本发明专利技术公开了一种基于交叉验证的电子系统测试性定量分析方法，用于定量评估电子系统的可测试水平。此方法包括故障特征提取、交叉验证和测试性指标估计三个步骤。故障特征提取收集系统系统在各种故障状态下的原始故障数据，并从中提取有用的特征来描述不同的故障状态；交叉验证依次从故障特征数据中取出一个测试样本，应用KKC分类算法基于剩余样本对其进行类型判定，记录并输出错误分类信息；测试性指标估计通过一种统计方法在错误分类信息基础上估计被测系统在当前故障特征数据下的测试性指标，包括故障检测率、故障隔离率和虚警率。
【技术实现步骤摘要】
本专利技术涉及一种基于交叉验证的电子系统测试性定量分析方法，属于系统测试性工程
，具体为系统测试性分析技术。
技术介绍
测试性是反映系统发现故障并隔离、定位其故障能力的一种设计特性，是现代复杂系统提高其质量特性的重要途径和手段。当前工业界流行的测试性分析方法通常基于一种类似信号流的模型，如多信号流图模型、混合诊断模型等，它们根据一个测试-故障关联矩阵(D-矩阵)对测试性作出评价。目前，TEAMS、eXpress、TADS等主流测试性分析软件均采用了这类模型。然而，上述模型只考虑了测试能否将故障与正常状态进行区分，而未考虑不同故障之间的可区分问题，本质上仍属于定性分析方法，存在故障分辨率低、评价结果不准确等缺点。
技术实现思路
针对上述问题，本专利技术提供一种基于交叉验证的电子系统测试性定量分析方法，目的是提高电子系统测试性分析的准确性和定量化水平。本专利技术包括以下三个步骤：a)故障特征提取，收集被测系统在各种故障状态下的原始故障数据，再应用特征提取算法从中获取用于描述并区分不同故障状态的故障特征数据；b)交叉验证，依次从故障特征数据中取出一个测试样本，应用KKC(kernel density estimation on k-nearest neighbors classification，K-近邻上的核密度估计)分类算法基于剩余样本对其进行类型判定，记录并输出错误分类信息；c)测试性指标估计，通过一种统计方法在错误分类信息基础上估计被测系统在当前故障特征数据下的测试性指标。所述的原始故障数据是先通过故障仿真或实物故障注入来模仿被测系统的故障行为，然后在规定的测点处收集得到。其主要过程包括：故障的选取和注入、确定测试方案(包括激励、测点、信号采集方式等)、通过仿真或实际运行系统收集原始故障数据。所述的特征提取算法对原始故障数据进行进一步处理，从中提取有限维特征向量，每个向量实例构成一个训练样本，并由这些训练样本组成故障特征数据。故障特征提取的目的是减少原始故障数据中存在的冗余信息，以提高数据的利用效率和故障检测与隔离的效果。根
据不同的应用需求，可采用不同的故障特征，如系统的设计指标特征、频谱或小波信号特征、统计量特征等。所述的故障特征数据中的训练样本根据其各自所属的故障以及这些故障所属的可更换单元，被组织成一种多层次结构。该层次结构所包含的信息有利于后续KKC分类算法的实现。所述的可更换单元是在维修时可被更换的被测系统的组成单元，一个可更换单元可包含多种故障，每种故障均有一定的发生概率。默认情况下，假定不同故障的发生概率相等，若另有指定，则使用设置的概率值，这些概率值将在KKC分类算法中用于对初次分类结果进行加权，以使分类结果更接近实际情况。所述的KKC分类算法基于故障特征数据在测试样本的K-近邻上进行核密度估计和先验故障概率加权，然后给出该测试样本可能所属的可更换单元的相对概率。若该相对概率值为零，则其对应的可更换单元将被忽略。KKC分类算法将传统的K-近邻(k-nearest neighbors，KNNs)分类和核密度估计(kernel density estimation，KDE)分类算法相结合，在距离测试样本最近的K个训练样本上而不是在全体训练样本上进行非参数的概率密度估计，最终根据所得概率的大小确定分类结果。算法的具体步骤如下：步骤1：在各个特征维度上对故障特征数据进行归一化处理；步骤2：给定一个测试样本，在所有训练样本中按欧氏距离查找距测试样本最近的K个训练样本，即K-近邻；步骤3：对每个K-近邻，按下式计算其在测试样本处的权值： w = 1 2 π h exp ( - d 2 2 h 2 ) ]]>其中d为当前近邻到测试样本的欧氏距离，h为窗宽参数，其值等于近邻中距测试样本最远者的距离dmax除以一个缩放系数c，即h＝dmax/c，通常c取区间[3,5]上的实数值；步骤4：按每个K-近邻所属的故障类型对上述权值求和，再将求和后的权值乘以先验的故障发生概率，得到每个候选故障类型的概率权值；步骤5：按故障类型所属的可更换单元对上述故障类型的权值再求和，得到每个候选可更换单元的故障概率权值，归一化后按该权值的降序返回对应的候选可更换单元列表。