摘" 要：

測(cè)試性設(shè)計(jì)是提高系統(tǒng)可靠性、安全性、維修性、保障性的重要前沿技術(shù)，決定了系統(tǒng)故障檢測(cè)率和隔離率，直接影響系統(tǒng)的維護(hù)（測(cè)試）成本。系統(tǒng)測(cè)試性設(shè)計(jì)包含結(jié)構(gòu)化設(shè)計(jì)、模型化設(shè)計(jì)、數(shù)據(jù)驅(qū)動(dòng)設(shè)計(jì)等多種設(shè)計(jì)策略。其中，數(shù)據(jù)驅(qū)動(dòng)設(shè)計(jì)于近年逐漸興起并成為重要發(fā)展方向之一，該類方法通過(guò)對(duì)系統(tǒng)測(cè)試與故障之間的關(guān)系進(jìn)行建模，依據(jù)測(cè)試結(jié)果進(jìn)行故障推理，形成故障診斷方案。首先，簡(jiǎn)要回顧了系統(tǒng)測(cè)試性設(shè)計(jì)的發(fā)展歷程;其次，重點(diǎn)介紹了測(cè)試性設(shè)計(jì)的研究進(jìn)展，分析總結(jié)了結(jié)構(gòu)化、模型化、數(shù)據(jù)驅(qū)動(dòng)3類測(cè)試方案;然后，介紹了測(cè)試性診斷策略構(gòu)建，根據(jù)測(cè)試方案中的建模方法確定診斷策略的構(gòu)建技術(shù)，并總結(jié)歸納了每類技術(shù)的研究特點(diǎn)和適用性;最后，探討了當(dāng)前復(fù)雜系統(tǒng)測(cè)試性設(shè)計(jì)面臨的挑戰(zhàn)性問題和可能的未來(lái)研究方向。

關(guān)鍵詞：

測(cè)試性設(shè)計(jì); 模型化設(shè)計(jì); 數(shù)據(jù)驅(qū)動(dòng); 測(cè)試性診斷策略

中圖分類號(hào)：

TP 273

文獻(xiàn)標(biāo)志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.07.18

Overview of design of testability and dot based fault diagnosis

strategy for complex systems

LU Ningyun1，2， LI Yang3， JIANG Bin1，2，*， HUANG Shoujin1， MA Kun4

（1. College of Automation， Nanjing University of Aeronautics and Astronautics， Nanjing 211106， China;

2. State Key Laboratory of Mechanics and Control of Aerospace Structures， Nanjing 211106， China;

3. School of Mechatronic Engineering and Automation， Shanghai University， Shanghai 200444， China;

4. National Institute of Metrology， Beijing 100029， China）

Abstract：

Testability design is an important cutting-edge technology to improve system reliability， safety， maintainability and supportability， which determines the failure detection and isolation rates and directly affects system maintenance （testing） cost. The testability design of the system has gone through a variety of design strategies， such as structural design， modeling design， and data driven design. Among them， data-driven based design is a rising strategic emerging strategy. They model the relationship between system tests and faults， and infer faults from test results to form diagnostic strategies. This paper firstly reviews the development process of system testability design and then focuses on the latest progress of testability scheme design including structure-based， model-based and data-driven-based schemes. After that， research status of each approach are sorted out and summarized. Then， the construction of the test diagnostic strategy is introduced， and the construction technology of the diagnostic strategy is determined according to the modeling method of the testability scheme， and the research on each type of technology is summarized. Finally， the current challenging problems and possible future research directions are discussed.

Keywords：

design of testability; model-based design; data-driven; test diagnostic strategy

0" 引" 言

現(xiàn)代工程系統(tǒng)的集成度與復(fù)雜度越來(lái)越高，所面臨的可靠性與安全性問題日益突出，系統(tǒng)維護(hù)保障難度與成本急劇增加，對(duì)系統(tǒng)故障診斷與健康管理提出了更高的要求和更大的挑戰(zhàn)［13］。信息感知是否全面、準(zhǔn)確、有效，是實(shí)施系統(tǒng)故障診斷與健康管理技術(shù)的基礎(chǔ);測(cè)試性設(shè)計(jì)（design of testability， DoT）是提供系統(tǒng)關(guān)鍵故障診斷信息的重要途徑。

DoT是一個(gè)發(fā)展歷史比較悠久、理論比較成熟、技術(shù)應(yīng)用比較全面的領(lǐng)域，是在可靠性試驗(yàn)的基礎(chǔ)上，在產(chǎn)品設(shè)計(jì)階段執(zhí)行，用來(lái)確定系統(tǒng)和設(shè)備工作狀態(tài)并隔離其內(nèi)部故障的一種設(shè)計(jì)特性［45］。自20世紀(jì)80年代以來(lái)，美國(guó)軍方、高校、研究所和軍工企業(yè)已在DoT領(lǐng)域開展了廣泛而深入的研究。

與國(guó)外相比，國(guó)內(nèi)的DoT技術(shù)從20世紀(jì)80年代中后期起步，起源較晚但發(fā)展迅速。特別是1995年頒布的《裝備測(cè)試性大綱》（GJB 2547），對(duì)國(guó)內(nèi)DoT技術(shù)應(yīng)用規(guī)范發(fā)展起到了重要推動(dòng)作用。近年來(lái)，DoT逐漸受到了國(guó)內(nèi)高校和研究機(jī)構(gòu)的重視［34，615］，已在國(guó)家重大工程和重點(diǎn)型號(hào)中廣泛應(yīng)用，并得到良好效果。

