果として、複数の診断候補に関して近似した値の重みまたは同じ重みを生じることになる状況が大幅に減少する。
本発明の他の態様及び利点については、例証のため、本発明の原理を例示した、添付の図面に関連してなされる、下記の詳細な説明から明らかになるであろう。
図１には、試験対象システム（System Under Test:ＳＵＴ）の複雑な故障を診断するための本発明の実施態様による方法１００に関する上位概念の解説が示されている。一般論として、ＳＵＴのモデル、ＳＵＴに対して実施される各合格及び不合格となる試験のモデル、及び、それらの試験結果を考慮して、少なくとも１つの診断候補が生成される（ステップ１１０）。一般に、診断候補は、当初、上述のように、あるヒット集合(hitting set)の形をなしている。次に、同じモデル及び試験結果を利用して、各診断に重みが割り当てられる（ステップ１２０）。重みに影響する可能性のある要因には、全ての不合格となる試験にわたる各診断のバイオレーションのない結合利用率、及び、バイオレーションの有無に関係なく、全ての合格となる試験にわたる対応する診断の結合利用率といった、先行技術において既に考慮されている値が含まれる。先行技術の診断システムにおいて検討されていない、他の可能性のある要因については、後述する。診断候補の各コンポーネントの故障率を含む、一般に考慮される他の要因も、後述するように、各診断の重みに影響する可能性がある。全ての要因が考慮されると、計算された最高重みによって、観測された不合格となる試験の原因である可能性が最も高い診断候補が指摘される。
一般に、本発明の実施態様は、汎用単一コンピュータ・システム、分散形汎用コンピュータ・システム、特に動力学システム試験のために設計された専用計算機システム、マイクロプロセッサ・ベースの計算機システム、または、ソフトウェアで表現されたアルゴリズムを実行することが可能な他の任意の電子システムで実行される、ソフトウェアによって実施される。さらに、ソフトウェアは最も適切な媒体であるが、本発明による実施態様は、例えば、組み込み式コントローラ用のファームウェアで実施することもできるし、あるいは、専用集積回路（ＡＳＩＣ）のような、ハードウェアで実施することも可能である。
さらに、本発明のさまざまな実施態様の顕著な特徴を明らかにするため、以下では、特定の実施態様に関する詳細な説明及びある程度可能性のある変更が示され、引き続き、それらの実施態様が多少簡略された試験事例にいかに適用されるかについて、いくつか例示される。図２には、特定の診断方法２００の一般的な流れが図的表現で示されている。
上述のように、診断候補の生成（図１のステップ１１０）は、システム及び試験モデルと、観測された試験結果に基づいている。この特定の例の場合、プロセスは、「カバレッジ要素」の集合によって、ＳＵＴで実行される各試験Ｔiを特定することから開始されるが、各カバレッジ要素は、「構造要素カバレッジ(structural element coverage)」と「共有機能(shared function)」のいずれかである。
構造要素カバレッジは、（１）「構造要素(structural element)」と呼ばれる試験対象システム（ＳＵＴ）のコンポーネントまたはサブコンポーネントと、（２）試験Ｔiによって関連コンポーネントまたはサブコンポーネントが利用される、すなわち、「対象とされる」相対量を表わす［０，１］の範囲内の利用率から構成される不特定(unnamed)の対である。一例として、コンポーネントＣ1の７０％の利用率を表わす構造要素カバレッジは、（Ｃ1，０．７）で表わすことが可能である。同様に、コンポーネントＣ2のサブコンポーネントｓｃ1の３０％の利用率を伴う構造要素カバレッジは、（Ｃ2：：ｓｃ1，０．３）で表わすことが可能である。
構造要素カバレッジが不特定であるため、単一の構造要素のカバレッジが２つ以上の試験に現れる可能性はなく、従って、バイオレーションの可能性はない（すなわち、合格となる試験と不合格となる試験の両方で利用される可能性はない）。例えば、その構造要素カバレッジの各インスタンスは、必ずしもサブコンポーネントＣ2：：ｓｃ1の同じ部分を対象とする必要はないので、複数の試験内における（Ｃ2：：ｓｃ1，０．３）の複数のインスタンスがバイオレーションとなることはない。
共有機能は、特定のオペレーションに関連した構造要素のカバレッジの名前付き集合である。例えば、２つの上述の共有要素のカバレッジを必要とする共有機能ｓｆ１は、ｓｆ１＝（（Ｃ1，０．７），（Ｃ2：：ｓｃ1，０．３））として表わすことが可能である。特定の名前に関連しているため、同じ共有機能が、１つ以上の試験に現れる可能性があり、従って、定義からして、バイオレーションとなる可能性がある（すなわち、合格となる試験と不合格となる試験の両方で利用される可能性がある）。共有機能は、上述の「オペレーション」の概念とほぼ同じである。
特定の試験Ｔiが不合格になると、その試験に関連したカバレッジ要素集合は、「カバレッジ要素競合集合」（coverage element conflict set:ＣＥＣＳ）と呼ばれる（図２のステップ２１０）。同様に、カバレッジ要素競合集合において利用される構造要素（すなわち、コンポーネントまたはサブコンポーネント）は、全体として、「構造要素競合集合」（structural element conflict set:ＳＥＣＳ）を構成する（ステップ２１０）。
一例として、不合格となる試験Ｔ1及びＴ2と、合格となる試験Ｔ3、Ｔ4、及び、Ｔ5が、下記の単純化されたＳＵＴ及び試験モデルに示す通りであると仮定する。
コンポーネント：
Ｃ1：サブコンポーネント：無し
Ｃ2：サブコンポーネント：ｓｃ2、ｓｃ3、ｓｃ4
共有機能：
sf1=[(C1,0.6)]
sf2=[(C2::sc2,0.4)]
sf3=[(C2::sc3,0.3)]
sf4=[(C2::sc3,0.6)]
試験：
T1=[sf1、sf3];結果=不合格
T2=[sf1,sf2,sf4,(C2::sc4,0.7)];結果=不合格
T3=[sf1,sf4,(C2::sc2,0.4),(C2::sc3,0.5),(C2::sc4,0.2)];結果＝合格
T4=[sf3、(C1,0.9)];結果=合格
T5=[sf1,sf2];結果=合格
この場合、不合格となる試験Ｔ1及びＴ2のカバレッジ要素競合集合は、ＣＥＣＳ（Ｔ1）＝｛ｓｆ１，ｓｆ３｝及びＣＥＣＳ（Ｔ2）＝｛ｓｆ１，ｓｆ２、ｓｆ４，（Ｃ2：：ｓｃ4，０．７）｝である。
引き続きこの例について述べると、「構造要素競合集合」（ＳＥＣＳ）も各不合格となる試験に関連している。構造要素競合集合は、各要素が、構造要素カバレッジまたは共有機能により、ある特定の不合格となる試験に関するカバレッジ要素競合集合にある程度のカバレッジを有しているような構造要素集合である。この場合、不合格となる試験Ｔ1及びＴ2の構造要素競合集合は、ＳＥＣＳ（Ｔ1）＝｛Ｃ1、Ｃ2：：ｓｃ3｝及びＳＥＣＳ（Ｔ2）＝｛Ｃ1、Ｃ2：：ｓｃ2，Ｃ2：：ｓｃ3，Ｃ2：：ｓｃ4｝である。
次に、これらの競合集合に基づいて、それらから関連する「ヒット集合」を導き出すことが可能である（図２のステップ２２０）。「カバレッジ要素ヒット集合」（ＣＥＨＳ）は、例えば、全てのカバレッジの競合集合と空でない重なり部分を有するカバレッジ要素の集合である。換言すれば、カバレッジ要素ヒット集合は、各カバレッジ要素競合集合からのカバレッジ要素を少なくとも１つ備えていなければならない。従って、上記例の場合、ｓｆ１が不合格となる試験Ｔ1及びＴ2の両方のカバレッジ要素であるので、可能性のあるカバレッジ要素ヒット集合の１つは、ＣＥＨＳ＝｛ｓｆ１｝である。この集合、この場合に１となる可能性のある最少数の要素を含んでいるので、最小カバレッジ要素ヒット集合と呼ぶことも可能である。非最小である、もう１つの可能性のあるカバレッジ要素ヒット集合は、ＣＥＨＳ＝｛ｓｆ１，ｓｆ２｝である。
また、各不合格となる試験毎に特定される構造要素競合集合から、１つ以上の「構造要素ヒット集合」を特定することも可能である（図２のステップ２２０）。カバレッジ要素ヒット集合と同様、構造要素ヒット集合（structural element hitting set:ＳＥＨＳ）は、全ての構造要素競合集合と空でない重なり部分を有している。換言すると、各構造要素ヒット集合は、各構造要素競合集合からの構造要素を少なくとも１つ備えていなければならない。図１に示す同じ例を利用すると、可能性のある２つの最小構造要素ヒット集合は、｛Ｃ1｝及び｛Ｃ2：：ｓｃ3｝である。
競合集合及びヒット集合の概念は重要な研究の対象であった。これらの概念、並びに、それらの集合を生成するための可能性のあるアルゴリズムについては、例えば、R.Reiter、「A theory of diagnosis from first principles」、Artificial Intelligence、１９８７年、第３２巻、第１号、ｐ．５７−９６にさらに詳細に論じられている。
