李 哲，沈 強，張 瑾，李 淘，代峰燕，曹建樹

(北京石油化工學院機械工程學院，北京 102617)

隨著裝備系統(tǒng)在功能先進性和結構復雜性方面的顯著提升，使其向著高度集成化和結構微型化的趨勢發(fā)展，隨之出現裝備系統(tǒng)功能愈加復雜和結構尺寸不斷縮小，使裝備系統(tǒng)測試分析和故障診斷的難度與日俱增等問題[1-3]。然而在航天軍事等重要領域中，對于系統(tǒng)測試時間和測試效率等方面的要求越來越高，傳統(tǒng)的依靠工程師經驗完成對系統(tǒng)故障診斷和維修維護，不僅耗費大量時間、人力和財力等資源，而且效率較低，達不到預期效果。經過大量實踐總結，人們逐漸意識到盲目追求測試系統(tǒng)優(yōu)化不能從根本上解決裝備系統(tǒng)的測試維修問題；若要有效快捷地實現對裝備系統(tǒng)的測試維修，就必須在裝備系統(tǒng)設計階段將測試性設計作為設計目標之一，使裝備系統(tǒng)具有良好的測試性[4-8]。如何描述裝備測試性知識，并讓計算機輔助軟件進行測試性水平驗證成為如今面臨的一大難題，另外隨著裝備系統(tǒng)結構復雜性的提高，一般模型無法滿足要求，因此層次化模型應運而生。

經過數十年探索總結，國外在層次化建模與分析方法方面取得了豐富的成果，提出了邏輯模型、信息流模型、多信號流圖模型、混合診斷模型等層次化模型，并以層次化模型為基礎開發(fā)了相應計算機軟件來應用于裝備測試性設計[9-11]。國內在測試性設計方面雖起步較晚，但對層次化模型進行了大量的改進和應用研究。筆者針對層次化模型進行了詳細闡述，并指出在層次化模型基礎上疊加裝備運行信息進行故障預測及健康保障的發(fā)展趨勢。

1 層次化模型國內外研究進展

1.1 邏輯模型

邏輯模型(logic model)是在20世紀60年代由美國De Paul提出[12]，其主要由以下幾部分組成：①單元模塊集M={m1，m2，…，ma}，指所在層次所有組成單元的集合；②測試點集P={p1，p2，…，pb}，指所在層次所有測試位置的集合；③有向邊集E={eij}，其中eij表示由頂點i指向頂點j的有向邊。

邏輯模型中使用有向圖來表示系統(tǒng)中功能模塊和測試之間的依賴關系，進而進行診斷推理和測試性分析。以邏輯模型為基礎，美國DSI International公司設計了一款用于裝備測試性分析的軟件LODMOD，該軟件主要用來建立裝備的邏輯模型，測試目標為小規(guī)模電子系統(tǒng)，后來DSI International公司又在此基礎上開發(fā)了一款較為通用的軟件“系統(tǒng)測試性分析工具”(STAT)[13]。

邏輯模型對于故障模式和測試方法具體情況不做描述，不能夠反映故障模式與測試之間的相關信息，因此該模型只適用于裝備研制初級階段。在設備研制初級階段，只是完成了各功能模塊功能初步設計和測試點位置的初步確定，然后借助邏輯模型對裝備測試性設計進行初步改進，由于邏輯模型自身缺陷，很快便被其他模型所替代。

1.2 信息流模型

信息流模型(Information Flow Model)是在20世紀80年代由美國W. R. Simpson等提出[14]，主要完成了信息流模型結果的基本定義，確定了模型數學描述過程，其主要由以下幾部分組成：①單元模塊集M={m1，m2，…，ma}，指所在層次所有組成單元的集合；②故障模式集F={f1，f2，…，fb}，指該層級中模塊的所有故障模式集合；③每個模塊mi包含的故障模式集FM(mi)，FM(mi)?F；④測試點集P={p1，p2，…，pc}，指該層級測試位置集合；⑤測試集T={t1，t2，…，td}，指該層級中所有測試集合；⑥每個測試點Pi包含的一組測試集TP(Pi)，TP(Pi)?T；⑦可測試輸入集INT={int1，int2，…，inte}，指該層級所有可測試的輸入信號集合；⑧有向邊集E={eij}，其中eij表示由頂點i指向頂點j的有向邊。

