基于贝叶斯网络的测试性预计方法

维普资讯 http://www.cqvip.com ・　２３２　・　弹箭与制导学报　２００７矩　基于贝叶斯网络的测试性预计方法　徐　赫　，王宝龙。，武建辉。　（１驻２０３所军事代表室，西安　７１００６５；２解放军军械工程学院，石家庄０５０００３；　３　６３８７８部队，陕西华阴７１４２００）　摘要：测试性预计是以ＵＵＴ测试性指标作为主要研究对象的一项工作．其主要数学工具是概率论。而贝　叶斯网络是基于概率论和图论的不确定知识表示模型，在不确定知识和模型表示与推理中表现出卓越的性　能。所以可以将贝叶斯网络和测试性预计工作很容易地结合起来。基于贝叶斯网络的测试性预计方法．不但　可信度高、建模方便．而且可以很方便地集成到测试、诊断的信息框架内，与其他智能诊断模型进行信息交互。　该方法体现了“并行设计”思想，适用于ＵＵＴ的全寿命周期维护。　关键词：测试性预计；贝叶斯网络；信息框架；并行设计　中图分类号：ＴＰ２０２　文献标志码：Ａ　Ｔｅｓｔａｂｉｌｉｔｙ　Ｐｒｅｄｉｃｔｉｏｎ　Ｍｅｔｈｏｄ　Ｂａｓｅ　ｏｎ　Ｂａｙｅｓｉａｎ　Ｎｅｔｗｏｒｋｓ　ＸＵ　Ｈｅ　，ＷＡＮＧ　Ｂａｏ—ｌｏｎｇ　，ＷＵ　Ｊ　Ｊａｎ—ｈｕｉ。　（１　Ｍｉｌｉｔａｒｙ　ＲｅＤｒｅｓｅｎｔａｔｉｏｎ（）ｆｆｉｃｅ　ｉｎ　Ｎｏ．２０３　Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ．Ｘｉ’ａｎ　７１００６５，Ｃｈｉｎａ；　２（）ｒｄｎａｎｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ　ｏｆ　ＰＩ　Ａ．Ｓｈｉｊｉａｚｈｕａｎｇ　０５０００３．Ｃｈｉｎａ；　３　Ｎｏ．６３８７８　Ｕｎｉｔ，Ｓｈａａｎｘｉ　Ｈｕａｙｉｎ　７１４２００．Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：　ｔｅｓｔａｂｉｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ　ｉｓ　ａ　ｐｒｏｊｅｃｔ　ｔａｋｉｎｇ　ｔｅｓｔａｂｉｌｉｔｙ　ｍｅｔｒｉｃｓ　ｏｆ　ＵＵＴ　ａｓ　ｓｕｂｊｅｃｔ　ｉｎｖｅｓｔｉｇａｔｅｄ．Ｔｈｅ　ｐｒｉｍａｒｙ　ｍａｔｈ—　ｅｍａｔｉｃ　ｔｏｏｌ　ｏｆ　ｔｅｓｔａｂｉｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ　ｉｓ　ｐｒｏｂａｂｉｌｉｔｙ　ｔｈｅｏｒｙ．Ａｎｄ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋｓ　ａｒｅ　ｍｏｄｅｌ　ｒｅｐｒｅｓｅｎｔｉｎｇ　ｕｎｃｅｒｔａｉｎｔｙ　ｋｎｏｗｌｅｄｇｅ　ｂａｓｅｄ　ｐｒｏｂａｂｉｌｉｔｙ　ｔｈｅｏｒｙ　ａｎｄ　ｇｒａｐｈ　ｔｈｅｏｒｙ，ｗｈｉｃｈ　ｈａｓ　ｅｘｈｉｂｉｔｅｄ　ｄｉｓｔｉｎｇｕｉｓｈｅｄ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｎ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ａｎｄ　ｒｅａｓｏｎｉｎｇ　ｏｆ　ｕｎｃｅｒｔａｉｎｔｙ　ｋｎｏｗｌｅｄｇｅ　ａｎｄ　ｇｒａｐｈ　ｍｏｄｅｌ　ｄｏｍａｉｎ．