北航测试性文献调研

测试性分析与评价文献调研报告学号：___ZY14XXXXX____姓名：_____XX_______2014年12月北京航空航天大学测试性分析与评价技术文献调研0基于贝叶斯网络的测试性建模和分析摘要贝叶斯网络是不确定性知识表达与推理的一种新方法。它是概率论和图论相结合的产物，可用于复杂多因果关系的分析，是人工智能领域的研究热点和重要成果之一。由于它的解决方案明确、直观，所以近年来在远程医疗、故障诊断以及数据挖掘等领域，得到了广泛的应用。针对现有测试性建模方法对系统不确定信息描述及分析上的不足，提出了基于贝叶斯网络的测试性建模与分析方法。首先结合贝叶斯网络的基本理论，阐述了系统测试性模型的构成要素及建立流程，用相关性矩阵表示系统故障、测试之间的关联，用条件概率矩阵描述两者间的不确定信息；然后给出了测试性指标的具体分析过程和算法。关键词：贝叶斯网络，测试性建模，测试性分析，贝叶斯网络算法。北京航空航天大学测试性分析与评价技术文献调研1目录基于贝叶斯网络的测试性建模和分析...........................................................................................0摘要..................................................................................................................................................01.文献检索概述...........................................................................................................................22.引言...........................................................................................................................................23.贝叶斯网络基本原理...............................................................................................................24.基于BN的测试性建模.........................................................................................................34.1.BN测试性模型构成...................................................................................................34.1.BN测试性建模步骤....................................................................................................45.基于BN的测试性分析.........................................................................................................55.1.故障检测率...................................................................................................................55.2.故障隔离率...................................................................................................................65.3.虚警率...........................................................................................................................75.4.考虑测试成本的最优序贯测试...................................................................................76.总结与讨论...............................................................................................................................7致谢..................................................................................................................................................8参考文献...........................................................................................................................................9北京航空航天大学测试性分析与评价技术文献调研21.