各構造要素ヒット集合に密接に関連しているのは、サブコンポーネントではなく、コンポーネントだけしか含まない構造要素の集合である「交換可能コンポーネント・ヒット集合(replaceable component hit set)」である。例えば、構造要素ヒット集合ＳＥＨＳ＝｛Ｃ2：：ｓｃ3｝に関連した交換可能コンポーネント・ヒット集合（ＲＣＨＳ）はＲＣＳ＝｛Ｃ2｝である。欠陥のあることが発見されるとこうした集合の各要素が交換することが可能な特定可能コンポーネントであるという観点からすれば、交換可能コンポーネント・ヒット集合は有用である。本発明の実施態様に基づいて重み付けが施される、すぐ後で論じられる各診断候補は、交換可能コンポーネント・ヒット集合であり、本質的に構造要素ヒット集合でもある。
必要なヒット集合があらかじめ生成されているものと仮定すると（ステップ２２０）、本明細書において論考される本発明の実施態様では、交換可能コンポーネント・ヒット集合、すなわち、診断候補の重みを生成する前に、それらヒット集合の評点が生成される。他の実施態様には、後述の方法と同様の方法を利用して、交換可能ヒット集合に関する評点を直接生成することが可能なものもある。以下では、比較的特定された評点公式について解説されるが、これらの公式は、性質上、例示を意図したものであり、本発明の範囲内において、付属の請求項に包含される同様の機能を実施することも可能である。
まず、各カバレッジ要素ヒット集合が、関連する構造要素ヒット集合に対して評点される（すなわち、構造要素が、１つ以上のカバレッジ要素によって対象とされるか、または、利用される）（ステップ２３０）。従って、複数の評点を単一カバレッジ要素ヒット集合と関連づけることが可能である。評点方法は、ある程度、特定のカバレッジ要素ヒット集合のカバレッジ要素のどれかに「バイオレーション(violation)」があるか否か（すなわち、カバレッジ要素のどれかが、合格となる試験と不合格となる試験の両方で利用されているか否か）によって決まる。カバレッジ要素ヒット集合のカバレッジ要素のどれかが、合格となる試験と不合格となる試験の両方で利用されている場合、カバレッジ要素ヒット集合の評点は、特定の構造要素ヒット集合が与えられたとすると、部分的に、不合格となる試験では利用され、合格となる試験では利用されない、カバレッジ要素ヒット集合の全てのカバレッジ要素に関する、与えられた構造要素ヒット集合における全ての構造要素の結合の、または「平均」の「期待」カバレッジ（ＥＣ）（すなわち、構造要素ヒット集合の「バイオレーションのない」(unviolated)結合利用率）によって決まる。さらに、その評点は、カバレッジ要素ヒット集合の要素で ある「合格不合格間で競合する(pass-fail conflicted)」共有機能（すなわち、合格となる試験と不合格となる試験の両方で用いられる共有機能）の総合的な「観測される共有機能変動性(observed shared functional variability)」（ＯＳＦＶ）に比例している。
Figure 2005129064
単一カバレッジ要素において利用される単一構造要素の期待カバレッジは、上述のように、関連する構造要素カバレッジ内で認められるカバレッジにすぎない。ある構造要素が２つのカバレッジ要素で利用される場合、その構造要素の期待カバレッジは、開示の実施態様において、合計された２つのカバレッジから、期待重なり部分、すなわち、想定される「重複部分」を引いたものと定義される。
EC(coverage1,coverage2)=coverage1+coverage2-(coverage1 *coverage2)
３つ以上のカバレッジを組み合わせるべき場合には、同じ方法を反復して適用することが可能である。例えば、３つのカバレッジは、まず、任意の２つを組み合わせ、その後、さらに、もう１つを組み合わせることによって組み合わせることが可能になる。
EC(coverage1,coverage2,coverage3)=EC((EC(coverage1,coverage2)),coverage3)
代替実施態様では、平均値の算出以外に、こうした２つのカバレッジ値を「組み合わせる」他の数学的方法を用いることが可能である。例えば、実施態様によっては、構造要素の期待カバレッジの合計を構造要素ヒット集合の要素数で割ることが必要ではない場合もあり得る。また、状況によっては、必要とされるのは、関係する構造要素の期待カバレッジを合計するのではなく、それらの構造要素数をただ単にカウントすることだけという場合もあり得る。本明細書に記載のない他のバリエーションも可能である。
さらに、期待カバレッジ計算には、特定のカバレッジ要素の全てのカバレッジが算入されるわけではない。特定のカバレッジ要素のカバレッジが、総合期待カバレッジに算入されるか否かは、カバレッジ要素が構造要素カバレッジと共有機能のいずれであるかによって決まる。構造要素カバレッジに関連した全てのカバレッジは、必ずしも一致するとは限らず、従って、計算に含まれる。しかし、共有機能に関連したカバレッジは、共有機能が利用される毎に、ほぼ同じとみなされるので、複数の試験にわたってその共有機能を複数回利用することが必要とされる場合でも、計算には共有機能に関するカバレッジの１つのインスタンスだけしか含まれない。
合格不合格間で競合する特定の共有機能について観測される共有機能の変動性は、基本的に、従来の診断システムにおいて規定されたものと同様の、オペレーションペナルティである。しかし、従来なされていたようにこの値に関して一定の「入力変動性」を用いる代わりに、共有機能を用いた合格となる試験及び不合格となる試験の観測されるものの数によって調整されて、観測される変動性を、通常、下記の観測される試験結果にかけられることになる信頼度にずっと近似した値にしながら、観測される共有機能の変動性は入力変動性に依存することになる。
OSFVSF=min(0.9,InputVariabilitySF *2,InputVariabilitySF *(1+0.1(|FailedTests|SF∈ｆailedtest|-1)/|PassingTests|SF∈passingtest|))
この実施態様の場合、観測される共有機能の変動性は、合格となる試験数に応じて大幅に減少し、観測される不合格となる試験数に応じて約１０倍ずつ緩やかに増加する。代替実施態様の場合、不合格となる試験及び合格となる試験の数が観測される共有機能の変動性に影響を及ぼすのを可能にするような他の方法を用いることも可能である。また、共有機能を用いる不合格となる試験及び合格となる試験の数を用いるのではなく、観測される共有機能の変動性を定量化する他の方法を用いることも可能である。例えば、共有機能による構造要素の利用率を利用して、観測される共有機能の変動性を定量化することが可能である。
上に示す特定の計算において、観測される共有機能の変動性は、その最大値において０．９によって制限され、共有機能の入力変動性の２倍によって制限される。この特定の事例では、本明細書において数学的「ガバナ(governors)」と呼ばれる、こうした制限の利用によって、診断候補の最終重み付けに対する観測される共有機能の変動性の影響が制限される。一般に、ガバナは、同じ共有機能を利用して、特定の試験が合格または不合格になる理由といった、不確実または不完全な知識が最終重み付けに及ぼす影響に制限を加える。ガバナは、後述するように、重み係数の最小値、ある因数の別の因数に対する大きさ等を制限することも可能である。さらに、示されるガバナの利用は、本発明の他の実施態様において不可欠というわけではない。さらに、ガバナは、示されるインスタンスに制限されるものではなく、開示の計算の任意の因数に用いて、診断候補の総合重み付けに対するその因数の影響を制限することが可能である。
結果として、カバレッジ要素ヒット集合の評点、最終的には、関連する診断候補の重みは、１つ以上の不合格となる試験にわたるその診断のバイオレーションのない結合利用率に部分的に基づくことになる。上述のように、関与する共有機能について観測される変動性も、その評点に影響を及ぼす。
代替実施態様では、観測される変動性が合格不合格間で競合する共有機能の存在だけに関連しているわけではない場合もあり得る。例えば、システム試験の部分集合は、例えば、特定のコンポーネントの同様の物理的部分を対象として、さまざまなやり方で互いに依存している可能性がある。その部分集合のシステム試験の１つが不合格になるが、もう１つが合格する場合、あるレベルの変動性が観測されたことになり、従って、試験結果の信頼性のレベルが低下する。試験間における依存レベルを定量化することによって、観測される、関係する変動性の定量化も可能になり、それらの試験に関連した診断候補の重みをある程度数学的に低下させることが可能になる。
カバレッジ要素ヒット集合の評価が済むと、カバレッジ要素ヒット集合の全集合を考慮して、構造要素ヒット集合のそれぞれについて評点が計算される（図２のステップ２４０）。構造要素ヒット集合の組合わせて合格となる試験利用率に対する、各構造要素ヒット集合の評点の依存度は反比例する。すなわち、合格となる試験によるヒット集合の各構造要素の利用率が高くなるほど、その構造要素に障害があることを示すその評点は低くなる。また、構造要素ヒット集合の評点は、その構造要素ヒット集合に関して定義された任意のカバレッジ要素ヒット集合に関する最高評点に比例する。
Figure 2005129064