Ｓｏ　ｗｅ　ｃｏｍｂｉｎｅ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋｓ　ａｎｄ　ｔｅｓｔａｂｉｌｉｔｙ　ｐｒｅ　ｄｉｃｔｉｏｎ　ｐｒｏｊｅｃｔ　ｔｏｇｅｔｈｅｒ．　Ｉ＇ｈｅ　ｔｅｓｔａｂｉｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅ　ｏｎ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋｓ　ｉｓ　ｎｏｔ　ｏｎｌｙ　ｍｏｄｅｌｅｄ　ｃｏｎｖｅｎｉｅｎｔｌｙ・　ａｎｄ　ｉｓ　ａｂｌｅ　ｔＯ　ｂｅ　ｉｎｔｅｇｒａｔｅｄ　ｉｎｔｏ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒａｍｅｗｏｒｋ　ｏｆ　ｔｅｓｔａｂｉｌｉｔｙ　ａｎｄ　ｄｉａｇｎｏｓｉｓ．Ｉｔ　ｍａｋｅｓ　ｔｈａｔ　ｐｒｅｄｉｃｔｉｖｅ　ｒｅｓｕｌｔ　ｆｒｏｍ　Ｂａｙｅｓｉａｎ　ｍｅｔｈｏｄ　ｉｓ　ｍｏｒｅ　ｂｅｌｉｅｖａｂｌｅ．Ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒａｍｅｗｏｒｋ　ｍａｋｅｓ　ｔｅｓｔａｂｉｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｊｅｃｔ　ｅａｓｙ　ｔＯ　ｅｘｃｈａｎｇｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｗｉｔｈ　ｏｔｈｅｒ　ｐｒｏｊｅｃｔｓ　ｓｕｃｈ　ａｓ　ｔｅｓｔａｂｉｌｉｔｙ　ａｌｌｏｃａｔｉｏｎ　ｐｒｏｊｅｃｔ．ｔｅｓｔａｂｉｌｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｐｒｏｊｅｃｔ．ｒｅｌｉａｂｉｌｉｔｙ　ｅｎｇｉｎｅｅｒ—　ｉｎｇ　ａｎｄ　ＳＯ　ｏｎ．Ｔｈｅ　ｍｅｔｈｏｄ　ｅｍｂｏｄｉｅｓ　ｔｈｅ　ｔｈｏｕｇｈｔ　ｏｆ　ｃｏｎｃｕｒｒｅｎｔ　ｄｅｓｉｇｎ．Ｉｔ　ｈａｓ　ｂｅｅｎ　ｐｒｏｖｅｄ　ｔＯ　ｓｕｉｔ　ｔＯ　ｌｉｆｅ－ｃｙｃｌｅ　ｈｅａｌｔｈ　ｍａｎａｇｅｍｅｎｔ　ｏｆ　ＵＵＴ．　Ｋｅｙ　ｗｏｒｄｓ：ｔｅｓｔａｂｉｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ；Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋｓ；ｉｎｆｏｒｍａｔｉｏｎ　ｆｒａｍｅｗｏｒｋ；ｃｏｎｃｕｒｒｅｎｔ　ｄｅｓｉｇｎ　基于ＣＡＤ的ＵＵＴ中是难以实现的－Ｊ　。