DoT近四十年的發(fā)展歷程可以概括為4個(gè)階段：經(jīng)驗(yàn)化設(shè)計(jì)、結(jié)構(gòu)化設(shè)計(jì)、模型化設(shè)計(jì)和數(shù)據(jù)驅(qū)動(dòng)的智能化設(shè)計(jì)階段［16］。

DoT的概念提出伊始，還沒有相對(duì)成熟的理論體系與設(shè)計(jì)框架，在工程中遇到測(cè)試問題時(shí)，工作人員只能依賴實(shí)踐中累積的經(jīng)驗(yàn)，通過(guò)指導(dǎo)手冊(cè)、用戶指南以及技術(shù)報(bào)告等形式進(jìn)行DoT工作。代表性成果包括美國(guó)海軍在1976年發(fā)布的《機(jī)內(nèi)測(cè)試設(shè)計(jì)指南》《測(cè)試性指南報(bào)告》以及美國(guó)空軍在1978年開展的模塊化自動(dòng)測(cè)試項(xiàng)目等［1719］。由于基于經(jīng)驗(yàn)的DoT屬于一種原則性設(shè)計(jì)方法，在具體的工程實(shí)踐中，其可操作性、實(shí)用性、泛化性較差，難以開展大規(guī)模的DoT工作。

為解決復(fù)雜系統(tǒng)測(cè)試時(shí)間長(zhǎng)、測(cè)試不精確等問題，以機(jī)內(nèi)測(cè)試（built in test， BIT）或嵌入式測(cè)試［20］為代表的專項(xiàng)測(cè)試逐漸發(fā)展成為基于系統(tǒng)工程的結(jié)構(gòu)化DoT。BIT是由系統(tǒng)或設(shè)備內(nèi)部提供的具有檢測(cè)和隔離故障能力的自動(dòng)化測(cè)試手段，根據(jù)其結(jié)構(gòu)形式的不同，分為集中式BIT（autocratic BIT）、采邑式BIT（feudalistic BIT）、聯(lián)邦式BIT（confederated BIT）、層次式BIT（hierarchical BIT）等［6，21］。又根據(jù)BIT應(yīng)用層級(jí)和規(guī)模的不同， BIT可分為機(jī)內(nèi)測(cè)試設(shè)備（BIT equipment， BITE）和機(jī)內(nèi)測(cè)試系統(tǒng)（BIT system， BITS）。

在結(jié)構(gòu)化DoT階段，與BIT并行發(fā)展的是外部測(cè)試，通常包含外部自動(dòng)測(cè)試設(shè)備（automatic test equipment， ATE）和人工測(cè)試［6，22］。ATE依賴于自動(dòng)測(cè)試設(shè)備或者自動(dòng)測(cè)試系統(tǒng)，自動(dòng)完成被測(cè)單元的故障診斷、功能參數(shù)分析以及性能評(píng)價(jià)。人工測(cè)試通常是在BIT和ATE不能檢測(cè)與隔離故障的情況下，依賴有經(jīng)驗(yàn)的維修人員完成故障診斷測(cè)試。

隨著現(xiàn)代工程系統(tǒng)的復(fù)雜度和集成度越來(lái)越高，測(cè)試性與系統(tǒng)性能的集成設(shè)計(jì)成為必然的發(fā)展趨勢(shì)，從20世紀(jì)90年代以來(lái)，模型化并行設(shè)計(jì)方法逐漸成為該領(lǐng)域的研究熱點(diǎn)?；谀Ｐ偷腄oT核心步驟是建立系統(tǒng)的測(cè)試性模型，通過(guò)模型有效組織各種與DoT相關(guān)的知識(shí)要素，并開展測(cè)試優(yōu)化、診斷策略設(shè)計(jì)等后續(xù)工作。目前，常用的測(cè)試性模型有信息流模型、邏輯模型、混合診斷模型、多信號(hào)流圖模型以及相關(guān)性模型等［2325］。這些模型的核心思想都是通過(guò)不同途徑構(gòu)建出故障測(cè)試相關(guān)性矩陣，然后依據(jù)該矩陣進(jìn)行測(cè)點(diǎn)、測(cè)序以及診斷策略的優(yōu)化設(shè)計(jì)。

得益于近年來(lái)新一代信息技術(shù)和人工智能的快速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的智能化設(shè)計(jì)逐漸受到重視［26］。與模型化DoT方法不同，數(shù)據(jù)驅(qū)動(dòng)的設(shè)計(jì)方法無(wú)需掌握大量機(jī)理知識(shí)來(lái)構(gòu)建測(cè)試性模型，而是基于大量可測(cè)數(shù)據(jù)本身所反映的系統(tǒng)狀態(tài)，采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等智能模型直接構(gòu)建測(cè)試性診斷策略［2728］。但由于數(shù)據(jù)驅(qū)動(dòng)和人工智能方法對(duì)數(shù)據(jù)自身的要求比較高，從應(yīng)用角度，這一類DoT方法還處于發(fā)展階段。