構造要素ヒット集合に関する評点の期待カバレッジ部分は、全ての合格となる試験にわたるヒット集合の構造要素の結合利用率としての働きをする。合格となる試験によるカバレッジが高くなるほど、構造要素ヒット集合に関する総合評点は低下する。また、評点のこの部分は、それらの合格となる試験によって得られる、構造要素ヒット集合に欠陥がないという確信が９９％を超えることがないように、ガバナによって制限される。本発明の代替実施態様では、こうしたガバナを排除することも可能である。
計算が済むと、構造要素ヒット集合の評点が、構造要素ヒット集合によって代表される、「交換可能コンポーネント・ヒット集合(replaceable component hitting set)」（ＲＣＨＳ）すなわち診断候補に関する故障率と組み合わせられて、交換可能コンポーネント・ヒット集合に関する評点が求められる（図２のステップ２５０）。こうした評価は、構造要素ヒット集合に含まれているサブコンポーネントの有無によって決まる。
特定の構造要素ヒット集合においてサブコンポーネントが確認されない場合、その構造要素ヒット集合及び交換可能コンポーネント・ヒット集合は、１つであり同じである。その場合、交換可能コンポーネント・ヒット集合の故障率にそのヒット集合の評点が掛けられる。
ScoreRCHS(RCHSi||subcomponents|=0)
=FailRate(RCHSi)*ScoreSEHS(RCHSi|[CEHS])
上述のように、交換可能コンポーネント・ヒット集合の故障率には、コンポーネント自体の製造故障率、プロセス・エラーによるそのコンポーネントの故障率等が含まれる可能性がある。
通常、交換可能コンポーネント・ヒット集合は、単一コンポーネントから構成されており、交換可能コンポーネント・ヒット集合の故障率がそのコンポーネントの故障率と等価になるようにする。２つ以上のコンポーネントが含まれる場合、それらのコンポーネントの故障率の独立性が極めて高ければ、単純に、個々のコンポーネントの故障率を掛け合わせることが可能である。
構造要素ヒット集合において、サブコンポーネントが名前付きの場合、交換可能コンポーネント・ヒット集合は、その要素として、構造要素ヒット集合のサブコンポーネントを含むコンポーネントを備えている。本実施態様におけるこのタイプの交換可能コンポーネント・ヒット集合に関する評点は、交換可能コンポーネント・ヒット集合のサブコンポーネントの部分集合を含む、構造要素ヒット集合に関する最高評点に比例する。さらに、その評点は、どの構造要素ヒット集合にも存在しないサブコンポーネントの平均合格信頼度によっても左右される。換言すれば、構造要素ヒット集合内と構造要素ヒット集合外の両方にあるサブコンポーネントが考慮されることになる。
Figure 2005129064
さらに、この実施例では、診断候補の重みを減らす場合に、関連する構造要素ヒット集合外にある交換可能コンポーネント・ヒット集合のサブコンポーネントの影響を制限するガバナ（すなわち、上記公式における０．５）が用いられている。その特定のガバナを利用する必要はないか、または、いかなるガバナを利用する必要もない。
上記方程式によれば、いかなるヒット集合についてもその外部にあるサブコンポーネントの平均合格利用率が考慮される。代替実施態様では、不合格となる試験によるそれらのサブコンポーネントの利用率、または、不合格利用率と合格利用率の何らかの組合せを用いて、交換可能コンポーネント・ヒット集合の評点を調整することも可能である。
さらに、この特定の実施態様では、交換可能コンポーネント・ヒット集合の評点を下げる場合、いかなる構造要素ヒット集合についてもその外部にあるサブコンポーネントだけしか考慮されない。代替実施態様では、ＲＣＨＳに関連した構造要素ヒット集合外にあるが、別のＳＥＨＳ内にあるＲＣＨＳのサブコンポーネントを考慮することが可能である。
本発明の特定の実施態様において上記公式が利用されるものと仮定すると、いくつかの単純な試験事例について説明しておくことが、上記方程式が特定の状況においていかに用いられるか、及び、それぞれの方程式が、各診断候補の重みを求めるのにいかに相互作用するかを説明するのに役立つことになる。
以下に説明する実施例１では、不合格となる試験だけしか含まない診断候補の集合について重みが計算される。ＳＵＴのコンポーネント、用いられる共有機能、及び、実行される試験に関するモデルは、下記の通りである。
コンポーネント：
C1:FailRate=0.01;Subcomponents:sc1
C2:FailRate=0.01;Subcomponents:無
共有機能：
sf1=[(C1::sc1,0.5)];Input variability=0.1
sf2=[(C1::sc1,0.9)];Input variability=0.1
sf3=[(C2,0.1)];Input variability=0.1
試験：
T1=[sf1,sf3];結果=不合格
T2=[sf2,sf3,(C1;;sc1,0.2)];結果=不合格
T3=[sf3,(C1::sc1,0.1)];結果=不合格
合格となる試験が含まれていないので、共有機能バイオレーションの可能性はない。結果として、観測される共有機能変動性（ＯＳＦＶ）は考慮されないので、因数の値は１になる。可能性のあるカバレッジ要素ヒット集合及び構造要素ヒット集合が前述のように生成される。
CEHS=[[sf3],[sf1,(C1::sc1,0.2),(C1::sc1,0.1)],[sf1、sf2、(C1::sc1,0.1)],[sf1,sf2,(C1::sc1,0.1),(C1::sc1,0.2)]]
SEHS=[[C2],[C1::sc1]]
ｓｆ３は、構造要素ヒット集合であるコンポーネントＣ2を利用する唯一の共有機能であるため、カバレッジ要素ヒット集合ＣＥＨＳ1＝｛ｓｆ３｝からのカバレッジだけが、その構造要素ヒット集合の評価に織り込まれる。残りの３つのカバレッジ要素ヒット集合は、サブコンポーネントＣ1：：ｓｃ１だけを対象としているので、その構造要素ヒット集合の評点に寄与することになる。
ＳＥＨＳ1＝｛Ｃ2｝と仮定すると、ＣＥＨＳ1＝｛ｓｆ３｝は次のように計算される。
ScoreCEHS(CEHS1|SEHS1)=1+ECsf3(C2)=1.1
次に、合格となる試験は含まれていないので、ＳＥＨＳ｛Ｃ2｝の評点は、関連するカバレッジ要素ヒット集合の最高評点になるが、これは、この場合、ただ単にＣ2に関するｓｆ３の期待カバレッジである。
ScoreSEHS(SEHS1|[CEHS])=ScoreCEHS(CEHS1|SEHS1)=1.1
同様に、ＳＥＨＳ2＝｛Ｃ1：：ｓｃ1｝と仮定すると、ＳＥＨＳ2に関連した残りの３つのＣＥＨＳ（ＣＥＨＳ2＝｛ｓｆ１，（Ｃ1：：ｓｃ1，０．２），（Ｃ1：：ｓｃ1，０．１）｝，ＣＥＨＳ3＝｛ｓｆ１，ｓｆ２，（Ｃ1：：ｓｃ1，０．１）｝，及び、ＣＥＨＳ4＝｛ｓｆ１，ｓｆ２，（Ｃ1：：ｓｃ1，０．１），（Ｃ1：：ｓｃ1，０．２）｝）は、その単一構造要素の個々のカバレッジを上述のように組み合わせて、同様に計算される。
ScoreCEHS(CEHS2|SEHS2)=
1+EC∀CE∈CEHS2(C1::sc1)=1+EC(0.5,0.2,0.1)=1.640
ScoreCEHS(CEHS3|SEHS2)=
1+EC∀CE∈CEHS3(C1::sc1)=1+EC(0.5,0.9,0.1)=1.955
ScoreCEHS(CEHS4|SEHS2)=
1+EC∀CE∈CEHS4(C1::sc1)=1+EC(0.5,0.9,0.1,0.2)=1.964
やはり、合格となる試験は含まれないので、SEHS=[C1::sc1]の評点は、関連する３つのカバレッジ要素ヒット集合の最高評点になる。
ScoreSEHS(SEHS2|[CEHS])
=max(ScoreCEHS(CEHS2|SEHS2),ScoreCEHS(CEHS3|SEHS2),ScoreCEHS(CEHS3|SEHS2))=1.964
最後に、２つの交換可能コンポーネント・ヒット集合｛Ｃ1｝（ＳＥＨＳ2＝｛Ｃ1：：ｓｃ1｝に関する交換可能コンポーネント）及び｛Ｃ2｝の評点が計算される。コンポーネントＣ2の場合、サブコンポーネントが含まれていないので、その評点は、ＳＥＨＳ1について既に計算済みの評点にコンポーネント故障率を掛けた値になる。
ScoreRCHS([C2])=FailRate(C2)*ScoreSEHS(SEHS1|CEHS1)=0.01*1.1=0.011
交換可能コンポーネント・ヒット集合｛Ｃ1｝の場合、サブコンポーネントＣ1：：ｓｃ1が含まれている。しかし、Ｃ1のサブコンポーネントは、ＳＥＨＳ2またはＳＥＨＳ3外にはないので、｛Ｃ1｝の評点は、サブコンポーネントがない場合の値まで下げられる。
ScoreRCHS([C1])=FailRate(C1)*ScoreSEHS(SEHS2|[CEHS])=0.01*1.964=0.01964
従って、２つの交換可能コンポーネント・ヒット集合の評点を考慮すると、コンポーネントＣ1が、不合格となる試験Ｔ1、Ｔ2、及び、Ｔ3の最も可能性の高い原因であると推定される。この結果は、共有機能ｓｆ１及びｓｆ２によるＣ2の利用率と比較して、ｓｆ３によるＣ1の利用率が大幅に低いためである。