另外，　ｌ　引言　传统的预计模型已经不能准确反映实际情况，预　测试性预计是根据设备测试性设计资料，通　计结果可信度不高。如果测试性设计的缺陷直　过工程分析和计算来估计设备测试性参数（如故　到设备定型时才发现，那么设备的设计就是失败　障检测率、故障隔离率、故障虚警率等），以便了　的，而重新进行设计或修改设计方案，势必会大　解设备设计满足设计任务书的程度，它是评价和　大增加研制费用，延长研制周期，产生严重的负　确认测试性设计工作的重要依据。　面影响。因此，研究适用于现代ＵＵＴ的测试性　传统的测试性预计方法要求建立设备可能　预计方法就显得极其重要。　存在的每个故障类的“故障特征”，由于故障描述　通过对现代ＵＵＴ的特性进行研究发现，在　的难度以及存在海量的数据运算与推理，所以在　测试性预计中，很多情况下都利用了测试性框图　＊收稿日期：２００６—１０—２６；　修回日期：２００７—０ｌ一２６　作者简介：徐赫（１９８ｌ一）．男，陕西西安人．学士，研究方向：可靠性、维修性和测试性工程。　维普资讯 http://www.cqvip.com 第２７卷第４期　基于贝叶斯网络的测试性预计方法　徐赫等　・　２３３　・　的分析和计算。测试性框图可以用有向图进行　表示，作为有向图和概率论的结合体，贝叶斯网　络自然可以应用到测试性预计工作中，发挥其特　有的优点和作用。　２测试性预计的流程　测试性预计工作主要是在ＵＵＴ详细设计　阶段进行的。在此阶段测试方案已定，ＢＩＴ工作　模式、故障检测与隔离方法等也已经确定，考虑　了测试点的设置和防止虚警措施，进行ＢＩＴ软、　硬件设计和对外接口设计。需要估计这些设计　是否可达到规定的设计指标，以便采取必要的措　施进行改进。　测试性预计包括ＢＩ＇Ｉ、测试性预计和“ＭＣＭ　－＋ＳＲＵ－＊ＬＲＵ一系统”Ｌ２　测试性预计。预计后　应写出系统ＢＩＴ和测试性预计报告。ＵＵＴ测　试性预计的一般过程为：　１）明确ＵＵＴ测试性结构的定义，包括系统　功能、系统任务、系统结构组成等；　２）明确ＵＵＴ工作的条件，制定故障诊断策　略，分析诊断的流程和算法；　３）分析测试技术、软件、硬件和测试费用等；　４）画出测试性框图，建立ＵＵＴ的系统测试　性数学模型；　ｊ）统计故障率和故障检测方法；　６）预计各组成单元的测试性　，给出不能　检测出的故障模式；　７）按照系统测试性框图模型逐层向上预计　测试性指标Ｔ　；　８）生成测试性预计报告，给出结论和建议。　３　贝叶斯网络的数学描述　一个贝叶斯网络是一个有向无环图　（ｄｉｒｅｃｔｅｄ　ａｃｙｃｌｉｃ　ｇｒａｐｈ，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，用单线箭头“一”表示。　一个简单的贝叶斯网络示例　如图ｌ所示。　基于图论思想。可以用符号ＢＮ（Ｖ，Ｅ，Ｐ）表　示一个贝叶斯网络，ＢＮ（Ｖ．Ｅ。Ｐ）由以下三部分　构成：　１）节点集　。节点代表随机变量。