DoT的最終目的是使系統(tǒng)和設(shè)備具備準(zhǔn)確診斷與快速隔離相應(yīng)故障的能力。DoT的輸入通常包括系統(tǒng)結(jié)構(gòu)原理、機(jī)理模型、經(jīng)驗(yàn)知識(shí)、可測(cè)數(shù)據(jù)等，其輸出包括給定測(cè)點(diǎn)布局下各類故障的測(cè)試序列、故障測(cè)試相關(guān)矩陣等信息。故障診斷策略是DoT的后續(xù)環(huán)節(jié)［2930］，是按一定順序逐步進(jìn)行測(cè)試后，基于測(cè)試數(shù)據(jù)推理得出系統(tǒng)和設(shè)備的健康狀態(tài)，并在設(shè)備發(fā)生異常時(shí)報(bào)警，推理得到故障單元，實(shí)現(xiàn)故障診斷與隔離。

本文聚焦DoT建模方法和基于測(cè)試性模型的診斷策略，對(duì)各技術(shù)流派下的發(fā)展分支進(jìn)行梳理，對(duì)其研究現(xiàn)狀進(jìn)行分析與總結(jié)，并討論面向現(xiàn)代復(fù)雜系統(tǒng)的DoT所面臨的挑戰(zhàn)性問題以及可能的發(fā)展方向。

1" 測(cè)試方案設(shè)計(jì)

DoT的一般流程通常分為論證階段、設(shè)計(jì)階段、生產(chǎn)階段、鑒定驗(yàn)收階段［31］。在論證階段，主要完成測(cè)試性指標(biāo)的分配［32］，以及系統(tǒng)和設(shè)備的測(cè)試性需求分析。在設(shè)計(jì)階段，主要進(jìn)行測(cè)試方案設(shè)計(jì)與評(píng)估、診斷策略設(shè)計(jì)與評(píng)估，如圖1所示。生產(chǎn)階段則根據(jù)測(cè)試性結(jié)果完成相應(yīng)的軟硬件開發(fā)設(shè)計(jì)。驗(yàn)收階段通過(guò)測(cè)試性試驗(yàn)驗(yàn)證來(lái)評(píng)估系統(tǒng)和設(shè)備的測(cè)試性水平并判斷系統(tǒng)和設(shè)備的合格性。

測(cè)試方案是關(guān)于系統(tǒng)和設(shè)備在測(cè)試設(shè)計(jì)階段建模與優(yōu)化的總體設(shè)想，圖2給出其主要構(gòu)成要素［4］。

無(wú)論采用BIT、ATE還是人工測(cè)試方式，測(cè)試點(diǎn)都占據(jù)著關(guān)鍵組成要素。其原因可結(jié)合系統(tǒng)測(cè)試與診斷的過(guò)程進(jìn)行說(shuō)明：

（1） 由BIT、ATE或人工測(cè)試生成合適的信號(hào)激勵(lì)，在測(cè)試點(diǎn)將激勵(lì)載入被測(cè)系統(tǒng);

（2） 在測(cè)試點(diǎn)處部署傳感器測(cè)量系統(tǒng)和設(shè)備的輸出響應(yīng)，被測(cè)量通常由表征系統(tǒng)狀態(tài)的一個(gè)或多個(gè)變量的測(cè)量值構(gòu)成，如電壓、增益、電流、相位等;

（3） 對(duì)所獲得的測(cè)量值進(jìn)行分析和處理，如濾波、去噪、傅里葉變換等，從而得到系統(tǒng)不同故障模式的特征;

（4） 根據(jù)故障特征構(gòu)建相應(yīng)的故障診斷策略，判斷系統(tǒng)是否發(fā)生故障，如發(fā)生故障則隔離出發(fā)生故障的分系統(tǒng)/部件/元器件。

由上可知，獲取系統(tǒng)中蘊(yùn)含故障特征的可測(cè)信息是進(jìn)行診斷策略設(shè)計(jì)的前提，這就要求系統(tǒng)提供必要的物理測(cè)點(diǎn)。對(duì)于現(xiàn)代復(fù)雜工程系統(tǒng)，其潛在測(cè)點(diǎn)的數(shù)量可達(dá)到成千上萬(wàn);在同一測(cè)點(diǎn)處，又能測(cè)量多種狀態(tài)變量，同時(shí)不同狀態(tài)變量所包含的故障信息也不盡相同。由于系統(tǒng)復(fù)雜結(jié)構(gòu)以及相應(yīng)的測(cè)試成本等限制，很難將所有的測(cè)點(diǎn)和狀態(tài)變量都用于測(cè)試。因此，選擇哪些測(cè)點(diǎn)及變量使得在一定的準(zhǔn)則下成本最優(yōu)且滿足系統(tǒng)的測(cè)試性指標(biāo)，即測(cè)試方案的優(yōu)化設(shè)計(jì)，顯然是DoT的重要研究方向之一。但因本文篇幅有限，不對(duì)此方向贅述，僅綜述給定測(cè)點(diǎn)布局下的DoT方案。