実施例２の場合、合格となる試験と不合格となる試験の混合利用によって、評価機能がこうした結果をどのように考慮するかが示される。試験、コンポーネント、及び、共有機能に関するモデルは、下記に列挙する通りである。
コンポーネント：
C1:FailRate=0.01;Subcomponents:sc1,sc2,sc3
共有機能：
sf1=[(C1::sc1,0.4)];Input variability=0.1
sf2=[(C1::sc2,0.2)];Input variability=0.1
sf3=[(C1::sc2,0.3)];Input variability=0.1
sf4=[(C1::sc1,0.4)];Input variability=0.1
sf5=[(C1::sc3,0.7)];Input variability=0.1
試験：
T1=[sf1,sf4,sf5,(C1::sc3,0.1)];結果=不合格
T2=[sf1,sf2,sf3,(C1;;sc2,0.1)];結果=合格
まず、この例に関して可能性のあるカバレッジ要素ヒット集合及び構造要素ヒット集合が生成される。
CEHS=[[sf1],[sf4],[sf5],[(C1::sc3,0.1)]]
SEHS=[[C1::sc1],[C1::sc3]]
本発明の理解を容易にすることを目的として、この例を単純化するため、カバレッジ要素ヒット集合の数は、ＣＥＨＳ1＝｛ｓｆ４｝及びＣＥＨＳ2＝｛ｓｆ５｝の２つにまで減らされる。
前述のように、そのどちらにも合格不合格間で競合する共有機能が含まれていない、カバレッジ要素ヒット集合ＣＥＨＳ1及びＣＥＨＳ2のそれぞれの評価は、各ＣＨＥＳによって対象とされる要素を備えた構造要素ヒット集合に関して実施される。この場合、ｓｆ４は、Ｃ1：：ｓｃ1（ＳＥＨＳ1を構成する）だけを利用し、ｓｆ５は、Ｃ1：：ｓｃ3（ＳＥＨＳ2）だけを対象とする。従って、ＣＥＨＳの評点を計算する場合には、それらの組合せだけしか考慮する必要はない。
Figure 2005129064
ＣＥＨＳ2を評価する場合、不合格となる試験Ｔ1内における共有機能ｓｆ５と構造要素カバレッジ（Ｃ1：：ｓｃ3，０．１）の両方のカバレッジとが組み合わせられる。
次に、生成されたばかりのＣＥＨＳの評点を利用して、２つの構造要素ヒット集合が計算される。各ＳＥＨＳ毎に、どの合格となる試験によるそのヒット集合のカバレッジによっても、そのＳＥＨＳの評点は相応に下がることになる。
ScoreSEHS(SEHS1|[CEHS])
=max((1-EC(C1::sc1)∀CE∈CEHS∈T2),0.01)
*max(ScoreCEHS(∀CEHS∈[CEHS]|SEHS1))
=max(1-ECsf1(C1::sc1)),0.01)*ScoreCEHS(CEHS1|SEHS1)
=max(1-0.4,0.01)*1.4=0.6*1.4=0.84
ＳＥＨＳ1の評価において、単一の合格となる試験Ｔ2による構造要素Ｃ1：：ｓｃ1のカバレッジは、ｓｆ１によるものであり、０．４のカバレッジが得られる。そのヒット集合が不合格となる試験Ｔ1の原因であるという確信が弱まるので、そのカバレッジは、ＳＥＨＳ1の評点を下げる働きをする。
ScoreSEHS(SEHS2|CEHS))
=max((1-EC(C::sc3)∀CE∈CEHS∈T2),0.01)
*max(ScoreCEHS(∀CEHS∈[CEHS]|SEHS2))
=max(1-0,0.01)*ScoreCEHS(CEHS2|SEHS2)
=max(1,0.01)*1.73=1*1.73=1.73
ＳＥＨＳ1とは逆に、ＳＥＨＳ2には、合格となる試験Ｔ2によって対象とされない構造要素Ｃ１：：ｓｃ3が含まれているので、結果として、ＳＥＨＳ2の評点は下がらない。
これらの構造要素ヒット集合の評点の結果として、Ｃ1のサブコンポーネントがＳＥＨＳ1とＳＥＨＳ2の両方を構成している点に留意して、その関連する交換可能コンポーネント・ヒット集合｛Ｃ1｝の評点が計算される。
ScoreRCHS([C1])
=FailRate(C1)
*max(ScoreSEHS(SEHS1|[CEHS],ScoreSEHS(SEHS2|[CEHS]))
*max(1-EC(ECsf2(C1::sc2),ECsf3(C1::sc2),EC(C1::sc2,0.1)(C1::sc2)),0.5)
=0.01*max(1.4,1.73)*max(1-EC(0.2,0.3,0.1),0.5)
=0.01*1.73*max(1-0.496,0.5)=0.01*1.73*0.504=0.0087192
この特定の例では単一の交換可能コンポーネント・ヒット集合が得られ、欠陥のあるコンポーネントの実際の選択はトリビアルであるというるという結果となるが、ＲＣＨＳ＝｛Ｃ1｝の評点に関する上記計算によって明らかなように、どの構造要素ヒット集合の一部でもないサブコンポーネントＣ1：：ｓｃ2の影響が弱まる。そのサブコンポーネントが考慮されていなければ、共有機能ｓｆ１及びｓｆ２によるそのコンポーネントのカバレッジ、並びに、合格となる試験Ｔ2内における構造要素カバレッジ（１：：ｓｃ2，０．１）によって、Ｃ1に別様に付与される重みが軽減される。
以下の実施例では、やはり、結果として、単一の交換可能コンポーネント・ヒット集合が得られるが、どのＳＥＨＳであれその外部にあるサブコンポーネントの合格カバレッジに関連して複数のサブコンポーネント構造要素ヒット集合の存在が実証される。この特定のモデルのモデルは下記の通りである：
コンポーネント：
C1:FailRate=0.01;Subcomponents:sc3,sc4,sc5,sc6
共有機能：
sf4=[(C1::sc4,0.6)];Input variability=0.1
sf5=[(C1::sc5,0.7)];Input variability=0.1
sf6=[(C1::sc6,0.8)];Input variability=0.1
試験：
T1=[sf5];結果=不合格
T2=[sf6];結果=不合格
T3=[sf4、sf5、sf6、(C1::sc3,0.1)];結果=合格
このモデルが与えられると、単一カバレッジ要素ヒット集合ＣＥＨＳ1＝｛ｓｆ５、ｓｆ６｝となり得る。というのも、試験Ｔ１及びＴ２を不合格にするには、これらの共有機能の両方が必要になり、それらの障害には、他のカバレッジ要素は不要であるためである。さらに、ＣＥＨＳ1内で利用されるカバレッジ要素は、Ｃ1：：ｓｃ5（ｓｆ５によって）及びＣ1：：ｓｃ6（ｓｆ６によって）だけであり、結果として、単一構造要素ヒット集合ＳＥＨＳ1＝｛Ｃ1：：ｓｃ5，Ｃ1：：ｓｃ6｝ということになる。
ＣＥＨＳ1の評点を計算する場合、ｓｆ５及びｓｆ６は、両方とも、合格不合格間で競合するという事実によって、それらの共有機能について観測される共有機能変動性（ＯＳＦＶ）を計算する必要が強まることになる。また、ＣＥＨＳ1内に他のカバレッジ要素が含まれていないので、それらの要素が不合格となる試験によって対象とされることはなく、合格となる試験によって対象とされることもない。
Figure 2005129064
次に、構造要素Ｃ1：：ｓｃ5及びＣ1：：ｓｃ6が合格となる試験Ｔ3の対象であるという事実を考慮して、構造要素ヒット集合ＳＥＨＳ1の評点が計算され、その結果、ＳＥＨＳ1の評点が下がることになる。
ScoreSEHS(SEHS1|[CEHS])
=max(1-((ECT3(C1::sc5)+ECT3(C1::sc6))/2),0.01)
*max(ScoreCEHS(CEHS1|SEHS1))
=max(1-((0.7+0.8)/2),0.01)*0.01
=max(1-0.75,0.01)*0.01=0.0025
ＳＥＨＳ1の評点が得られると、合格となる試験に、ＳＥＨＳ1外にあるＣ1の２つのサブコンポーネント、Ｃ1：：ｓｃ5及びＣ1：：ｓｃ6が含まれるという点に考慮して、単一交換可能コンポーネント・ヒット集合｛Ｃ1｝の評点が計算される。
ScoreRCHS([C1])=FailRate([C1])
*max(ScoreSEHS(SEHS1))
*max(1-((ECsf4(C1::sc4)+EC(C1::sc3,0.1)(C1::sc3))/2),0.5)
=0.01*0.0025*max(1-((0.6+0.1)/2),0.5)=0.00001625
従って、共有機能ｓｆ５及びｓｆ６が合格不合格間で競合することによる評価の低下、並びに、合格となる試験Ｔ3におけるサブコンポーネントＣ1：：ｓｃ3及びＣ1：：ｓｃ4のカバレッジは、交換可能コンポーネントＣ1の比較的低い評点の一因となる。
第４の最終の実施例において、共有機能ペナルティの影響、並びに、複数のコンポーネントにわたるカバレッジを有する共有機能の影響がさらに探求される。この例の関連モデルに関する具体的な詳細は、下記に列挙するとおりである。
コンポーネント：
C1:FailRate=0.01;Subcomponents:無
C2:FailRate=0.01;Subcomponents:無
共有機能
sf1=[(C1,0.5),(C2,0.9)];Input Variability=0.1
sf2=[(C1,0.6),(C2,0.1)];Input Variability=0.1
試験
T1=[sf1、sf2]:結果=不合格
T2=[sf1];結果=不合格
T3=[sf1];結果=合格
