装备系统测试性方案优化设计技术研究

陈希祥 邱 静 刘冠军

国防科学技术大学,长沙,410073

0 引言

测试性方案是指为了适应装备测试维修的需要,确定各级维修中哪些项目要测试,何时(连续或定期)何地(哪个维修级别)利用何种技术手段对其进行诊断测试,以及相关测试资源的配置情况,是对装备测试与诊断总的设想。装备测试性方案优化设计的目标是根据任务要求合理地综合应用各种测试手段与资源,通过数据、信息和知识的融合与共享,实现诊断功能的合理分配、诊断测试要素间的协同操作,有效地组织和配置各组成单元使其成为一个整体协同地起作用,以提供装备在各级维修所需的最佳测试与诊断效能,并降低全寿命周期费用。在装备测试性设计中,测试性方案的优化设计是核心工作[1-5]。

然而现有文献对装备测试性方案的研究长期处于经验应用阶段,并没有开展更深的理论研究,对其内涵及关键使能技术不明确。鉴于此,本文在现有研究基础上对装备测试性方案优化的内涵进行拓展和完善,提出基于模型和多目标权衡的测试性方案权衡与优化设计研究思路,为构建适合于系统各寿命周期阶段、面向不同维修级别的测试性方案奠定基础。

1 测试性方案广义信息描述模型

为了构建适合于装备全寿命周期的测试性方案,需要采用形式化的方法,将各种与测试性方案设计相关的因素、数据与信息知识有效地组织起来,进行提取建模,建立完整的测试性方案广义信息描述模型。该模型通过标记诊断测试环境中的物理实体(如装备本身、测试设备等),行为实体(如测试行为、诊断推理行为、维修行为等),以及数据实体(如测试数据、诊断知识、可靠性和维修性数据及技术资料等)等结构组成来全面地描述装备和各信息实体之间的关系,体现信息流动和交换过程。基于信息集成的测试性方案优化设计框图如图1所示。

测试性方案广义信息描述模型面向装备系统不同层次和级别的设计开发、测试与维修保障人员,建立在统一的、能支持不同应用系统的装备信息交换标准之上,以实现装备全寿命周期测试性设计信息的统一描述和测试性设计过程的信息集成共享,具有标准化、开放性、可扩展性、支持多领域应用与协同等特点,为设计人员提供有效的交互手段,保证设计、使用、维修的顺利实施,适应并行工程的要求。

针对上述目标,从装备系统对象、时域、模型3个不同维度建立测试性方案的广义信息描述模型框架,如图2所示。

(1)对象维。反映装备系统本身的层次划分,与约定的维修级别划分相对应。针对不同的对象,在不同的寿命周期阶段,其任务要求、消耗的测试资源范围及其组织方式也不同,因而模型研究的侧重点也不同。

(2)时域维。反映装备的全寿命周期各阶段组成。随着时域各阶段的推进,所研究对象及其对应的各种模型也将逐步得到完善与细化。

(3)模型维。反映装备的模型组成与组织方式。其中,功能模型描述装备的功能组成和各功能之间的信息交互情况;资源模型描述装备各种测试资源与约束,包括测试资源配置和资源流模型;信息模型描述装备的信息流动和信息处理的过程;过程模型描述测试与诊断的业务组成与各项业务之间的运行机制;组织模型描述装备测试组织结构信息以及组织方式;任务模型描述装备系统任务信息和测试任务信息,包括系统任务模型和测试任务模型;测试诊断模型描述测试与故障之间的关系。除此之外,还包括装备系统的可靠性模型和维修保障模型。随着研究对象及其所处寿命阶段的不同,模型研究的深度与广度也各有不同。

由此可见,测试性方案广义信息描述模型和装备系统模型不同。系统模型主要用来描述装备的结构、行为及功能信息,而测试性方案信息描述模型除了包括系统模型之外,还涵盖装备故障与测试逻辑关系、对测试资源的占用约束关系、装备可靠性和维修保障数据、人员与培训信息等信息的描述,特别是可对测试性设计与分析过程中存在的非确定性因素进行完整描述。