下面，詳細(xì)介紹如圖3中總結(jié)的測(cè)試方案設(shè)計(jì)的最新研究現(xiàn)狀。

1.1" 結(jié)構(gòu)化的測(cè)試方案

結(jié)構(gòu)化的測(cè)試方案一般采用的測(cè)試手段是 BIT、ATE 和人工測(cè)試。通常，BIT 是嵌入在系統(tǒng)內(nèi)部，用來(lái)提取正?；蚬收舷孪到y(tǒng)組件的綜合參數(shù)信息，以便了解系統(tǒng)自身的健康狀態(tài)［33］。作為一種成熟的DoT技術(shù)，BIT被廣泛應(yīng)用于故障診斷，包括基于直方圖的模擬BIT［34］、邏輯BIT［35］、冗余電路BIT［36］、存儲(chǔ)器BIT［37］、可編程BIT［38］等。BIT還可以與ATE聯(lián)合，例如聯(lián)合行動(dòng)測(cè)試［39］、自動(dòng)模式測(cè)試［40］、循環(huán)冗余測(cè)試［41］以及偽隨機(jī)模式測(cè)試［42］等。此外，BIT 也經(jīng)常與基于冗余的內(nèi)置自修復(fù)模式結(jié)合使用，依賴于系統(tǒng)和設(shè)備中的冗余電子元器件［43］，可實(shí)現(xiàn)故障的完全消除［44］。由于 ATE 和人工測(cè)試的技術(shù)性內(nèi)容較少，本文不再過(guò)多贅述，僅介紹基于 BIT 的DoT實(shí)現(xiàn)方法。

（1） 電路驅(qū)動(dòng)BIT方法

基于電路驅(qū)動(dòng)的BIT方法在工程實(shí)踐中占據(jù)了重要地位。由于電路中施加的電激勵(lì)信號(hào)在系統(tǒng)內(nèi)部會(huì)產(chǎn)生響應(yīng)信號(hào)（包括電信號(hào)和非電信號(hào)，假定非電信號(hào)響應(yīng)可以轉(zhuǎn)換回電信號(hào)），則可使用此信號(hào)來(lái)模擬在正常工作條件下作用在被測(cè)設(shè)備上的應(yīng)力，或提取有關(guān)被測(cè)設(shè)備健康狀況的信息［4546］。

譬如，文獻(xiàn)［47］針對(duì)氣墊船縱橫傾信號(hào)處理電路的不佳測(cè)試性問題，提出了一種軟硬件結(jié)合的測(cè)試方法，基于函數(shù)發(fā)生器、電源轉(zhuǎn)換器和相限設(shè)計(jì)BIT電路，可以實(shí)現(xiàn)故障快速精確定位。文獻(xiàn)［48］針對(duì)BIT中經(jīng)常出現(xiàn)的誤報(bào)問題，分析了誤報(bào)原理，確定了誤報(bào)誘發(fā)因素，提出了虛警模擬剖面的概念，最終建立了誤報(bào)誘發(fā)事件的自動(dòng)插入算法和基于BIT誤報(bào)模擬的測(cè)試方法。文獻(xiàn)［49］針對(duì)制造工藝不完善造成的缺陷和制造工藝變化導(dǎo)致的器件參數(shù)偏差問題，采用三重模塊化冗余方法，設(shè)計(jì)了射頻差分低噪聲放大器的BIT電路，通過(guò)檢測(cè)響應(yīng)輸出的幅度變化，給出單數(shù)據(jù)通過(guò)/失敗指示信號(hào)，同時(shí)能有效避免因測(cè)試電路故障造成的成品率損失。

通常，基于電路驅(qū)動(dòng)的BIT系統(tǒng)建模方法需要全面的電路設(shè)計(jì)知識(shí)，包括結(jié)構(gòu)組合、組件選擇、負(fù)載和電源模式等。

（2） 擴(kuò)展BIT方法

在電路驅(qū)動(dòng)BIT方法的基礎(chǔ)上，通過(guò)對(duì)系統(tǒng)多個(gè)輸出響應(yīng)信號(hào)進(jìn)行DoT的方法稱為擴(kuò)展BIT，例如基于延遲的測(cè)試方法［5053］、基于脈沖響應(yīng)的測(cè)試方法［5455］、基于偏置疊加/調(diào)制的測(cè)試方法［5659］等。

基于多傳感器信息的擴(kuò)展BIT測(cè)試方法無(wú)需改變電路規(guī)模，僅需在原有系統(tǒng)的拓?fù)浣Y(jié)構(gòu)上采用冗余傳感器或調(diào)整傳感器數(shù)量進(jìn)行相應(yīng)測(cè)試操作［60］。為減少測(cè)試成本、實(shí)現(xiàn)跨封裝技術(shù)與接口擴(kuò)展，文獻(xiàn)［61］提出了一種相控陣?yán)走_(dá)的BIT方法，該方法將代碼調(diào)制應(yīng)用于陣列中的每個(gè)元件以允許并行原位測(cè)量，并采用內(nèi)置分配網(wǎng)絡(luò)來(lái)注入或提取測(cè)試信號(hào)，提取的信號(hào)經(jīng)過(guò)變頻產(chǎn)生基帶干擾信號(hào)，然后從干擾信號(hào)中提取出互相關(guān)信息，最終使用全部互相關(guān)信息獲得所需要的幅度和相位數(shù)據(jù)。文獻(xiàn)［62］針對(duì)多模態(tài)傳感器系統(tǒng)研究了BIT實(shí)現(xiàn)方法，由于多模態(tài)傳感器可以感知多種狀態(tài)變量（如濕度、壓力、溫度等），一個(gè)傳感器發(fā)生故障時(shí)，系統(tǒng)能夠通過(guò)其余傳感器重構(gòu)故障傳感器的數(shù)據(jù)，因此 BIT模塊被嵌入在每個(gè)多模態(tài)傳感器中。文獻(xiàn)［63］針對(duì)邊緣硬件系統(tǒng)小延遲故障難以檢測(cè)的問題，提出了一種超速測(cè)試BIT方法，該方法借助測(cè)試生成和響應(yīng)壓縮策略，選擇隱藏的延遲故障檢測(cè)所需的測(cè)試頻率進(jìn)行現(xiàn)場(chǎng)監(jiān)測(cè)，從而最大限度地減少硬件開銷和測(cè)試時(shí)間。