これらのモデルを考慮すると、関連するカバレッジ要素ヒット集合は、ＣＥＨＳ1＝｛ｓｆ１｝及びＣＥＨＳ2＝｛ｓｆ１，ｓｆ２｝だけになる。というのも、不合格となる試験Ｔ1及びＴ2において利用されるカバレッジ要素はそれらのみだからである。また、コンポーネントＣ1及びＣ2は、両方とも、共有機能のそれぞれにおいて用いられるので、各コンポーネントは個別のヒット集合を構成している。結果として、ＳＥＨＳ1＝｛Ｃ1｝及びＳＥＨＳ2＝｛Ｃ2｝になる。この２つを組み合わせた構造要素ヒット集合は、可能性があるが、両方のコンポーネントの組み合わせが不合格になる可能性は、一方または他方だけに欠陥がある可能性よりも低いので、排除することが可能である。
上に示すように、各カバレッジ要素ヒット集合の評点が生成される。ＣＥＨＳ1及びＣＥＨＳ2は、それぞれ、ＳＥＨＳ1及びＳＥＨＳ2の両方を対象としているので、４つのＣＥＨＳの評点の合計は、下記のように求められる。
Figure 2005129064
やはり、ＣＥＨＳの評点が計算されると、次に、ＳＥＨＳ1及びＳＥＨＳ2の評点が計算される。
ScoreSEHS(SEHS1|[CEHS])
=max(1-EC(C1)∀CE∈CEHS∈Passing tests),0.01)*max(ScoreCEHS(∀CEHS∈[CEHS]|SEHS1))
=max(1-ECsf1(C1),0.01)*ScoreCEHS(CEHS2|SEHS1)
=max(1-0.5,0.01)*0.176=0.5*0.176=0.088
ScoreSEHS(SEHS2|[CEHS])
=max(1-EC(C2)∀CE∈CEHS∈Passing tests),0.01)*max(ScoreCEHS(∀CEHS∈[CEHS]|SEHS2))
=max(1-ECsf1(C2),0.01)*ScoreCEHS(CEHS2|SEHS2)
=max(1-0.9,0.01)*0.121=0.1*0.121=0.0121
この例には、サブコンポーネントが含まれないので、２つの交換可能コンポーネント・ヒット集合｛Ｃ1｝及び｛Ｃ2｝のそれぞれについて結果得られる評点は、対応する構造要素ヒット集合の評点にコンポーネントの故障率を掛けた値である。
ScoreRCHS([C1])=FailRate([C1])*ScoreSEHS(SEHS1|[CEHS])
=0.01*0.088=0.00088
ScoreRCHS([C2])=FailRate([C2])*ScoreSEHS(SEHS2|[CEHS])
=0.01*0.0121=0.000121
従って、交換可能コンポーネント｛Ｃ1｝の評点は、｛Ｃ2｝の評点よりもかなり高くなるが、結局のところ、これは、部分的に、合格となる試験Ｔ3における合格不合格間で競合する共有機能ｓｆ１によるＣ2のカバレッジが多いために、ＳＥＨＳ2の評点が被ることになるペナルティに起因するものである。
共有機能入力変動性、特定のコンポーネントの利用率、または、コンポーネントの故障率のような試験モデルのパラメータのいくつかは、正確に知ることができない場合が多い。換言すれば、「低い」、「中間」、または、「高い」といった特定の値の範囲に関する漠然とした感じだけしか表わすことができない。こうした場合、こうした用語によるそれらの値の記述を認めて、次に、それらの記述に実際の評価機能における特定の数値を割り当てることが望ましいと思われる。例えば、「低い」入力変動性は、０．１の値と対応付け、「中間」及び「高い」には、それぞれ、０．５及び０．９の値を割り当てることが可能である。
上述の評価因数以外に、交換コストも、診断候補を評価する上において因数となる可能性がある。交換コストは、コンポーネントを交換するためのコストであり、交換コンポーネントのコストに加えて、交換を実施するためのコストを含めることも可能である。例えば、１に（０，１）の範囲の「正規化コスト」を加えた因数が、二次評価因数として、その診断における交換コンポーネントの交換コストの和とすることが可能な、各診断候補のコストを導入するのに役立つことになる。本発明の代替実施態様では、上述の評価機能に交換コストを導入する他の方法を用いることも可能である。交換コストそれ自体は、必ずしも、コンポーネントに欠陥がある確率に影響を及ぼすものではないが、因数としてコストを用いると、さもなければ、同様の重みになる２つの診断候補を区別するのに役立つので、最小コストで欠陥を除去しようとする場合に、２つのうちのどちらを最初に交換すべきかの判定の一助になる可能性がある。
以上に鑑みて、本発明の実施態様によれば、複雑なシステム故障を含む診断候補に重み付けするための改良された方法、従って、改良された故障診断方法が得られる。さまざまな実施態様の特定の試験例に関して極めて詳細な説明が提示され、解説された。しかし、上述のもの以外の本発明の実施態様も可能であり、その一部については、本明細書において論じられた。結果として、本発明は、解説され、例証された特定の形態に制限されるべきではなく、本発明は請求項による制限だけしか受けない。
本発明の実施態様による動的システム故障を診断するための方法に関する高レベルのフローチャートである。 観測される試験障害の原因である可能性のある診断候補を生成して、重み付けを施す、本発明の実施態様による方法のフローチャートである。
符号の説明
１００ 故障診断システム、プログラム

Claims (74)

  1. 少なくとも１つのシステム試験によって試験され、複数のコンポーネントを備えている試験対象システム（ＳＵＴ）における故障を診断するための方法であって、
    不合格になるシステム試験の全ての原因となり得る診断の候補を生成するステップと、
    不合格となるシステム試験の全てにわたる前記診断候補のバイオレーションのない結合利用率に基づいて、前記診断候補に重みを割り当て、その結果、該重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有してなる方法。
  2. 不合格となるシステム試験による前記診断候補のバイオレーションのない結合利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項１に記載の方法。
  3. 前記診断候補の重みが、合格となるシステム試験による前記診断候補の結合利用率にも基づくことを特徴とする請求項１に記載の方法。
  4. 合格となるシステム試験による前記診断候補の結合利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項３に記載の方法。
  5. 前記診断候補の重みが、前記システム試験の結果について観測される変動性にも基づくことを特徴とする請求項１に記載の方法。
  6. 前記システム試験の結果について観測される変動性が、合格不合格間で競合する共有機能について観測される変動性によって決まることを特徴とする請求項５に記載の方法。
  7. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能を用いる合格となるシステム試験数によって定量化されることを特徴とする請求項６に記載の方法。
  8. 前記合格不合格間で競合する共有機能を用いる合格となるシステム試験数の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項７に記載の方法。
  9. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能を用いる不合格となるシステム試験数によって定量化されることを特徴とする請求項６に記載の方法。
  10. 前記合格不合格間で競合する共有機能を用いる不合格となるシステム試験数の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項９に記載の方法。
  11. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能による構造要素の利用率によって定量化されることを特徴とする請求項６に記載の方法。
  12. 前記合格不合格間で競合する共有機能による構造要素の利用率の前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項１１に記載の方法。
  13. 前記診断候補の重みが、前記少なくとも１つのシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントのサブコンポーネント・ヒット集合外における利用率にも基づくことを特徴とする請求項１に記載の方法。
  14. 合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項１３に記載の方法。
  15. 前記合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項１４に記載の方法。
  16. 不合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項１５に記載の方法。
  17. 前記不合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項１６に記載の方法。