建立装备测试性方案的广义信息描述模型可以指导测试性信息描述和标准化交换方法的开发,实现装备测试性方案设计的全寿命化和并行化,切实提高装备的测试与诊断能力。

2 测试性方案优化设计过程分析

测试性方案的设计必须从装备研制之初开始,并贯穿于其寿命周期的各阶段。为此对装备全寿命周期各阶段的测试任务进行分析,综合考虑装备自身特性与测试诊断数据、维修保障资料等信息,将并行工程思想运用于测试性方案优化设计过程,在可用资源与全寿命周期费用约束条件下,通过合理组织测试过程以指导方案优化设计。

综上所述,测试性方案优化设计过程应当从横向和纵向两个角度进行研究:

(1)从方案设计的横向(宏观)角度出发,对装备功能结构、测试需求、可靠性和维修性要求、测试资源控制及管理、测试技术资料管理等方面进行描述,分析装备全系统全寿命的测试性方案优化设计过程,从总体上明确装备测试性方案具体工作内容,如图3所示。

(2)从纵向(微观)角度出发,依据装备不同状态下测试性方案设计要求,分析装备测试与诊断具体实施过程,对其共性技术进行抽象提取,提出测试性方案优化设计技术路线,如图4所示。

尽管面向装备全寿命周期各阶段、不同任务剖面或维修级别的测试性方案优化设计要求不同,但从测试过程的分析中可以看出上述技术路线具有通用性。本文在该技术路线基础上提出测试性方案优化设计需要解决的关键技术。

3 测试性方案优化设计关键技术分析

3.1 测试性分析与评估技术

为了获得装备最佳测试性方案,需要对其测试性设计水平进行分析与评估,并贯穿于优化设计全过程[1-2]。通过分析评估才能发现测试性设计中存在的问题与缺陷,使设计人员能够及时利用信息对方案进行优化改进,保证最终设计的装备系统能够满足规定的测试性要求。

目前对于机电系统测试性设计的研究比较广泛[2-5],而测试性建模与分析虽然也有一定的研究,且已研制出一些辅助工具[6-7],但其理论与方法仍停留在早期研究基础之上,不够科学和深入。

传统的装备测试性分析模型有多种建模方式,其中运用最广泛、效果最明显的是Deb等[8]提出的基于多信号流的测试性建模方法。该模型以确定性测试为条件,测试结果只有0/1(通过/不通过)两种,此时装备故障与测试之间存在布尔逻辑相关性,对于装备研制初期的测试性设计而言可以满足需要,但由于没有考虑测试过程中的不确定性,会导致模型不具备对不确定信息的处理能力。另外,由于约束条件在实际测试性设计中往往是不完备的,因此,也会导致装备测试性分析的结果可信度不高。实际上,由于装备复杂的内部结构和外界环境,测试结果会受诸多干扰源的影响[9-10],包括装备存在多个工作模式、不正确的安装、错误的人为操作、电磁干扰、环境变化、测试设备固有的测量误差,以及测试执行所需的准备条件等带来的不确定因素。这些难以用传统模型来描述的系统运行状态和工况,都会导致故障—测试的相关性以及测试性度量的定义发生改变。如果忽略这些不确定性,而采用传统的诊断测试推理机,则可能产生不合乎实际情况的测试性分析结果,无法有效地指导测试性评估与设计。为了从根本上避免脱离实际,应从模型入手,通过构造具有不确定性信息处理能力的测试性分析模型,并基于该模型对测试性度量参数进行形式化描述,寻求相应的有效方法分析装备测试性水平,为测试性方案优化提供可靠的依据。这也将是测试性分析与评估技术进一步研究的重点。

贝叶斯网络[11]是基于概率推理的数学模型,其本身是一种不确定性因果关联模型。近十几年来,备受关注的贝叶斯网络对于解决复杂系统不确定因素引起的故障分析具有很大的优势,被认为是目前不确定知识表达和推理领域有效的理论模型之一[12]。因此可以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,并利用贝叶斯推理算法进行测试性指标描述与测试性分析,进而对装备测试性水平进行更为客观的评估。