基于BIT的結(jié)構(gòu)化測(cè)試方案具有如下特點(diǎn)：① 支持余度管理和系統(tǒng)重構(gòu)，可以進(jìn)行串行模式設(shè)計(jì)，提高任務(wù)可靠性;② 可以實(shí)現(xiàn)故障報(bào)警和故障預(yù)測(cè)，及時(shí)通知操作者采取應(yīng)對(duì)措施;③ 可減少外部測(cè)試設(shè)備，降低對(duì)設(shè)備本身以及設(shè)備操作人員的要求，減少診斷時(shí)間。然而，基于BIT的結(jié)構(gòu)化測(cè)試方案仍然存在虛警率較高的問題，影響任務(wù)的成功率，且對(duì)系統(tǒng)和設(shè)備的機(jī)理知識(shí)要求較高。

1.2" 基于模型化的測(cè)試方案

隨著產(chǎn)品功能、性能日益提高，技術(shù)與結(jié)構(gòu)日益復(fù)雜，DoT對(duì)并行計(jì)算的要求越來(lái)越高，結(jié)構(gòu)化的測(cè)試方案無(wú)法在精確性與經(jīng)濟(jì)適用性上滿足要求，在20世紀(jì)80年代后期，具備并行計(jì)算能力的模型化測(cè)試方案應(yīng)運(yùn)而生［6466］。

1.2.1" 基于圖論的方法

模型化測(cè)試方案中應(yīng)用最廣泛的是信息流模型［67］、多信號(hào)流圖模型［68］和混合模型［69］。上述模型簡(jiǎn)化了DoT的建模過(guò)程，采用圖形化方式對(duì)系統(tǒng)知識(shí)進(jìn)行梳理，建立系統(tǒng)故障與測(cè)試之間的對(duì)應(yīng)關(guān)系，進(jìn)而開展DoT與故障診斷策略研究。其中，信息流模型的優(yōu)點(diǎn)是可以評(píng)估系統(tǒng)的測(cè)試性規(guī)模，缺點(diǎn)是受限于信息描述能力，建模過(guò)程主觀性強(qiáng);多信號(hào)流圖對(duì)系統(tǒng)測(cè)試性進(jìn)行分層描述，簡(jiǎn)化了測(cè)試性建模的過(guò)程，并可以考慮故障傳播問題。信息流和多信號(hào)流圖模型只能解決單一的系統(tǒng)功能或系統(tǒng)故障問題，為同時(shí)解決這兩類問題，需要混合模型，其核心思想與多信號(hào)流圖模型非常相似，通過(guò)建立測(cè)試功能模式故障模式之間的相互關(guān)系，實(shí)現(xiàn)混合建模。

上述基于圖論的測(cè)試性模型，面臨的共性問題是無(wú)法定量地描述測(cè)試與故障之間的關(guān)系，無(wú)法建立準(zhǔn)確的故障約束條件。近年來(lái)，在這個(gè)分支上，衍生出了基于定量有向圖模型、貝葉斯網(wǎng)絡(luò)模型、故障樹模型、petri網(wǎng)模型的測(cè)試性建模方法。譬如，文獻(xiàn)［70］提出了一種基于灰色關(guān)系分析（grey relational analysis， GRA）的定量因果圖（quantitative causal diagram， QCD）DoT方案。值得一提的是，基于QCD模型可以研究故障傳播的風(fēng)險(xiǎn)評(píng)估，QCD用于描述故障傳感器之間因果關(guān)系和故障故障之間因果關(guān)系，而邊值α，β可定義為故障檢測(cè)因子與傳播因子。文獻(xiàn)［71］在測(cè)試建模過(guò)程中引入貝葉斯網(wǎng)絡(luò)，提出了多信號(hào)流圖貝葉斯網(wǎng)絡(luò)模型（multi-signal flow graph-Bayesian network， MSFG-BN）。其中，多信號(hào)流圖為貝葉斯網(wǎng)絡(luò)建模提供了基礎(chǔ)，貝葉斯網(wǎng)絡(luò)能夠有效處理測(cè)試中的不確定信息、提高信息利用率;同時(shí)，借助貝葉斯網(wǎng)絡(luò)學(xué)習(xí)能力，該模型可以更新自身的結(jié)構(gòu)和參數(shù)，提高模型在測(cè)試階段的適用性。文獻(xiàn)［72］針對(duì)具有多功能可測(cè)試性的系統(tǒng)，提出了一種基于故障樹的多功能測(cè)試性狀態(tài)分析方法，提供不同的維護(hù)順序選擇，以更好地滿足工程實(shí)踐的要求。文獻(xiàn)［73］提出了一種基于三狀態(tài)故障廣義隨機(jī)著色 petri 網(wǎng)（colored generalized stochastic petri nets， CGSPN）的測(cè)試建模方法，將“功能失效”狀態(tài)視為系統(tǒng)除正常狀態(tài)和故障狀態(tài)之外的第三種狀態(tài)，為系統(tǒng)功能空間建模向故障空間建模的轉(zhuǎn)換奠定了基礎(chǔ)。