节点变量　可以是任何问题的抽象，如部件、测试结果、故障　现象等。　２）有向边集Ｅ。节　点间的有向边代表节点　间的相互关联关系，表　达了一种因果关系。贝　叶斯网络规定图中的每　个节点　条件独立于由　的父节点给定的非　图１　贝叶斯网络　后代节点构成的任何节　结构示例　点子集。也就是说，如果用Ａ（Ｖ　）表示非　后代　节点构成的任何节点子集，用Ⅱ（Ｖ　）表示　的　直接双亲节点，则Ｊ（　ｊ　Ａ（　），Ｉ－Ｉ（Ｖ　））的意义　为：　Ｐｒ（Ｖ　ｌ　Ａ（Ｖ　），Ⅱ（Ｖ　））一Ｐｒ（Ｖ　ｌⅡ（　））　（１）　３）权矩阵Ｐ等价于与每个节点相关的条件　概率（ＣＰＴ）表，每一个节点　都有一个条件概　率集合。条件概率表可以用Ｐｒ（Ｖ　｛Ⅱ（　））描　述，它表达了节点同其父节点的相关关系一条　件概率。没有任何父节点的节点条件概率为其先　验概率。在贝叶斯网络中，没有任何导入箭头的节　点叫做根节点，它们有与之相联系而直接给出的　先验概率分布。对于非根节点，又称之为叶节点。　４　基于贝叶斯网络的测试性预计　４．１　使用条件　基于贝叶斯网络的测试性预计是对概率论　方法的改进，是建立和求解“故障一测试”贝叶　斯网络模型的过程。典型的“故障一测试”贝叶　斯网络模型结构如图２所示Ｌ４］。　图２中的　故障　“故障一测试”　贝叶斯网络模型　测ｉ式　可以用五元有向　图Ｆ＇Ｉ、ＢＮ（Ｃ．丁，　观测值　ｕ（７、），Ｅ，Ｐ）表　图２　“故障一测试”贝叶　示。将变量集　斯网络模型结构　划分为三个子　集Ｃ，，，和ｏ（７、），分别对应部件故障集、测试集和　观测值集合。其中：　ｒＣ　ｎ丁＝　——　（２）　ｉ　Ｃ　Ｕ丁一Ｖ　Ｎ　０（了、）　／Ｃ　一０部件ｉ未发生故障　ｊ　ｃ　：ｌ部件　发生故障　‘３　维普资讯 http://www.cqvip.com ・２３４・　弹箭与制导学报　２００７正　ｆ　一０测试输出为无故障　１了ｊ　－一１　测试输出为有故障　Ｉ…　　４，　ＥＰｆＪＤ：ｌＯＯ　×ｆＬ－∑ｐｒ　ｏｂａｂｉｌｉｔｙ＿ｏｆ＿　ｖ６．∈ｉｓｌｄ　ｄｉａｇｎｏｓｉｓ（Ｄ　，ｓｌｄ）Ｉ　Ｊ　该方法适用于在故障检测事件独立和测试　（８）　独立的情况下进行测试性预计。　欲建立“故障一测试”贝叶斯网络模型，需　要已知以下信息：　其中：Ｄ　对应ｉｓｌｄ中的第ｉ个诊断；ｉｓｌｄ对应函数　ｓｉｇｌｅｌｅｖｅｌｄｅｔｅｃｔｉｏｎｔ　ｉｄｓ，ｌｖ１）的返回值，即幻ｚ　——级中ｉｄｓ的精简诊断集；ｉｄｓ对应函数　ｉｍｐｌｉｃａｔｅｄｄｉａｇｎｏｓｉｓ——１）测试列表和其可能的输出结果；　２）考虑的电子装备全面故障类列表（最好不　ｓｅｔ（ｍｄｌ，ｌｖ１）的返回值，即　诊断模型ｍｄｌ在ｌｖｌ级下包含的所有和测试错误　相交）及故障率；　３）每一故障导致各测试输出的百分数；　４）诊断输出结果与可能的测试输出结果！，ｊ。　关系——判断逻辑。　４．２　贝叶斯建模　设Ｐｒ（Ｖ）为变量的联合概率，则有：　Ｐｒ（Ｖ）一ＩＩＰｒ（Ｖ　｝Ｐａ（Ｖ　））　（５）　÷　在故障检测事件独立和测试独立假设成立　的情况下，对于Ｃ中任意两个不同变量Ｃ，，Ｃ，有：　Ｐｒ（Ｃ　Ｊ　Ｃ，）一Ｐｒ（Ｃ，）　ｉ≠　同样，对于了、中任意两个不同变量　．