  18. 前記診断候補の重みが、前記診断候補のコンポーネントの交換コストにも基づくことを特徴とする請求項１に記載の方法。
  19. 前記診断候補のコンポーネントの交換コストの、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項１８に記載の方法。
  20. 前記診断候補の重みが、前記診断候補のコンポーネントの故障率にも基づくことを特徴とする請求項１に記載の方法。
  21. 前記診断候補のコンポーネントの故障率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項２０に記載の方法。
  22. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法であって、
    不合格となるシステム試験の原因となリ得る診断候補を生成するステップと、
    合格となるシステム試験による前記診断候補の結合利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有してなる方法。
  23. 合格となるシステム試験全体にわたる前記診断候補の結合利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項２２に記載の方法。
  24. 前記診断候補の重みが、前記システム試験の結果について観測される変動性にも基づくことを特徴とする請求項２２に記載の方法。
  25. 前記システム試験の結果について観測される変動性が、合格不合格間で競合する共有機能について観測される変動性によって決まることを特徴とする請求項２４に記載の方法。
  26. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能を用いる合格となるシステム試験数によって定量化されることを特徴とする請求項２５に記載の方法。
  27. 前記合格不合格間で競合する共有機能を用いる合格となるシステム試験数の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項２６に記載の方法。
  28. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能を用いる不合格となるシステム試験数によって定量化されることを特徴とする請求項２７に記載の方法。
  29. 前記合格不合格間で競合する共有機能を用いる不合格となるシステム試験数の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項２８に記載の方法。
  30. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能による構造要素の利用率によって定量化されることを特徴とする請求項２５に記載の方法。
  31. 前記合格不合格間で競合する共有機能による構造要素の利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項３０に記載の方法。
  32. 前記診断候補の重みが、前記少なくとも１つのシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントのサブコンポーネント・ヒット集合外における利用率にも基づくことを特徴とする請求項２２に記載の方法。
  33. 合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項３２に記載の方法。
  34. 合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項３３に記載の方法。
  35. 不合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項３２に記載の方法。
  36. 不合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項３５に記載の方法。
  37. 前記診断候補の重みが、前記診断候補のコンポーネントの交換コストにも基づくことを特徴とする請求項２２に記載の方法。
  38. 前記診断候補のコンポーネントの交換コストの、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項３７に記載の方法。
  39. 前記診断候補の重みが、前記診断候補のコンポーネントの故障率にも基づくことを特徴とする請求項２２に記載の方法。
  40. 前記診断候補のコンポーネントの故障率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項３９に記載の方法。
  41. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法であって、
    不合格となるシステム試験の原因となり得る診断候補を生成するステップと、
    システム試験の結果について観測される変動性に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有してなる方法。
  42. 前記システム試験の結果について観測される変動性が、合格不合格間で競合する共有機能について観測される変動性によって決まることを特徴とする請求項４１に記載の方法。
  43. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能を用いる合格となるシステム試験数によって定量化されることを特徴とする請求項４２に記載の方法。
  44. 前記合格不合格間で競合する共有機能を用いる合格となるシステム試験数の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項４３に記載の方法。
  45. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能を用いる不合格となるシステム試験数によって定量化されることを特徴とする請求項４２に記載の方法。
  46. 前記合格不合格間で競合する共有機能を用いる不合格となるシステム試験数の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項４５に記載の方法。
  47. 前記合格不合格間で競合する共有機能について観測される変動性が、前記合格不合格間で競合する共有機能による構造要素の利用率によって定量化されることを特徴とする請求項４２に記載の方法。
  48. 前記合格不合格間で競合する共有機能による構造要素の利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項４７に記載の方法。
  49. 前記診断候補の重みが、前記少なくとも１つのシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントのサブコンポーネント・ヒット集合外における利用率にも基づくことを特徴とする請求項４１に記載の方法。
  50. 合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項４９に記載の方法。
  51. 前記合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項５０に記載の方法。
  52. 合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項４９に記載の方法。
  53. 前記不合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項５２に記載の方法。
  54. 前記診断候補の重みが、前記診断候補のコンポーネントの交換コストにも基づくことを特徴とする請求項４１に記載の方法。
  55. 前記診断候補のコンポーネントの交換コストの、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項５４に記載の方法。
  56. 前記診断候補の重みが、前記診断候補のコンポーネントの故障率にも基づくことを特徴とする請求項４１に記載の方法。
  57. 前記診断候補の重みに対する前記診断候補のコンポーネントの故障率の影響が、数学的ガバナによって制限されることを特徴とする請求項５６に記載の方法。
  58. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法であって、
    不合格となるシステム試験の原因となり得る診断候補を生成するステップと、
    少なくとも１つのシステム試験による、前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントのサブコンポーネント・ヒット集合外における利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有してなる方法。
  59. 合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項５８に記載の方法。