信息流模型與邏輯模型相比，優(yōu)勢在于其包含了故障模式，可以用有向圖來表示故障模式與測試點間的信息，使測試與故障模式之間的依存關系更清楚，容易獲得故障-測試相關矩陣。

在國外，與信息流模型相關的計算機輔助軟件被逐步開發(fā)出來，其中具有代表性的軟件為美國航空無線電公司開發(fā)的系統(tǒng)測試性與維修軟件工具STAMP，其以信息流模型為基礎，可以對裝備進行測試性建模與分析，并根據分析結果對裝備進行改進，大大提高了美軍裝備測試性設計效率[15]。

國內從20世紀末開始對信息流模型進行應用研究，李艾華等[16]對光驅電路板原理圖進行了分析，建立了電路板診斷信息流模型，反映了故障結論與測試之間的關系，討論了電路板故障診斷問題。陳圣儉等[17]提出了一種基于信息流的故障隔離方法，最大化地縮短了測試時間。薛凱旋等[18]基于信息流模型對測試選擇問題進行了研究，在此基礎上，給出了運用改進的列表尋優(yōu)算法進行測試選擇求解方法，并通過具體實例對算法進行了驗證。宋振宇等[19]建立了信息流模型，并通過實例詳細分析了如何應用信息流模型對電子設備測試進行最優(yōu)化選擇。邵俊宇等[20]對導彈自動駕駛儀建立了信息流模型，得到了故障與測試間的相關性矩陣，并在矩陣的基礎上進行多故障分析，提出了多故障下診斷完備性分析方法，構建了自動駕駛儀的診斷流程。楊鵬等[21]在故障-測試相關矩陣的基礎上，構建了故障之間的關聯(lián)矩陣和測試之間的關聯(lián)矩陣，得到了擴展關聯(lián)矩陣模型，并基于該模型開展了測試性分析。

信息流模型致力于系統(tǒng)診斷結論和測試之間的對應關系，往往考慮被測試檢測的故障，而忽視了系統(tǒng)功能。所以當裝備系統(tǒng)比較復雜時，模型結構與實際裝備系統(tǒng)結構會存在較大的誤差，阻礙了信息流模型的推廣和應用。

1.3 多信號流圖模型

多信號流圖模型(Multi-signal Flow Graphs Model)是20世紀90年代由美國Pattipati教授和Deb教授提出[22]。多信號流圖模型主要由以下幾部分組成：①單元模塊集M={m1，m2，…，ma}，指所在層次所有組成單元的集合；②系統(tǒng)信號集S={S，S2，…，Sb}，指該層級中模塊的所有信號集合；③每個模塊mi包含的信號集合SM(mi)，SM(mi)?S；④測試點集TP={tp1，tp2，…，tpc}，指該層級測試位置集合；⑤測試集T={t1，t2，…，td}，指該層級中所有測試集合；⑥每個測試點TPi包含的一組測試集SP(TPi)，SP(TPi)?TP；⑦每個測試ti能夠檢測到的信號集合ST(ti)，ST(ti)?S；⑧有向圖DC={M，TP，E}，其中E表示系統(tǒng)結構之間的有向邊集合。

多信號流圖模型以邏輯模型和信號流模型為基礎，詳細分析了這些模型的優(yōu)缺點，對層次化模型進行改進，多信號流圖模型結合了之前模型的優(yōu)點，將測試、信號和故障結合起來，同時考慮裝備系統(tǒng)的功能和結構來提高測試性水平。以多信號流圖模型為基礎的測試性輔助設計分析軟件中，具有代表性的主要是DSI公司的eXpress和QSI公司的TEAMS軟件。