了　有：　Ｐｒ（７、　了－）一Ｐｒ（７’　）　ｉ≠．　对于７　∈　其测试结果为ｋ的概率　Ｐｒ（ｏｔ　ｒ』　）一ｋ）可以通过式（６）计算。　Ｐｒ（ｆＪ（　一是）一　Ｐｒ（（】（　）一ｋ，　ｎｒ　Ｐ（Ｉ　ｔ　））　一　Ｐｒ（ｔｏｔ　７　）　一　是）　ｉ　Ｐａｔ　））ＰｔＰａｔ了√））ｔ　６）　Ｖ＼丁　表示除ｌ　外所有变量构成的集合。　为了得到测试性指标ｔ故障检测率、故障隔离　率和故障虚警率等）的预计值，必须计算在部件Ｇ　发生故障的情况下，Ｇ对应的检测判据‘，　（或隔离　判据ｊ　）正确或错误输出的概率值．即Ｐｒ（Ｊ，Ｉ　Ｇ）。　假发．，　为二值判据，对应与（　相关的测试结果　ｏ（　）的逻辑组合，它的取值范围为：　Ｊｆ　０　正确输出　一，｛１　错误输出　‘７　为了便于信息集成，这里以ＩＥＥＥ　Ｓｔｄ　１５２２ＴＭ　一２００４中给出的测试性参数计算模型为基础，给出　采用贝叶斯理论进行故障检测率和故障隔离率预　汁的数学模型。　４．２．１　故障检测率　故障检测率ＥＰｏｆ）（ｅｘｐｅｔｅｄ　ｐｅｒｃｅｍａｇｅ　ｏｆ　ｄｅｔｅｃｔｉｏｎ）的数学模型为：　１＝ｌＩ关的诊断的集合；ｓｌｄ　对应函数　ｓｉｇｌｅ—ｌｅｖｅｌ—ｄｅｔｅｃｔｉｏｎ（ｄｓ，　）的返回值，即Ｉｖｌ级　中　的精简诊断集；ｄｓ对应函数　ｄｉａｇｎｏｓｉｓ—ｓｅｔ（ｍｄｌ，ｌｖ１），即诊断模型ｍｄｌ在ｌｖｌ　级下包含的所有诊断的集合；ｍｄｌ对应将要计算　指标的诊断模型；ｌｖｌ对应将要计算故障的诊断　模型的级别。可以将上述模型更直观地表现为：　ＥＰ。Ｄ（ｍｄｌ　）一　一　（　ｍ　ｄｌ　ｌｖ　，Ｚ）……。　　㈩…　　式中：　。对应被检测出的诊断模式的总诊断率；　对应所有诊断模式的总诊断率；　对应第　个被　检测出的诊断模式的诊断率。　基于贝叶斯理论，单诊断模式Ｄ　（或Ｃ　）的　故障检测率可以表示如下：　ＥＰｏＤ　一Ｐｒ（　—ｌ　ｆ　Ｃｉ一１）一　Ｐ　ｒ（Ｃ．一１）　×…ｌＯＯ　…　（１０）　式（１Ｏ）与式（９）的分子、分母分别相互对应，保　持了很好的一致性。这样故障检测率预计的数学　模型就可以用式（１１）表示：　ＥＰｏＤ（ｍｄｌ，ｌｖ１）一∑　：　×１００％　（１１）　４．２．２　故障隔离率　在计算故障隔离率时，首先将ｕｕＴ划分为　多个相互独立的故障隔离模糊组。每个故障隔离　模糊组包含有　个诊断变量。这样故障隔离率　ＣＥＰｏＩ（ｃｕｍｕｌａｔｉｖｅ　ｅｘｐｅｃｔｅｄ　ｐｅｒｃｅｎｔａｇｅ　ｏｆ　ｉｓｏｌａｔｉｏｎ）的数学模型可以表示为：　ＣＥＰｆＪＪ（ｍｄｌ，／ｖｌ，”）一ｌＯＯ　×　ＰｏＪ（ｍｄｌ，　ｌｖｌ，　）一１００％×∑∑Ｐ（ＤＪ）　（１２）　维普资讯 http://www.cqvip.com 第２７卷第４期　基于贝叶斯网络的测试性预计方法徐赫等　・　２３５　・　其中：ＡＣ－，对应联合ＵＮＩＯＮ（ＲＤ，）；ＲＤ，对应函数　ｃｏｎｖｅｒｔ—ｒｅｐａｉｒ＿ｔｏ＿ｄｉａｇ＿ａｍｂｉｇｕｉｔｙ（ｍｄｌ，幻Ｚ，ＲＡＧ　）　的返回值，即在诊断模型ｍｄｌ在Ｉｖｌ级下由ＲＡＧ，　转换的诊断模糊组的集合；ＲＡＧ，对应函数　ｇｅｔ—ｓｉｚｅ—ｎ—ａｍｂｉｇ—ｇｒｏｕｐ（ｍｄｌ，ｌｖｌ，ｉ）的返回值，　即在诊断模型ｒｎｄｌ在ｌｖｌ级下含有　个修理项目　的模糊组的集合；Ｄ．