1.2.2" 基于D矩陣的方法

近年來(lái)，在圖論的基礎(chǔ)上衍生出基于D矩陣的DoT方法。D矩陣描述了故障與測(cè)試之間的相關(guān)性關(guān)系?；贒矩陣的DoT主要包括0-1模型測(cè)試方法、整數(shù)編碼字典方法以及基于故障對(duì)布爾表的方法。

（1） 0-1模型測(cè)試方法

0-1模型是基于相關(guān)性分析得到的二進(jìn)制故障測(cè)試D矩陣，其中元素值1/0分別表示某測(cè)試能夠/不能檢測(cè)某故障。通過(guò)比較不同故障之間的行向量，可以評(píng)估該模型的測(cè)試性能。文獻(xiàn)［74］提出了一種基于本體的文本挖掘方法，可自動(dòng)構(gòu)建、更新測(cè)試中的0-1模型。文獻(xiàn)［75］針對(duì)雷達(dá)設(shè)備提出了一種基于0-1模型的可測(cè)試性分析方法，其核心是根據(jù)故障模式、影響及危害性分析（failure mode effects and criticality analysis， FMECA），按照故障概率和故障嚴(yán)重性的順序依次確定故障模式并劃分被測(cè)單元的功能和結(jié)構(gòu)，然后建立相關(guān)圖模型分析一階相關(guān)關(guān)系，最后通過(guò)可達(dá)性算法建立測(cè)試故障的0-1模型。文獻(xiàn)［76］研究了測(cè)試中的多目標(biāo)問題，提出一種基于串并聯(lián)多目標(biāo)遺傳算法（parallel-series multi-objective genetic algorithm， PSMOGA）的DoT方法，該方法首先確定每個(gè)測(cè)試子程序的多目標(biāo)最優(yōu)測(cè)試系列，然后再處理整個(gè)產(chǎn)品的最優(yōu)測(cè)試選擇問題。

（2） 整數(shù)編碼字典測(cè)試方法

與0-1模型不同，整數(shù)編碼字典中的故障由整數(shù)向量編碼而不是二進(jìn)制數(shù)值編碼。整數(shù)編碼字典的核心原理是將一個(gè)模糊組（ambiguity group， AG）中的故障編碼為相同的整數(shù)。文獻(xiàn)［77］針對(duì)現(xiàn)有DoT無(wú)法準(zhǔn)確確定不同故障模式之間的模糊間隙問題，提出了一種新的測(cè)試點(diǎn)選擇方法，在整數(shù)編碼字典下，模糊故障所生成的面積檢測(cè)表用來(lái)表示模糊故障的失效概率，通過(guò)融合故障隔離和重疊區(qū)域信息，選擇最優(yōu)測(cè)試點(diǎn)集。文獻(xiàn)［78］為減少故障字典的計(jì)算效率并實(shí)現(xiàn)快速故障隔離，提出了一種故障診斷測(cè)試點(diǎn)集的選擇方法，先從故障字典表中刪除了特殊測(cè)試點(diǎn)和孤立故障，再將具有更多單故障測(cè)試能力的測(cè)試點(diǎn)添加到特殊測(cè)試點(diǎn)集合，重復(fù)此步驟至最終隔離所有故障。

（3） 故障對(duì)布爾表測(cè)試方法

為了克服模糊組所導(dǎo)致的低故障分辨率問題，故障對(duì)布爾表（fault-pair Boolean table， FPBT）被應(yīng)用于DoT，其中兩個(gè)故障之間的可隔離性由FPBT中的二進(jìn)制向量表征。文獻(xiàn)［79］針對(duì)多工作模式系統(tǒng)存在不同操作模式和隔離級(jí)別下檢測(cè)和隔離故障的成本和效率不同的問題，利用 FPBT 和滾動(dòng)算法實(shí)現(xiàn)最優(yōu)測(cè)試選擇。文獻(xiàn)［80］根據(jù)具有元件容差的電路輸出響應(yīng)近似服從正態(tài)分布的思想，提出了一種新的相似系數(shù)準(zhǔn)則來(lái)確定測(cè)試中的故障隔離度;然后，基于 FPBT 提出一種故障對(duì)相似系數(shù)準(zhǔn)則信息表的測(cè)試選擇方法。

1.2.3" 基于概率模型的方法

大多數(shù)基于D矩陣的DoT將矩陣中的數(shù)值視為二進(jìn)制或十進(jìn)制整數(shù)亦或整數(shù)對(duì)，這樣容易建模、便于使用，但也必然造成測(cè)試建模的不精確。當(dāng)系統(tǒng)積累了大量歷史測(cè)試數(shù)據(jù)時(shí)，一些學(xué)者考慮使用概率統(tǒng)計(jì)理論來(lái)建立測(cè)試性模型。

基于概率模型的方法能夠考慮不確定、不完美測(cè)試問題，其核心是確定測(cè)試性的約束條件。約束條件通常包含故障檢測(cè)率（fault detection rate， FDR）與故障隔離率（fault isolation rate， FIR），有時(shí)也包含虛警率（1 alarm rate， FAR）［31］。以基于伯努利分布的測(cè)試建模為例，假定系統(tǒng)有m個(gè)故障模式fi，n個(gè)測(cè)試tj，系統(tǒng)故障檢測(cè)率FDR是各故障模式被檢測(cè)概率的加權(quán)和：