從近幾年國外關于多信號流圖模型的研究來看，國外很多機構都比較注重于裝備整體系統(tǒng)的測試性設計與分析和系統(tǒng)級別的故障診斷問題。主要研究了在多故障情況下的最優(yōu)測試序列生成與故障診斷、依賴矩陣求取算法、測試序列優(yōu)化、多值測試條件下的診斷策略優(yōu)化生成、故障狀態(tài)識別、分布式故障診斷等，以及多信號流圖模型在多種情況下的應用[23-26]。

由于多信號流圖模型綜合了系統(tǒng)邏輯模型和信息流模型的優(yōu)點，重點關注信號的多維屬性，各信號之間獨立，最能真實反映系統(tǒng)結構和元器件之間的聯(lián)系。所以國內主要對多信號流圖模型展開應用研究。高旭[27]以多信號流圖模型為基礎構建了層次化的圖形建模環(huán)境，對各個子系統(tǒng)進行了分批建模和集成，并提出了一種求取模型依賴矩陣的算法，實現了有向圖到依賴矩陣的轉換。丁昊[28]主要利用Visio控件的圖元開發(fā)了測試性分析軟件工具，完成了相關性矩陣生成和測試性分析，實現的結果基本與TEAMS軟件分析結果一致?？锎滏肹29]以多信號流圖模型建模方法為基礎，分別對二值測試和多值測試下的診斷策略優(yōu)化技術進行了研究，提出了有限搜索AO*診斷策略優(yōu)化算法和與或樹啟發(fā)式搜索算法。童陳敏[30]提出了基于FSFTC建模方法與層次化建模思想的測試性虛擬驗證建模方法，該模型綜合考慮了裝備系統(tǒng)的功能、結構、故障、測試和環(huán)境等因素，使模型的建立更加貼合實際、置信度高。顧晨軒[31]提出了一種支持故障預測的測試診斷建模方法，在建模過程中添加故障診斷預測信息，使模型可以評估裝備系統(tǒng)的故障預測能力，另外，還研究了基于多值測試的診斷策略優(yōu)化方法，簡化了測試環(huán)節(jié)。姜婕[32]提出了一種針對復雜系統(tǒng)的時序故障進行狀態(tài)監(jiān)測及故障診斷方法，建立單軸慣導測試轉臺的多信號流圖模型，通過對采集信號的處理，驗證了對復雜系統(tǒng)時序故障實時狀態(tài)監(jiān)測及故障診斷方法的可行性。張釗旭等[33]開展了多信號流模型的應用研究，通過對魚雷武器功能結構的劃分，建立了魚雷武器的多信號流圖模型，并開展了測試性分析和測試性指標計算，驗證了魚雷武器模型的可行性。文佳[34]分析了現代航電系統(tǒng)的故障模型，總結了故障診斷算法的設計要求，綜合考慮了航電系統(tǒng)層次繁多和結構復雜的特點，在不同層次給出相應的快速診斷和精確診斷2種方式的算法，既滿足了快速診斷的需求，又滿足了故障診斷的精度要求，解決了航電系統(tǒng)長期存在的虛警問題，滿足了不同BIT工作模式下故障診斷的要求。

1.4 混合診斷模型

混合診斷模型(Hybrid Diagnostic Model)是故障-測試相關性模型的一個擴展，是美國DSI公司為了與QSI公司競爭而提出的測試性模型，該模型將功能模型和故障模型統(tǒng)一到同一個系統(tǒng)模型中，并將其應用于eXpress軟件中[35]。在運用混合診斷模型進行故障推理過程中有其獨特的推力規(guī)則，一般將規(guī)則分為兩類：一種是根據故障模式進行診斷推理；另一種是根據功能進行診斷推理[36]。