  60. 前記合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項５９に記載の方法。
  61. 不合格となるシステム試験による前記サブコンポーネントの利用率だけしか考慮されないことを特徴とする請求項５８に記載の方法。
  62. 前記不合格となるシステム試験による前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントの前記サブコンポーネントの利用率の、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項６１に記載の方法。
  63. 前記診断候補の重みが、前記診断候補のコンポーネントの交換コストにも基づくことを特徴とする請求項５８に記載の方法。
  64. 前記診断候補のコンポーネントの交換コストの、前記診断候補の重みに対する影響が、数学的ガバナによって制限されることを特徴とする請求項６３に記載の方法。
  65. 前記診断候補の重みが、前記診断候補のコンポーネントの故障率にも基づくことを特徴とする請求項５８に記載の方法。
  66. 前記診断候補の重みに対する前記診断候補のコンポーネントの故障率の影響が、数学的ガバナによって制限されることを特徴とする請求項６５に記載の方法。
  67. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するためのシステムであって、
    不合格となるシステム試験の原因となり得る診断候補を生成するための手段と、
    不合格となるシステム試験全体にわたる前記診断候補のバイオレーションのない結合利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするための手段と
    を有してなるシステム。
  68. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するためのシステムであって、
    不合格となるシステム試験の原因となり得る診断候補を生成するための手段と、
    合格となるシステム試験による前記診断候補の結合利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするための手段と
    を有してなるシステム。
  69. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するためのシステムであって、
    不合格となるシステム試験の原因となり得る診断候補を生成するための手段と、
    少なくとも１つのシステム試験の結果について観測される変動性に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって前記診断候補が正しいという確信レベルが表示されるようにするための手段と
    を有してなるシステム。
  70. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するためのシステムであって、
    不合格となるシステム試験の原因となり得る診断候補を生成するための手段と、
    少なくとも１つのシステム試験による、前記診断候補のコンポーネントのうちの少なくとも１つのコンポーネントのサブコンポーネント・ヒット集合外における利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって前記診断候補が正しいという確信レベルが表示されるようにするための手段と
    を有してなるシステム。
  71. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法ステップにおいて、コンピュータ・システムに、
    不合格となるシステム試験の原因となり得る診断候補を生成するステップと、
    不合格となるシステム試験全体にわたる前記診断候補のバイオレーションのない結合利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有する前記方法ステップを実行させる、前記コンピュータ・システムによって実行可能なプログラムを具現化する、前記コンピュータ・システムによる読み取りが可能なプログラム記憶媒体。
  72. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法ステップにおいて、コンピュータ・システムに、
    不合格となるシステム試験の原因となり得る診断候補を生成するステップと、
    合格となるシステム試験による前記診断候補の結合利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有する前記方法ステップを実行させる、前記コンピュータ・システムによって実行可能なプログラムを具現化する、前記コンピュータ・システムによる読み取りが可能なプログラム記憶媒体。
  73. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法ステップにおいて、コンピュータ・システムに、
    不合格となるシステム試験の原因となり得る診断候補を生成するステップと、
    少なくとも１つのシステム試験の結果について観測される変動性に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有する前記方法ステップを実行させる、前記コンピュータ・システムによって実行可能なプログラムを具現化する、前記コンピュータ・システムによる読み取りが可能なプログラム記憶媒体。
  74. 複数のコンポーネントを備え、少なくとも１つのシステム試験によって試験された試験対象システム（ＳＵＴ）における故障を診断するための方法ステップにおいて、コンピュータ・システムに、
    不合格となるシステム試験の原因となり得る診断候補を生成するステップと、
    少なくとも１つのシステム試験による、前記診断候補のコンポーネントのうち少なくとも１つのコンポーネントのサブコンポーネント・ヒット集合外における利用率に基づいて、前記診断候補に重みを割り当て、その結果、前記重みによって、前記診断候補が正しいという確信レベルが表示されるようにするステップと
    を有する前記方法ステップを実行させる、前記コンピュータ・システムによって実行可能なプログラムを格納する、前記コンピュータ・システムによる読み取りが可能なプログラム記憶媒体。
JP2004309109A 2003-10-23 2004-10-25 複雑なシステム障害の診断方法 Pending JP2005129064A (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US10/692,188 US7246271B2 (en) 2003-10-23 2003-10-23 Method for diagnosing complex system faults

Publications (1)

Publication Number Publication Date
JP2005129064A true JP2005129064A (ja) 2005-05-19

Family

ID=34394567

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004309109A Pending JP2005129064A (ja) 2003-10-23 2004-10-25 複雑なシステム障害の診断方法

Country Status (4)

Country Link
US (1) US7246271B2 (ja)
EP (1) EP1526459A3 (ja)
JP (1) JP2005129064A (ja)
SG (1) SG111215A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050261859A1 (en) * 2004-05-24 2005-11-24 Jeremy Petsinger Systems and methods for evaluating a test case
GB0621407D0 (en) * 2006-10-27 2006-12-06 Ibm A method, apparatus or software for determining a relative measure of fault risk for a built system
KR100919222B1 (ko) * 2007-09-19 2009-09-28 한국전자통신연구원 테스트 케이스의 성능 평가 방법 및 장치
US8689066B2 (en) * 2011-06-29 2014-04-01 International Business Machines Corporation Integrated circuit test optimization using adaptive test pattern sampling algorithm