3.2 测试集优化选择技术

随着武器装备性能的提高和复杂性的日益增加,获取足够的故障检测与诊断信息的难度越来越大。为了提高系统全寿命周期的费用与效率比,基于测试性分析与评估结果,开展测试集优化选择[1-5,13]技术研究是装备测试性方案的重要内容之一。这一问题越来越得到人们的关注。

根据装备系统测试任务要求及测试性设计相关要求,首先基于装备设计方案及专家经验等现有知识初步设置测试项目集作为备选测试集,然后对系统测试性进行分析,计算系统各层次的故障检测率、隔离率、未检测和未隔离的故障、冗余测试以及故障模糊组等信息,并提出改进建议。如果备选测试集不能满足测试性设计要求,那么就对其原因进行分析处理,并增加合适的测试项目,直到测试集能够提供足够的信息来满足测试性设计要求为止,保证备选测试集的完备性。

通常上述完备测试集存在冗余信息,并不一定是最优的测试集。因此,测试优化选择面临的另一个问题是测试优化选取,其目的是在系统所有可能的测试组合中,寻找满足系统测试性指标要求的最佳组合,使测试代价最小。不论考虑的因素如何复杂,测试对故障的覆盖问题是测试选择的核心问题,从数学上最终可归结为一个组合优化问题,可用集合覆盖模型进行描述。而集合覆盖问题是一个NP完全问题,目前许多文献都提出了相应的求解算法[2-5,13],也取得了一定的效果,但由于问题本身固有的难度及对优化模型的简化描述,使得其求解效率与准确性都不尽如人意。随着装备系统复杂程度的提高,集合规模的增大,特别是考虑不确定信息影响的测试集优化选择,需要结合问题本质建立更完整的模型,并利用有效的优化算法进行求解。

3.3 测试资源优化选择与调度技术

依据装备自上而下的分析原则,将各分系统的测试资源分析作为选择与调度的第一个层次,在初步设置的测试项目和现有测试设备类型约束下,对机内测试设备(BITE)、自动测试设备(ATE)和人工测试设备(MTE)等不同类型进行权衡选择与配置。

对特定分系统的测试与故障诊断一般通过多个测试项目来完成,影响因素众多,需要综合考虑测试过程中的各项约束指标。通常涉及两类知识:一是定量数据的分析计算,它们为权衡提供定量的支持;另一类是专家在长期实践中积累起来的经验知识,其中大部分难以定量表示。因此,测试设备类型的选择与权衡是基于定量计算和定性分析相结合的多目标综合决策过程,只依赖于专家经验难以决定使用何种类型的测试设备,此时需要借助一定的技术手段来完成。通过对影响测试设备类型的各要素进行定量计算与定性分析,确定评价指标集,建立多属性模糊评价模型并利用模糊层次分析法进行求解,综合评判求解结果便可以选取适合于对该分系统进行全面测试的设备类型组合。

对大型装备进行测试诊断时,包括测试设备在内的可用测试资源往往是有限的、集中的,如果被测对象对测试资源同时提出测试要求,势必会引起资源的竞争和冲突。因而在测试过程中须保证测试资源在每个时刻只能为一个测试所占用,所以测试资源优化选择与调度面临的第二个问题是根据测试任务对资源进行合理调度。其工作主要是在前述的测试优化选择、测试设备类型初步选择以及可用资源的基础上,综合考虑测试过程的特性和调度问题的复杂性,建立装备系统测试资源调度模型。该模型以测试时间与费用最小为目标,以测试顺序、测试准备条件以及可用测试资源等为约束条件,采用多目标智能进化算法,对由测试时间和测试费用联合确定的目标函数进行综合评价与模型求解。

3.4 方案总体集成

针对不同任务剖面、不同维修测试级别,需采用不同测试技术级别和技术手段,通常是各种技术手段和技术级别相结合。在装备测试性方案设计及测试实施过程中,为便于不同信息的访问与共享,需要选择合适信息集成方式对信息进行集中管理,通过总线方式实现装备测试的总体集成方案。