相比多信號流圖模型，混合診斷模型可以將后期分析的故障模式加在系統(tǒng)的下層，之后依據故障模式設計相應的測試。但是功能模型與故障模型缺乏溯源性，一旦設計發(fā)生變化，功能模型與故障模型都需要進行更新，但從建立層次化模型的原理上講，混合診斷模型與多信號流圖模型并無太大的區(qū)別。

國內眾多學者對混合診斷模型也做了一些研究。蔣俊榮等[37]主要進行了混合診斷模型的應用研究，結合某示波器電路建立層次化模型，得出相應的相關性矩陣，并進行了測試性分析，獲到了模型的診斷策略，對混合診斷模型進行了有效的驗證。楊智勇等[38]針對混合診斷模型中故障和功能在可靠性數據沖突的情況下如何計算故障隔離率和故障檢測率的問題研究了一種處理方法，通過擴展故障-測試關聯(lián)矩陣的定義，將故障與功能之間的不確定性轉化為確定性，得出了故障和功能可靠性數據沖突的處理公式，提出了不同優(yōu)先級的故障檢測率和故障隔離率的算法，并給出算例。王寶龍等[39]基于混合診斷模型中故障的不確定性進行了建模與分析，將混合診斷模型與貝葉斯網絡測試性模型相融合，得出了基于混合診斷貝葉斯網絡模型的測試性指標預計方法，使預計的結果可信度明顯提高。秦玉峰等[40]針對模型建立過程中無具體方法指導測試配置的問題進行了相關研究，通過建立某型裝備發(fā)動機模型，以測試性分析指標為約束，以最少測試點數量為目標，提出了一種基于混合離散二進制粒子群-遺傳算法的測試配置優(yōu)化方法，得到了不同要求下的最優(yōu)測試配置方案，最后通過仿真對該方法進行驗證，得出的測試配置方案可以有效解決測試性設計與分析方面的問題，可以有效提高測試性分析與設計效率，降低測試性模型建立的難度。

2 層次化模型應用范圍

裝備測試性設計一般是從設計階段開始就考慮裝備系統(tǒng)測試診斷問題，通過提高裝備測試性設計水平使裝備系統(tǒng)的行為變得易于控制和檢測。由于現代裝備系統(tǒng)集多種功能于一體，功能結構愈加復雜，所以需要利用層次化模型對其進行分解描述，通過描述系統(tǒng)中功能與測試之間的關系，為提高裝備系統(tǒng)測試性水平提供信息描述基礎。層次化模型描述實際系統(tǒng)行為能力有效地決定了裝備測試性水平預計的準確度和診斷測試策略的有效性。但不同的層次化模型因其功能的特點和本身存在的缺陷，使其在裝備系統(tǒng)設計周期中適合的階段有所不同。

在裝備設計初期，只是完成了功能模塊的初步設計，測試點所在位置也只是初步確定，在后續(xù)還可能對其進行調整，同時在設計初期也不會涉及到裝備所存在的故障模式。邏輯模型是用有向圖來表示系統(tǒng)中功能模塊和測試之間的依賴關系，但對于故障模式和測試方法具體情況不做描述，所以邏輯模型平常應用于裝備設計初期，對裝備測試性設計水平進行初步分析，找出其中的設計薄弱環(huán)節(jié)并對其進行改進。信息流模式與邏輯模型相比，優(yōu)勢在于其包含了故障模式，可以用有向圖來表示故障模式與測試點間的信息，使得測試與故障模式之間的依存關系更清楚，容易獲得故障-測試相關矩陣，但是在信息流模型中測試與測試、測試與診斷結論之間的相關關系都是布爾值的，在裝備系統(tǒng)比較復雜時，模型結構與實際裝備系統(tǒng)結構會存在較大的誤差，所以信息流模型只適合于裝備設計階段的后期對系統(tǒng)的測試性設計水平進行評估。根據前文可知，多信號流圖模型和混合診斷模型建立原理基本一致，皆是由有向圖和矩陣來描述裝備系統(tǒng)中功能、故障與測試三者間的相關關系，并且根據裝備系統(tǒng)結構建立的模型與裝備實際結構基本一致，所以多信號流圖模型與混合診斷模型適用于裝備系統(tǒng)設計的整個周期，在裝備系統(tǒng)設計的前期、中期、后期都可以對裝備測試性分析水平進行分析，得到故障檢測率、故障隔離率、測試點優(yōu)化、診斷策略生成以及模型反饋等優(yōu)化內容，來提高裝備測試性設計水平。