文献检索概述文献检索内容主要分为三个部分：1、贝叶斯网络中文的关键词为：贝叶斯网络；英文检索关键词为：Bayesiannetwork、BN。2、测试性建模中文检索关键词为：测试性建模、测试性；英文检索关键词为：Testability、TestabilityProgram、ModelsofTestability。3、测试性分析中文检索关键词为：测试性分析、测试性；英文检索关键词为：Testability、TestabilityProgram、AnalysisofTestability。2.引言随着军用装备的技术升级及换代，装备性能大幅提升，复杂程度越来越高，对装备的保障能力提出了更高的要求。测试性作为表征系统准确检测及隔离其内部故障的一种设计特性，对提高装备的任务可靠性与安全性、缩短维修时间、降低全寿命周期费用具有重要意义。建立系统测试性模型是进行测试性预计、分析、验证与评价的基础。复杂系统的结构与部件之间关系复杂、信号传递过程不明确，在信号获取、处理和判断过程中存在误差，这些因素都使系统存在故障与可用测试之间关联关系不确定的现象，导致测试性建模与分析结果可信度不高。现有测试性建模方法中，结构模型和信息流模型的建模技巧强，准确性不易保证，模型集成和验证工作较困难，不适用于对复杂系统进行建模与分析。多信号流图模型虽然建模能力较强，便于表达系统的层次关系，但也存在着对复杂系统不确定信息的描述和处理能力不强、定量分析和学习推理机制不完善等不足。所以有必要研究新的测试性建模与分析方法。该文选用贝叶斯网络（Bayesiannetwork，BN）作为系统测试性建模的方法。BN不仅支持自顶向下的建模，可由模型片段构建整个系统的模型，降低了复杂系统的建模难度，而且BN定量分析和学习能力强，可依据不完全（不确定）信息进行推理，便于利用历史数据进行模型的学习和调整。3.贝叶斯网络基本原理BN是一个有向无环图(directedacyclicgraph,DAG)，由代表变量的节点及连接这些节点的有向边构成，有向边由父节点指向子节点(后代节点)。其中，节点变量可以是测试性问题北京航空航天大学测试性分析与评价技术文献调研3的任何变量，如装备部件、测试结果、故障现象等，有向边则表达变量的因果关系。图1是一个简单的BN示意图。图1BN结构示意图贝叶斯网络是一种因果网络。一个具有n个节点的贝叶斯网络可用,,NVTP来表示，其中，,VT表示一个具有n个节点的有向无环图，图中的节点集1,},{nVvv代表n个变量的集合，节点有向边代表了变量间的关联关系。有向边即表达了一种父节点和子节点间的因果关系，对于有向边,()iijTvv，iv称为jv的父节点，jv称为iv的子节点，没有父节点的节点称为根节点，没有子节点的节点称为叶节点。iv的父节点集合用()iParentv表示，P表示一个与每个节点相关的条件概率表(ConditionalProbabilityTable,CPT)。根据有向图,VT的条件独立性假设，所有变量节点的联合概率分布可以表示为：()∏(())⑴贝叶斯网络的节点计算，基于父节点的状态概率和节点本身的CPT进行。贝叶斯网络把概率计算与节点状态关联，只要给定其中某些节点变量状态，就能计算出其相关节点的状态概率，贝叶斯网络的推理特性和建模弹性使其在复杂系统建模和分析方面具有很大的优势。4.基于BN的测试性建模4.1.BN测试性模型构成BN测试性模型主要用来表达系统故障模式和可用测试之间的依赖关系，可用一个四元组FTEP，，，表示，如图2所示。北京航空航天大学测试性分析与评价技术文献调研4图2BN测试性模型示意图模型基于部件故障模式与系统可用测试之间的因果关系构建，输入为系统部件的故障模式，输出为与各故障模式相关的测试信息。在进行测试性分析时，可以引入其他考量因子，如测试时间、测试费用等。其中：12{}mFfff，，，为系统部件故障模式集；12{}nTttt，，，为系统可用测试集；E为连接节点的有向边集；P为节点所含条件概率集。4.1.BN测试性建模步骤i.明确系统的结构组成、各层次间的关联关系及功能框图。进行故障模式影响及危害性分析（failuremodeeffectandcriticalityanalysis，FMECA），提取系统可用测试信息，生成故障模式列表和测试列表，并将它们表达为模型的节点变量。ii.根据对系统的分析及系统部件故障模式和测试信息间的因果关系，构建子系统（SRU级或LRU级）模型片段，最后依据子系统间的功能关系，构建基于BN的系统测试性模型。iii.通过FMECA分析、查阅相关资料和咨询领域专家，获取所需概率信息，确定各个节点的CPT，进行测试性分析。可根据实际使用阶段所获取的信息对模型进行学习和修正。iv.故障-测试相关性矩阵D对模型中故障模式节点和测试节点之间的连接关系进行相关性分析，可得故障-测试相关性矩阵D，其中，矩阵元素ijd一般为布尔变量，如果if能被jt观测，则令1ijd，否则0ijd。北京航空航天大学测试性分析与评价技术文献调研5图3相关性矩阵Dv.条件概率矩阵P其形式为图4条件概率矩阵P5.基于BN的测试性分析选取系统的故障检测率、故障隔离率、虚警率及考虑测试成本的最优序贯测试作为测试性分析的指标。5.1.故障检测率定义为在规定的时间内，用规定的方法正确检测到的故障数与发生的故障总数之比。以|11jiPtf（）情形下得到的条件概率矩阵为基础，由贝叶斯理论可得单故障模式if的故障检测率，记为iFDR具体计算可由以下3式计算得到：北京航空航天大学测试性分析与评价技术文献调研6则系统的故障检测率为式中：D——被检测出的故障模式的总故障率；——所有故障模式的总故障率；i——第i个故障模式的故障率。5.2.故障隔离率定义为在规定时间内，用规定的方法将故障正确地隔离到小于等于L个单元的故障数与检测到的故障总数之比。系统的故障隔离率可表达为式中：L——隔离组内可更换的单元数；L——可隔离到小于等于L个可更换