集成过程中的两个基本技术问题亟待解决:测试性方案总体集成框架如图5所示。

(1)信息访问接口设计。在测试性方案优化过程中,建立广义信息描述模型,为信息的交换与共享奠定基础,但是这些信息的流动与共享是通过管理与集成工作反映在各个阶段的,因此需要对信息模型管理进行合适的访问接口设计。

(2)总线接口技术。测试性方案的实施,首先需要在确定各类实体测试资源的前提下对测试结构进行设计,从物理上实现测试资源有效合理的调度,总线型结构得到了越来越多的应用。总线接口作为实现总线型测试结构的物理基础,在采用这种设计结构时,必须对总线接口作出明确的定义。

4 敏感性分析

在设计测试性方案时需要利用装备信息模型以及其他先验信息,这些信息种类繁多,关系错综复杂,且在分析处理中与真实值之间可能存在一定的偏差。为判断这种偏差对最优方案的影响程度,须对最优测试性方案设计的各权衡过程进行敏感性分析。如果先验信息的微小变化引起最优方案大幅度改变,则说明该方案对信息的偏差非常敏感,实际应用时应慎重考虑。如果先验信息在一定的范围内变化时,最优方案的变化不大,则说明此最优方案鲁棒性很好,所期望的应用效果也比较好。

5 结束语

对装备系统而言,构建测试性方案的主要依据来自于订购方提出的测试性要求及测试资源约束条件、装备的方案及可靠性分析数据、维修与保障方案等,影响因素众多,求解过程复杂。本文通过分析首先明确了测试性方案的内涵,在此基础上,系统地阐述了测试性方案优化设计与权衡工作内容、技术流程以及关键使能技术,为测试性方案的进一步研究提供了技术途径,为有效地指导装备测试性设计、分析与测试实施打下了理论基础。

[1]Navy—EC.MIL—STD—2165 Testability Program for Electronic Systems and Equipments[S].Washington D.C.:Department of Defense,1985.

[2]田仲,石君友.系统测试性设计分析与验证[M].北京:北京航空航天大学出版社,2003.

[3]钱彦岭.测试性建模技术及其应用研究[D].长沙:国防科学技术大学,2002.

[4]苏永定.机电产品测试性辅助分析与决策相关技术研究[D].长沙:国防科学技术大学,2004.

[5]连光耀.基于信息模型的装备测试性设计与分析方法研究[D].石家庄:军械工程学院,2007.

[6]DSI International Inc.eXpress[EB/OL].(2008-09)[2009-11-05].http://www.dsiintl/WebLogic/products.aspx.

[7]Pattipati K R,Raghavan V,Shakeri M,et al.TEAMS:Testability Engineering and Maintenance System[C]//Proceedings of the American Control Conference.Baltimore,1994:1989-1995.

[8]Deb S,Pattipati K R,Raghavan V,et al.Multi—signal Flow Graphs:a Novel Approach for System Testability Analysis and Fault Diagnosis[J].IEEE AES System Magazine,1995,10(5):14-25.

[9]Shakeri M,Pattipati K R,Raghavan V,et al.Optimal and Near—optimal Algorithms for Multiple Fault Diagnosis with Unreliable Tests[J].IEEE Transactions on SM C—Part C:Application and Reviews,1998,28(3):431-440.

[10]Ruan S,Tu F,Pattipati K R.On a Multi—mode Test SequencingProblem[C]//IEEE Systems Readiness Technology Conference.California,2003:194-201.

[11]Pearl J.Probabilistic Reasoning in Intelligent Systems:Networks of Plausible Inference[M].San Francisco:Morgan Kaufmann,1988.

[12]Stephenson T A.IDIAP—RR—00—03 An Introduction to Bayesian Network Theory and Usage[R].Martigny:Dalle Molle Institute,2000.

[13]蒋荣华,王厚军,龙兵.基于离散粒子群算法的测试选择[J].电子测量与仪器学报,2008,22(2):11-15.