对应ＡＧ　中的第Ｊ个诊断；　Ｐ（ＤＪ）对应诊断率函数ｐｒｏｂａｂｉｌｉｔｙ—ｏｆ＿ｄｉａｇｎｏｓｉｓ　（Ｄ　，ｉｓｌｄ）　对应修理项目的具体数目。　可以将上述模型更直观地表现为：　∑∑ａＤ，　ＣＥＰ　（川　，　州）一　×１００％　（１３）　式中，　ｏ对应隔离的模糊组ＡＧ　中的第Ｊ个被隔　离的诊断模式的诊断率。　基于贝叶斯理论，诊断模糊组ＡＧ　的故障隔　离率可以表示：　ＩＥＰｏＩ（ｍｄｌ，幻Ｚ，　）一　∑Ｐｒ（Ｌ　一ｌ，ＡＧ　一１）　∑Ｐｒ（Ｄ＾“×ｌ００　一　¨ＡＧ．一１）　，　∑Ｐｒ（Ｌ，一１．Ａ（　一１）　！！　！竺　（１４）　Ｄ（ｍｄｌ。Ｚ　Ｚ）　Ｘ　ｌ００　故障隔离率预计的数学模型就可以用式　（１５　Ｊ表示：　ＣＥＰｏＩ（ｍｄ１．ｈｄ＇，Ｉ）＝：＝∑　ＰｏＪ　×ｌｏｏ％（１５）　ｆ　Ｉ　平均故障隔离模糊组的大小可以表示为：　ＥＡＧＳ（ｒｎｄｌ，幻ｚ）一　×厄Ｐ０Ｊ（ｍｄｌ，ｌｖｌ，　）　ｉ—ｌ　４．３　举例说明　某ｍｄｌ在　级包含四个故障类和三个测　试，假设各故障类的诊断率均为　，故障和测试之　间的对应关系如图３所示。　对集合Ｃ　Ｕ了、　内的所有节点都　赋值为ｌ，Ｃ一了’　的条件概率表Ｐ　可以用矩阵表示　为：　图３　故障、测试对应关系　Ｐ—ｒ　ｉ　；：　１　。Ｄ　一　。　一　ＥＰ　Ｄ（。　０　ｍｄｌ　ｌ，，　　ｖｌ　）一）一・・Ｅ　２￣ｉ　Ｘ　ＥＰＯＤｉ　Ｘ　１００％一　％一　ｌ　ｌ　Ｃｌ一１）一０．８５５０　Ｐｒ（Ｌ３一ｌ　ｌ　Ｃ３　Ｕ　Ｃ　一１）一Ｐｒ（Ｔａ—　ｌ　ｌ　Ｇ　Ｕ　Ｃ４一１）一　Ｐ　ｒ（Ｃ　　．Ｕ　Ｃ４　＝　）１　　≈　。　一０．９２５　ＪＥＰｏＪ（ｍｄ１．Ｚｔ　Ｚ．１）一　∑Ｐｒ（Ｌ　一ｌ，ＡＧ１一１）　！　１　一　Ｐｒ（ＡＧ，一１）　∑Ｐｒ（Ｌ　＝ｌ，ＡＧ１：：＝１）　ＶＤｊ∈　一Ｄ（ｍｄｌ，幻Ｚ）　０．４５１２　ＪＥＰｏＩ（ｍｄｌ，ｌｖｌ，２）一　ＶＤｊ∈ＡＧｉ∑　Ｐｒ（Ｌ　一ｌ，ＡＧ　：１）　Ｐｒ（ＡＧ，一１）　∑Ｐｒ（Ｌ，一ｌ，ＡＧ　２＝１）　ＶＤｊ∈ＡＧｉ　—Ｄ（ｍｄｌ，ｌｖ１）　０．４６２５　（下转第２３９页）　维普资讯 http://www.cqvip.com 第２７卷第４期　航空导弹通用化显控台设计与工程实现　滕克难　・２３９・　处理分配系统内，实现信息流的高效管理；③具　有“热”备份功能，系统具有高可靠性｝④可实现　多通道舰载雷达及其他信息源接收并处理；⑤显　示一级和二级雷达信息及其他信息；⑥在扫描区　内对目标航迹进行自动和半自动跟踪；⑦向舰空　５　结论　在局域网（Ｆａｓｔ　Ｅｔｈｅｒｎｅｔ）支持下，文中提出　的通用化显控台可以用于舰空导弹武器系统的　操纵控制、信息处理和显示，并在加固计算机基　本硬件系统的基础上，增加必要的专用模板，就　导弹系统提供跟踪目标的实时坐标和运动参数。　