FDR=11－pm+1∑mi=1pi1－∏nj=1（1－dij）xj（1）

式中：pi（i=1，2，…，m）表示故障模式的先驗(yàn)概率;pm+1表示無(wú)故障模式的先驗(yàn)概率;xj表示測(cè)試是否被選擇（xj=1表示測(cè)試tj被選擇，xj=0則相反）;dij表示測(cè)試tj檢測(cè)故障模式fi的概率?；陬愃扑枷耄魞蓚€(gè)故障fi和fk可以被隔離，即在n個(gè)測(cè)試中至少有一個(gè)測(cè)試的測(cè)試結(jié)果在這兩個(gè)故障發(fā)生時(shí)不同，則整個(gè)設(shè)備的FIR可以表示為各故障模式的被隔離概率的加權(quán)和：

FIR=11－pm+1∑mi=1pi·

∏m+1k=1，k≠i1－∏nj=1（1－dij－dkj+2dijdij）xj（2）

上述模型已被廣泛應(yīng)用于測(cè)試選擇問題［31，81］、測(cè)試性增長(zhǎng)問題［8283］和可測(cè)試性評(píng)估問題［84］。

基于伯努利分布的測(cè)試性模型中，通常假設(shè)測(cè)試結(jié)果為給定故障狀態(tài)下的獨(dú)立隨機(jī)變量。這一假設(shè)表明，知道一個(gè)測(cè)試的結(jié)果不會(huì)改變?nèi)魏纹渌麥y(cè)試結(jié)果的概率。然而，在實(shí)際工程中，一個(gè)測(cè)試常會(huì)影響到相鄰以及間接相關(guān)的其他測(cè)試。例如，如果測(cè)試軸承兩端的溫度，這兩個(gè)溫度是相關(guān)的，因?yàn)榄h(huán)境溫度會(huì)同時(shí)導(dǎo)致它們的變化。為了解決測(cè)試之間的相關(guān)性問題，文獻(xiàn)［85］提出了一種基于聯(lián)合分布的測(cè)試建模方法，在FDR和FIR的約束條件下，令fi表示故障i（i=1，2，…，m），tij表示對(duì)于故障模式fi執(zhí)行測(cè)試tj后得到的結(jié)果，基于聯(lián)合分布的FDR建模方法可以表示為

FDR（fi）=1-P（tij≤thrj|j∈［1，n］）

（3）

式中：P（·）表示概率運(yùn)算;thrj表示測(cè)試tj的檢測(cè)閾值。然后對(duì)于特定的fi，故障隔離成功須滿足以下兩個(gè)條件：① fi 的測(cè)試模式必須是唯一的，即在D矩陣中，fi的行必須不同于任何其他行;② 測(cè)試結(jié)果必須與fi的預(yù)期測(cè)試模式相同。如此，F(xiàn)IR可以表示為

FIR（fi）=Li·P（（-1）rijtij≤（-1）rijthrj）

（4）

式中：Li表示隔離系數(shù)。

針對(duì)小子樣條件下測(cè)試性評(píng)估存在數(shù)據(jù)沖突的問題，文獻(xiàn)［86］基于研制階段數(shù)據(jù)的融合，通過(guò)確定測(cè)試性信息來(lái)源、使用Beta分布參數(shù)折合方法和構(gòu)造基本信任分配函數(shù)等步驟，獲得測(cè)試性信息Beta分布;同時(shí)，引入一種基于可信度、不確定度和重要度的數(shù)據(jù)融合權(quán)重確定方法，解決了數(shù)據(jù)融合過(guò)程存在的沖突問題。近年來(lái)針對(duì)測(cè)試不確定性以及復(fù)合故障的DoT也有一些研究進(jìn)展［8788］?？紤]系統(tǒng)中存在的測(cè)量不確定性問題，文獻(xiàn)［87］提出一種條件聯(lián)合分布的測(cè)試性建模方法，并采用粒子群算法得到最優(yōu)測(cè)試結(jié)果。文獻(xiàn)［88］針對(duì)系統(tǒng)多故障模式對(duì)故障檢測(cè)和隔離的影響，運(yùn)用聯(lián)合分布的思想，提出兩種不同的測(cè)試選擇模型。測(cè)試之間的依賴關(guān)系通過(guò)copula 函數(shù)來(lái)描述。然后，根據(jù)一種改進(jìn)的離散二元粒子群優(yōu)化算法來(lái)處理測(cè)試選擇問題。

迄今為止， 基于模型化的測(cè)試方案已得到廣泛應(yīng)用，但由于復(fù)雜系統(tǒng)的故障表現(xiàn)形式越來(lái)越具有耦合性、傳遞性，故障的精確隔離越來(lái)越難以實(shí)現(xiàn)，特別是存在故障AG的前提下，基于模型化的測(cè)試方案需要進(jìn)一步研究。