3 層次化模型發(fā)展趨勢

目前，用于裝備描述的層次化模型都是通過圖形描述來建立裝備系統(tǒng)功能與測試之間的關聯(lián)關系，然后通過相關算法將圖形化模型轉化為功能與測試的相關性矩陣，之后對相關性矩陣進行分析，得出裝備系統(tǒng)測試性指標，然后對裝備測試性設計進行優(yōu)化更改，對提高裝備測試性設計水平起著很大的作用。

但是在建模過程中也存在著一些缺陷。層次化模型在建立的過程中，是根據設計人員對故障和測試的定性關系進行建立的，最終生成元素為0或1的相關性矩陣，然后進行測試性分析；在整個過程中，不可避免地丟失了一些定量的信息，往往會與實際情況存在一些誤差。所以之后層次化模型在故障模式建立的基礎上需另行加載一些額外條件，如環(huán)境及工作時間等相關影響信息等，將會使分析的結果與實際情況更加吻合。

大數據和人工智能化技術的迅速發(fā)展，為傳統(tǒng)故障診斷向故障預測與健康管理(Prognostics and Health Management，PHM)轉化提供技術支持。PHM是在原有數據采集、信號處理、狀態(tài)監(jiān)測以及故障診斷基礎上增加故障預測和健康保障內容，形成了一套完整的確保實現自主保障體系，是對復雜裝備傳統(tǒng)使用的機內測試和狀態(tài)監(jiān)控能力的進一步擴展，主要是為了降低使用和保障費用，從而以較少的維修投入實現維修狀態(tài)的改變，最終達成裝備自主式保障。電子裝備系統(tǒng)主要由各種元器件和集成電路組成，其功能失效形式主要體現在元器件老化和性能退化上，通過對電子裝備在不同環(huán)境下運行信息的大量收集與分析，可以得出電子裝備剩余壽命和容易失效的部位。針對電子裝備容易失效的薄弱區(qū)域進行智能化監(jiān)控和監(jiān)測，即可實現電子裝備的故障預測和健康保障，避免出現因裝備突然失效導致的安全問題和經濟損失。然而不論是故障診斷還是故障及剩余壽命預測，都離不開裝備系統(tǒng)模型的建立，所以將已經研制并運行裝備的工作及其故障信息疊加到層次化模型中，尋求同種裝備運行規(guī)律和故障發(fā)生的頻率，對裝備系統(tǒng)進行故障預測和健康保障是未來的一大發(fā)展趨勢。

4 結束語

層次化模型可以將裝備系統(tǒng)功能結構等測試性知識準確、清晰的抽象出來，輔助測試性設計人員對裝備進行優(yōu)化設計。國外在數十年的研究中，先后提出了邏輯模型、信息流模型、多信號流圖模型和混合診斷模型等，并依據模型開發(fā)了相應計算機輔助工具。筆者對這些典型層次化模型的研究進展做了詳細闡述，得出模型一般都通過圖形化建模方式來求出故障與測試的相關性矩陣，然后對裝備系統(tǒng)進行測試性分析，根據分析結果對裝備系統(tǒng)進行更改來提高測試性水平，以便于對裝備進行功能測試和故障診斷。另外，分析了不同層次化模型在裝備設計周期中所適用的階段，為測試性領域的研究者提供一些參考，并對層次化模型在故障診斷領域未來發(fā)展趨勢進行了總結與分析。