可用于其它舰上各种武器系统的显示控制。　考虑到双机系统要完成的任务，研制了具有　参考文献：　双机备份功能的系统控制程序软件，可以保证接　［１］胡华平．等．考虑切换的强实时双机系统的可靠性　收、处理．并显示来自于各种不同信息源的雷达　研究与实现［Ｊ］．计算机学报．１９９９．２２（１Ｏ）：１０８０　信息。　—１０８４．　［２］汪喜麟．舰载Ｃ　Ｉ系统中工作站的现状与发展趋　向［ｏＬ］．ｈｔｔｐ：／／ｗｗｗ．ｍｉｌ—ｂｏｏｋｓ．ｅｏｍ　（上接第２３５页）　（　Ｐ０Ｊ（　Ｚ．／ｖｌ。２）＝（Ｏ．４５１２＋０．４６２５）一　６　结论　Ｏ．９ｌ３７　基于“故障一测试”贝叶斯网络模型的测试　ＥＡＧＳ（ｍｄｌ，ｌｖ１）一∑　×Ｉ性预计方法从多维故障空间对电子设备进行分　ｉ＝ｌ　ＥＰｏｌ（ｍｄｌ，ｌｖｌ，　）一１．３７６２　析，可以有效地描述电子设备的故障、测试关系。　基于贝叶斯理论得到的测试性预计结果可信度　高．可以方便地注入可靠性、维修性、可用性分析　５　特殊情况下的解决方案　数据库中，即贝叶斯网络的测试性预计方法体现　在测试独立假设不成立的情况下，可以采用　了给予信息模型的集成诊断思想。该方法支持　区间贝叶斯网络（ＩＢＮ）和贪婪算法相结合嘲进　“并行设计”，代表了测试性预计工程未来发展的　行分析。　方向。　对于上面给出的例子。设有向闭区间Ｊ。，Ｊ。，　参考文献：　．Ｊ　和闭区间　。，　。，　，　，其中：　［１］　田仲．石君友．系统测试性设计分析与验证［Ｍ］．　／．．一４　　∈ｌｉ。ｆ　∈ｖｔ　北京：北京航空航天大学出版社．２００３．　，Ｚ　｜贪婪背包算法从四个不同集合中取物质向　［２］ＲＡＳＳＰ　Ｄｅｓｉｇｎ　ｆｏｒ　Ｔｅｓｔａｂｉｌｉｔｙ（ＤＦＴ）Ｍｅｔｈｏｄｏｌｏ—　ｇＹ．Ｖｅｒｓｉｏｎ　１．Ｏ［ｚ］．Ｓｅｐｔ．１５．１９９５．　单位权重的背包重填充。假设从第　个集合中取　［３］李俭川．贝叶斯网络故障诊断与维修决策方法及应　出的物质值为Ｗ　，权重限制在Ｊ　中。首先把Ｗ．按　用研究［Ｄ］．长沙：国防科技大学研究生院．２００２．　一定顺序排列，然后尽量多的把当前集合中的物　［４］　Ｍａｒｋ　Ａ　Ｋａｕｆｍａｎ．Ｊｏｈｎ　Ｗ　Ｓｈｅｐｐａｒｄ．Ｐｈ　Ｄ．　质放入背包中。其中，已经安排的权重必须不大　Ｂａｙｅｓｉａｎ　Ｍｏｄｅｌｉｎｇ：Ａｎ　ａｍｅｎｄｍｅｎｔ　ｔＯ　ｔｈｅ　ＡＩ—ＥＳ．　于（小于）余下取权重的区间下界（上界）的和，　ＴＡＴＥ　Ｓｔａｎｄａｒｄ［Ａ］．ＡＵＴ（）ＴＥＳＴＣ（）Ｎ　２００５　Ｃｏｎ—　这就保证了后面计算中的权重还能够取得。最终　ｆｅｒｅｎｅｅ　Ｒｅｃｏｒｄ．ＩＥＥＥ　Ｐｒｅｓｓ［Ｃ］．Ｓｅｐｔ．２００５．　得到的目标界限值就是测试性预计的结果。　［５］谢斌．贝叶斯网络在可靠性分析中的应用［Ｄ］．西　安：西安交通大学．２００１．