所述的错误分类信息记录每个被错误分类的测试样本，及其对应的按相对概率降序排列的可更换单元列表的前L个非零项，其中L称为故障隔离水平参数，表示正确的故障分类结果被允许包含在数量最多为L的候选可更换单元中。在交叉验证过程中，测试样本是一个从故障特征数据中取出来的已知属于某个故障类型和可更换单元的训练样本，然后基于剩余样本对其进行分类，若分类结果与测试样本的隶属信息不一致，则收集相应的错误分类信息。具体步骤如下：步骤1：从故障特征数据训练样本中依次取出一个样本；步骤2：将取出的样本作为测试样本，以剩余样本作为训练样本，应用KKC分类算法对其进行分类，得到按降序排列的候选故障可更换单元列表；步骤3：若该可更换单元列表的前L个非零概率项都不包含测试样本实际所属的可更换单元，则创建一个错误分类项，记录当前测试样本及其对应的可更换单元列表的前L项(若可更换单元列表中非零概率项的总数小于L，则取该列表中的所有非零概率项)，并将其添加到错误分类信息中，直到遍历故障特征数据中每个训练样本。所述的测试性指标包括故障检测率(fault detection rate，FDR)、故障隔离率(fault isolation rate，FIR)和虚警率(false alarm rate，FAR)。它们的计算基于由交叉验证过程输出的错误分类信息，具体步骤如下：步骤1：对错误分类信息中的每个错误分类项，从中提取相应的测试样本和可更换单元列表(列表长度≤L)；步骤2：设N为训练样本总数，NN为正常样本总数，NF为故障样本总数(N＝NN+NF)，NFN表示被误判为正常状态的故障样本数，NFF表示某一故障被误判为其他故障的样本数，NNF表示被误判为任意故障类型的正常样本数，则：a)当测试样本来自任意可更换单元的任意故障类型，且可更换单元列表中只包含一项正常状态，则NFN++；b)当测试样本来自任意可更换单元的任意故障类型，且可更换单元列表中不包含测试样本原本所属的可更换单元，则NFF++；c)当测试样本来自正常状态，且可更换单元列表中不包含正常状态，则NNF++；返回步骤1，直到遍历每个错误分类项；步骤3：按以下公式计算测试性指标的估计值：a)故障检测率 F D R = ( 1 - N 本文档来自技高网...
【技术保护点】
一种基于交叉验证的电子系统测试性定量分析方法，其特征在于：通过该方法，可基于已有的故障数据对被测系统的测试性指标进行精确估计，具体包括以下三个步骤：a)故障特征提取(1)，收集被测系统在各种故障状态下的原始故障数据(101)，再应用特征提取算法(102)从中获取用于描述并区分不同故障状态的故障特征数据(103)；b)交叉验证(2)，依次从故障特征数据(103)中取出一个测试样本(201)，应用KKC分类算法(202)基于剩余样本对其进行类型判定，记录并输出错误分类信息(203)；c)测试性指标估计(3)，通过一种统计方法(301)在错误分类信息(203)基础上估计被测系统在当前故障特征数据(103)下的测试性指标(302)。
【技术特征摘要】
1.一种基于交叉验证的电子系统测试性定量分析方法，其特征在于：通过该方法，可基于已有的故障数据对被测系统的测试性指标进行精确估计，具体包括以下三个步骤：a)故障特征提取(1)，收集被测系统在各种故障状态下的原始故障数据(101)，再应用特征提取算法(102)从中获取用于描述并区分不同故障状态的故障特征数据(103)；b)交叉验证(2)，依次从故障特征数据(103)中取出一个测试样本(201)，应用KKC分类算法(202)基于剩余样本对其进行类型判定，记录并输出错误分类信息(203)；c)测试性指标估计(3)，通过一种统计方法(301)在错误分类信息(203)基础上估计被测系统在当前故障特征数据(103)下的测试性指标(302)。2.如权利要求书1所述的一种基于交叉验证的电子系统测试性定量分析方法，其特征在于：所述的原始故障数据(101)是先通过故障仿真或实物故障注入来模仿被测系统的故障行为，然后在规定的测点处收集得到。3.如权利要求书1所述的一种基于交叉验证的电子系统测试性定量分析方法，其特征在于：所述的特征提取算法(102)对原始故障数据(101)进行进一步处理，从中提取有限维特征向量，每个向量实例构成一个训练样本，并由这些训练样本组成故障特征数据(103)。4.如权利要求...
【专利技术属性】
技术研发人员：唐小峰，许爱强，刘勇，文天柱，
申请(专利权)人：中国人民解放军海军航空工程学院，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。