文摘
故障传播的影响被忽略失败样本选择基于传统可测试性演示实验方法。传统的故障样本的选择通常导致遗漏一些失败在选择和使用这种现象可能会导致一些可怕的风险,因为这些失败将导致严重的传播失败。本文提出了一种新的故障样本选择方法来解决这个问题。首先,该方法使用一个有向图和蚁群优化(ACO)获得后续故障传播组(sfp)基于故障传播模型,然后提出一种新的故障样本选择方法的基础上,sfp的数量。与传统的抽样计划相比,该方法能够提高检测故障样本的覆盖,增加诊断的能力,减少使用的风险。
1。介绍
在工业生产的过程中电气系统和设备,可测试性起着至关重要的作用在大型电气设备的可靠性改进1]。正如我们所知,具有良好的可测试性的系统和设备可以快速检测和隔离故障,减少维修时间,提高系统的可用性。因此,可测试性被许多研究者更多的关注。
可测试性是指测试故障诊断的能力,故障预测、故障隔离。众多的模型和方法已经开发诊断、预测和防止故障或故障。1983年,黄等人介绍了一种新的诊断K-node故障诊断的概念(2]。他们指出,可测试性是只有依靠电路的结构与元素的值。在[3Maeda)等人讨论了非线性系统的可测试性和分辨率的因素分析和图论。杨et al。4)提出了复数域上的斜坡故障模式;该方法可用于线性或非线性模拟电路的诊断。在[5公差条件下),一种新的故障诊断方法提出了用模糊数学方法来检测故障。为了检测和隔离故障组件和预测剩余的有用的模拟电路的性能,Vasan et al。6提议使用一个内核方法和粒子滤波的方法诊断和预后,分别。
可测试性设计的一个重要阶段是可测试性演示实验。这是测试的能力通过注入一些故障检测和隔离故障(1]。随着注入样品测试失败,这些失败样本是随机选择或选择取决于传统方法最大的失效概率。然而,按照传统的可测试性演示实验方法在系统故障传播模式忽视,这通常会导致严重的错误遗漏故障样本的选择。换句话说,如果传播失败是由于一些失败率很低,这意味着这些失败不能选择在传统的可测试性演示实验,因为他们较低的故障率。当他们的失败发生在一个系统,他们将蔓延到其他组件和造成巨大的缺点。这种现象可能是一个严重的问题。也就是说,如果我们不考虑传播失败,这些低故障率的缺点导致传播错误可能会错过。这意味着建立测试失败设置不完整,无法正确检测和隔离故障。为了解决这个问题,许多相关研究开发(7- - - - - -9]。文献[7)提出了一个方法来分析航空发动机的故障传播具有小世界网络的系统理论。李等人利用模糊Petri网模型来描述故障传播概率,然后介绍了基于传播强度的样本选择方法(8]。这种方法可以更好的故障覆盖率。
我们的工作是采用故障传播概率推断故障传播的强度,然后优化最大概率故障传播路径使用蚁群优化(ACO)根据故障传播的强度。最后,后续故障传播集(sfp)构建并提出了一种新的故障样本选择计划。该方法可以有效地减少漏报的风险传播失败,提高故障诊断的准确性。
材料在这个工作安排如下。节2,简要介绍故障传播建模和蚁群优化的原则。此外,提出了一种新的故障样本选择优化方法。节3,使用一个案例研究来验证我们的方法的故障诊断效果通过比较传统的故障样本的选择。最后,简短的结论提出了部分4。
2。方法
该方法包括三个主要阶段:()故障样本选择计划设计和分析的基础上,故障传播模型;()路径优化算法;和()样本选择优化基于后续传播失败。优化的程序框图的电气系统图所示1。一次抽样计划被证实,失败样本将被分配到不同的模块。为了检测和识别故障传播正确,避免遗漏故障、故障传播应该考虑。通过采用蚁群优化算法,最大概率传播路径搜索。然后提出了一种新的故障样本选择根据边缘强度的这条路。的部分,基础提供了可测试性演示实验的过程和路径如下。
2.1。失败的建模和分析传播
2.1.1。阶段1:失败样本选择的建筑计划
可测试性演示实验之前,我们需要提取足够的故障样本通过使用随机抽样。假设,在一个可测试性演示实验,样本是独立测试和选择测试导致失败。一个正整数是监管作为阈值;如果,实验被认为是标准。否则,它被认为是不合格的。图2显示了传统的故障样本选择的流程计划。因此,该计划的主要目的是确定的价值和。