US8990639B1 (en) * 2012-05-31 2015-03-24 Amazon Technologies, Inc. Automatic testing and remediation based on confidence indicators
US9043647B2 (en) * 2013-01-02 2015-05-26 Tata Consultancy Services Limited Fault detection and localization in data centers
US9916194B2 (en) 2015-10-01 2018-03-13 International Business Machines Corporation System component failure diagnosis
WO2017142392A1 (en) * 2016-02-17 2017-08-24 Mimos Berhad A system and a method to rate a software
CN106021771A (zh) * 2016-05-30 2016-10-12 天河国云（北京）科技有限公司 一种故障诊断方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5808919A (en) * 1993-11-23 1998-09-15 Hewlett-Packard Company Diagnostic system
EP0654738B1 (en) * 1993-11-23 1999-03-03 Hewlett-Packard Company Diagnostic system
US6255943B1 (en) * 1995-03-29 2001-07-03 Cabletron Systems, Inc. Method and apparatus for distributed object filtering
EP0794495A3 (en) * 1996-03-08 1998-07-22 Hewlett-Packard Company Automated analysis of a model-based diagnostic system
US5768501A (en) * 1996-05-28 1998-06-16 Cabletron Systems Method and apparatus for inter-domain alarm correlation
US6338150B1 (en) * 1997-05-13 2002-01-08 Micron Technology, Inc. Diagnostic and managing distributed processor system
US6470464B2 (en) * 1999-02-23 2002-10-22 International Business Machines Corporation System and method for predicting computer system performance and for making recommendations for improving its performance
US6691249B1 (en) * 2000-03-22 2004-02-10 Agilent Technologies, Inc. Probabilistic diagnosis, in particular for embedded and remote applications
US7113988B2 (en) * 2000-06-29 2006-09-26 International Business Machines Corporation Proactive on-line diagnostics in a manageable network
JP2003186696A (ja) * 2001-12-13 2003-07-04 Nec Corp システムのリスク診断方法及びプログラム並びに装置
US7024600B2 (en) 2002-02-19 2006-04-04 Agilent Technologies, Inc. Diagnosis of data transfer faults using constraints
US7051240B2 (en) 2002-03-14 2006-05-23 Agilent Technologies, Inc. Diagnosis of data packet transfer faults using constraints

Also Published As

Publication number Publication date
US20050102566A1 (en) 2005-05-12
US7246271B2 (en) 2007-07-17
SG111215A1 (en) 2005-05-30
EP1526459A2 (en) 2005-04-27
EP1526459A3 (en) 2007-06-06

Similar Documents

Publication Publication Date Title
US7246039B2 (en) Fault diagnosis system
KR100520629B1 (ko) 모델기반진단시스템
US7917326B2 (en) Storage medium for estimating and improving test case generation
JP5847735B2 (ja) 視覚機能検査方法、視覚機能検査システム及びソフトウェア
US6343261B1 (en) Apparatus and method for automatically diagnosing a technical system with efficient storage and processing of information concerning steps taken
JP5669630B2 (ja) テスト・ケース生成方法、プログラム及びシステム
JP2018136985A5 (ja)
KR101855179B1 (ko) 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법
EP1329734A1 (en) Diagnostic test system
JPH10510385A (ja) ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム
JP2005129064A (ja) 複雑なシステム障害の診断方法
AU2014255472B2 (en) Diagnosing combinations of failures in a system
Casabianca et al. The impact of design decisions on measurement accuracy demonstrated using the hierarchical rater model
US20080092147A1 (en) Method for Determining Deadlocks in Secondary Processes
JP2002099319A (ja) プラント診断装置
JP6257373B2 (ja) 障害抽出支援装置
US20200371899A1 (en) Static analysis of code coverage metrics provided by functional user interface tests using tests written in metadata
US10157166B2 (en) Method and system for measuring the performance of a diagnoser
JP2003066822A (ja) 学習弱点判定方法及び装置及び学習弱点判定プログラム及び学習弱点判定プログラムを格納した記憶媒体
JP2002055815A (ja) ソフトウェア開発支援装置、および記録媒体
Meridji et al. A generic model for the specification of software reliability requirements and measurement of their functional size
Pomeranz New targets for diagnostic test generation
Kama et al. Considering Partially Developed Artifacts in Change Impact Analysis Implementation.
Tao et al. A model-based framework to support complexity analysis service for regression testing of component-based software
Alimi et al. Derivation of Reliability Estimation Model for Metrically Reliable Software Product Development