陈希祥 邱 静 刘冠军

国防科学技术大学,长沙,410073

0 引言

在装备全生命周期的测试性设计过程中,基于测试性分析的测试优化选择是测试性方案优化工作的开始,关系到整个测试性设计工作的好坏[1-2]。目前关于测试性分析与测试选择的研究比较广泛和深入[2-6],并取得了一定的成果,也涌现出了一些辅助分析与设计工具,如DSI公司的eXpress[7]和QSI公司的 TEAMS[8]。但是其理论与方法仍然停留在早期的研究基础之上,即基于确定性测试假设条件,忽略十几种存在的真实情况对模型进行简化。鉴于此,Raghavan等[9]、Sui等[10]考虑了测试不确定性,进行了诊断策略设计或故障诊断的研究。其中,在测试性模型中,故障与测试逻辑关系也表现出不确定性,导致测试性指标的计算以及故障-测试相关性矩阵都将发生改变。如果忽略这种不确定性,而采用传统的诊断推理机,则可能产生不合乎实际情况的测试性分析结果,无法有效指导测试性评估与设计,进而影响测试选择的结论。

为了从根本上避免脱离实际,针对装备系统测试过程中普遍存在的测试不确定性问题,基于传统的多信号流图模型,首先建立面向测试性分析的贝叶斯网络模型,在此基础上通过贝叶斯参数学习算法获得不确定条件下的故障-测试相关矩阵,并提出基于贝叶斯推理的测试性指标形式化描述与计算方法,进而利用混合二进制粒子群-遗传算法(hybrid binary particle swarm optimization and genetic algorithm,HBPSOGA)[6]对系统进行测试优化选择。最后通过案例对所提出的模型和方法进行有效性验证。……