可测试性演示实验,我们假定它与二项分布的要求。假设每个测试的成功的概率后,独立的测试。的概率失败可以表示为 在哪里是组合的数字。它代表了所有的数量组合,每个组合是一个无序的集合不同的元素。而这些不同的元素是来自组成元素。据我们所知,对于一个成功的可测试性演示实验,测试失败的数量应该小于或等于阈值。因此,失败的概率成功的可测试性演示实验的概率之和等于失败测试。是由以下表达式
供应商与客户之间的协商,设计值确定的故障检测率(罗斯福)。设计值为一个测试成功的概率。罗斯福的最低可接受值。当,我们认为测试达到了设计标准。供应商的风险最低接受的概率,表示为一个实验成功的供应商。使用的风险这是实验失败的概率最大。在这种情况下,我们可以用公式(3)确定的值和。 当这个计划被证实,样品将被分配到不同的模块在系统中根据分层设计模式和比例。然后,通过提取一组注射失败是建立在每个模块失效模式。我们都知道,我们应该获得失效模式,这些失效模式的数量小于系统失效模式的总数。为了保证注射失败设置有较大的覆盖率,分层分布故障样本大小。其公式所示 在哪里表示样本分配模块的数量,分配的重量吗th模块,失效模式的数量吗th模块和它显示设备的复杂性,的操作时间系数th模块和它等于操作时间和工作生活,的比例代表平均故障间隔时间的模块。因此,失败率在吗th模块在失败表示单位时间。
2.1.2。阶段2:故障传播模型
在本节中,故障传播模型将建基于传播概率使用有向图(DG)的故障传播和邻接矩阵。在图论中,DG是图,这是一组由直接连接的节点的边缘。它可以用来描述组件之间的故障传播关系的电气系统节点和边缘。在正式的术语中,有向图表示一个函数如图3。在图中,表示节点(组件);表达一组失败包括5等失效模式;是一组定向边缘之间的关系可以清楚地描述链接和任何两个电路组件或模块或强度的故障传播的能力。
这些故障传播的强度和节点之间的关系(组件)可能是异构的。假设系统有节点,我们引入邻接矩阵描述之间的链接关系和主对角线上的所有零组件和非对角元素。它给出如下: 在哪里节点之间直接重量是和节点的概率,为,为,。
从节点的存在优势到节点是由概率决定的吗这是独立于其他边缘。概率是 在哪里失败的是模糊集的隶属度,指示信号,各种失败的症状代表的概率th。的概率收集到的概率矩阵吗。
2.1.3。第三阶段:分析失败的传播
当故障发生在某个节点的电路系统,故障传播其邻居节点和连接可能会导致这些邻居节点的失败。直接链接节点之间重量,强度故障传播表明,强度越大的优势,更大的边缘发生了故障传播的可能性。这意味着传播失败可能会导致更大的级联故障的可能性与其邻居节点连接强度更大的优势。
为了描述故障传播的强度,强度给出的公式如下: 在哪里是crossing-clustering系数。故障传播概率的重量,节点度的重量,从节点传播概率是吗到节点在th传播步骤中,代表后后续节点集传播步骤,表示节点的节点在。节点度与节点相关联的边的数量。
为了方便比较彼此之间的强度,也为了简化计算,分数的是最合适的方法来比较这些在我们的工作强度,因为分数表明基准与有符号数高于或低于平均值。它被定义为 在哪里的期望值和标准偏差的人口吗。
例如,我们知道强度图的边缘3。他们的分数计算利用(8)和(9)如表所示1。我们把作为一个例子;根据DG的结构,我们可以看到,有两个传播边缘题,边()和边缘()。很明显,边缘的强度(1.3908)()大于边缘的强度(−0.9934)()。因此,很容易确定故障导致失败边缘传播()与边缘的可能性大于()。
根据上述分析,故障传播路径上发生故障传播的最大强度。如图3,粗线的传播路径和最大强度。
2.2。路径优化算法
一般来说,超大规模集成(VLSI)的结构非常复杂,难以分析故障传播通过手工工作。因此,使用智能算法。为了获得最大概率故障传播路径,采用路径。
提出的算法是m .民宿1991年在他的博士论文,旨在解决旅行推销员问题基于蚂蚁的行动,目标是找到最短的双向链接的一系列城市(10]。关于这种技术的更多细节可以在[10]。ACO具有较强的鲁棒性和适用于并行实现(11]。因此,我们用ACO搜索最大概率故障传播路径。
最大的数学模型在电路故障传播路径概率可以表示如下: 在给定的时间,蚂蚁利用节点之间的信息素沉积搜索后续路径节点。对蚂蚁,的概率选择下一个路径 在哪里等于故障传播的强度从节点到节点,是信息素沉积为从节点的数量到节点,参数控制的影响吗和分别为,是组节点和节点连接吗。
信息素的更新 在哪里表示信息素挥发系数;信息素的初始化;信息素的数量;是蚂蚁的数量;和是蚂蚁的信息素。
2.3。样本选择优化基于后续传播失败
在可测试性演示实验中,对被测部件(UUT),有一个可替换的单元(,可更换的数量单位),由失效模式。采用分层抽样的分配规则,失效模式被分配到可更换单元。因此,我们需要考虑选择从总合适的失效模式失败模式建立样本集。正如上面讨论的,我们还需要考虑到故障传播的影响。这里,后续故障传播集(sfp)是利用优化故障样本集。sfp被定义为一组失效模式发生在故障传播路径和它表明故障传播的范围。
我们假设故障模式集的可更换单元是,基于sfp失败样本选择的优化步骤描述如下。
步骤1。计算每个元素的sfp数量(失效模式)的故障模式集构造一组然后数一数大于1的元素的集合,标记为。在那之后,选择失效模式从构造一个新的故障模式集。这些选中的失效模式有不止一个sfp。接下来,让,在那里是一组剩下的失效模式。
步骤2。如果,生成一个随机数组这些数字1和之间的离散均匀分布。它是用。然后,根据、提取失效模式,分别从集自然秩序构成一组。最后一个故障样本集测试能力演示实验证实了。
步骤3。如果,创建1和之间的随机数与离散均匀分布。这是标志。接下来,选择元素的集合组成一组;。这也是最后的故障样本集。
步骤4。实现故障样本集的数量加起来的故障样本集的步骤2和3。
3所示。案例研究
某种类型的空空导弹系统包括六个模块,即制冷模块、振动控制装置、整流器、剪切支架,锁定系统,电路的盒子。在这里,我们只需要制冷模块作为一个例子。表2显示了制冷模块的失效模式。
假设我们已经知道这些值根据约定的供应商和客户之间的合同。利用公式(3)失败的抽样计划()确认。这意味着50失败样本将被分配到6模块比例分层抽样方法。我们已经知道分配重量制冷模块的系统是0.121;因此失败样本分配给它的数量是根据表达式(64)。因此,我们应该捡起6合适的故障样本总共12失败样本建立样本集制冷模块。
按照电路连接系统的定向图的故障传播制冷模块如图4。从图我们可以看到,制冷模块的组件集及其故障模式集。利用公式(6),(7)和(8),每个导演的传播强度边缘系统中得到如表所示3。在表中,的范围得分值从1.1389−1.6663。
分析了故障传播与数据表3,很明显,越大分数的价值优势,可能是发生了故障传播优势。例如,得分值的边缘强度()−1.1389。它是最小的值分数值。这意味着,当发生故障时失败,不能扩散到或传播用细小的可能性。然而,边缘()最伟大的得分值为1.663。它显示了传播失败是不可避免的在边缘。因此,通过搜索最大与ACO得分为每个失败,我们能找到的最大概率传播路径很容易失败。取作为一个例子;失败传播以及边缘()和边缘(),最大的强度(0.8528和1.6663,分别地)。因此,最大概率传播路径(失败的)与算法获得。在下一步中,我们使用方法中提到的部分2。3获得相关的后续故障传播();。这意味着失败数字传播是2。利用相同的方法,其他模块的后续故障传播集和故障传播数字也可以解决。最后,优化样本集,建立了基于故障传播路径。
表4显示了该方法的优势与传统的抽样计划失败。表中的符号√表示故障样本的选择。传统的抽样方案,6样本随机分配到12个模块,不考虑故障传播的影响。相反,该方法可以合理地选择6个样本下考虑故障传播。通过实验,该方法比传统的一个更好的故障覆盖率。
4所示。结论
本文提出了一种新的故障样本选择方法传统的样本选择的短缺。首先,我们使用DG和ACO获得最大概率故障传播路径,基于边缘的强度。然后我们提出了新的故障样本选择方法的基础上,后续的故障传播集。与传统的抽样计划相比,该方法能够增加失败的报道将建立一个相对完整的故障样本集通过专注于传播失败并给出一个案例研究表明,它能减少使用的风险。
相互竞争的利益
作者宣称没有利益冲突有关的出版。
确认
这项工作的部分支持由中国中央大学的基础研究基金(批准号ZYGX2015J074),四川省科学技术支持项目,中国(2015年2014 fz0037 fz0111),和支持的项目CDTU (KY1311018B)。