1.3" 基于數(shù)據(jù)驅(qū)動(dòng)的智能化測(cè)試方案

數(shù)據(jù)驅(qū)動(dòng)和人工智能的方法是近十年來(lái)提出的一種構(gòu)建測(cè)試方案的新興DoT策略。與模型化測(cè)試方案相比，基于數(shù)據(jù)的測(cè)試方案中故障特征量是多維實(shí)數(shù)而非0/1或整數(shù)值，可以表達(dá)更多的故障測(cè)試信息。數(shù)據(jù)驅(qū)動(dòng)測(cè)試方案中的訓(xùn)練樣本源于故障模擬和特征提取，相應(yīng)的故障隔離是通過(guò)引入分類器來(lái)區(qū)分不同的故障。常見故障特征包括節(jié)點(diǎn)電壓［8991］、小波參數(shù)［9293］、高階統(tǒng)計(jì)量（例如峰度、偏度、熵）［9294］、功能規(guī)格（例如，帶寬、增益）［9596］等。常用的分類器包括神經(jīng)網(wǎng)絡(luò)［97］、支持向量機(jī)（support vector machine， SVM）［9899］、極限學(xué)習(xí)機(jī)［100101］等。

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）在數(shù)據(jù)驅(qū)動(dòng)的DoT中被廣泛應(yīng)用。文獻(xiàn)［102］提出了一種數(shù)據(jù)收集、訓(xùn)練和使用ANN來(lái)評(píng)估測(cè)試點(diǎn)質(zhì)量的方法。與基于啟發(fā)式的測(cè)試點(diǎn)評(píng)估方法相比，ANN方法的特征提取時(shí)間較少、故障覆蓋率更高。文獻(xiàn)［103］提出了模擬電路單參數(shù)故障的測(cè)試新方法。該方法首先計(jì)算電路可測(cè)試性和提取被測(cè)電路的故障AG，然后通過(guò)多頻率測(cè)量或模擬定位故障，并采用具有多值神經(jīng)元的多層神經(jīng)網(wǎng)絡(luò)劃分故障等級(jí)并實(shí)現(xiàn)故障估計(jì)。

SVM常被用于DoT中的測(cè)試分類與故障診斷環(huán)節(jié)。文獻(xiàn)［104］提出了一種基于電路節(jié)點(diǎn)相關(guān)性的可DoT方法，用于實(shí)現(xiàn)高壓電源中測(cè)試點(diǎn)的選擇。該方法首先根據(jù)相關(guān)性分析對(duì)電路中的所有節(jié)點(diǎn)進(jìn)行分組，然后根據(jù)已有的故障數(shù)據(jù)計(jì)算故障類別之間的距離來(lái)選擇電路的測(cè)試點(diǎn)，最后提取所選測(cè)試點(diǎn)的故障特征并采用SVM進(jìn)行故障診斷。文獻(xiàn)［105］針對(duì)大規(guī)模D矩陣生成時(shí)間長(zhǎng)、測(cè)試成本高的問題，提出了一種集成SVM、進(jìn)化聚類算法（evolutionary clustering algorithm， ECA）和蒙特卡羅法的通用測(cè)試性增強(qiáng)方法。該方法中，SVM對(duì)可用測(cè)試進(jìn)行分類，ECA對(duì)狀態(tài)進(jìn)行聚類，蒙特卡羅模擬得到測(cè)試序列的形態(tài)函數(shù);最后通過(guò)融合上述信息動(dòng)態(tài)調(diào)整測(cè)試依賴矩陣。

極限學(xué)習(xí)機(jī)（extreme learning machine， ELM）具有良好的泛化性和快速性，在DoT中也有廣泛研究。文獻(xiàn)［106］提出了一種基于ELM的測(cè)試生成算法，所生成的測(cè)試用來(lái)激勵(lì)待測(cè)設(shè)備，然后基于設(shè)備輸出響應(yīng)進(jìn)行故障檢測(cè)和分類。針對(duì)測(cè)試冗余問題以及不當(dāng)測(cè)試影響設(shè)備維修的問題，文獻(xiàn)［107］提出了一種基于軟感知和集成置信測(cè)量的測(cè)試策略優(yōu)化方法。該方法是在測(cè)試性和維護(hù)性之間構(gòu)建一個(gè)閉環(huán)，生成具有軟傳感器節(jié)點(diǎn)的自適應(yīng)故障診斷樹，利用 ELM 和親和力傳播（affinity propagation， AP）算法提高診斷樹的推理效率和靈活性。

準(zhǔn)確評(píng)估測(cè)點(diǎn)的診斷能力是DoT的重要工作，但目前相關(guān)研究成果并不多。文獻(xiàn)［108］提出了一種基于K近鄰交叉校驗(yàn)的測(cè)點(diǎn)診斷能力評(píng)估方法。其中，基于核密度估計(jì)的分類（kernel density estimation classification， KDEC）方法用于區(qū)分AG中的未隔離故障，其基本思想如圖4所示。

圖4中f1和f2表示故障集中的任意兩個(gè)故障，假設(shè)對(duì)每個(gè)故障進(jìn)行5組測(cè)試，虛線代表每組測(cè)試的高斯核函數(shù)，實(shí)線是兩個(gè)故障的概率密度函數(shù)估計(jì)值：

ρ^i（x）=1

2πnihiexp-x-xj22h2i

（5）

式中：x-xj表示樣本x和xj之間的歐幾里得距離;hi表示核函數(shù)帶寬;ni表示訓(xùn)練樣本總個(gè)數(shù)。因此，給定一個(gè)新的測(cè)試樣本xT，其KDEC分類結(jié)果為

KDEC（xT）=argmaxi ρ^i（xT）

（6）

如圖4（a） 所示，xT更可能來(lái)自故障f2。

若根據(jù)占據(jù)最大部分的故障最有可能發(fā)生的原理，可基于K近鄰分類的核密度估計(jì)（kernel density estimation on K nearest neighbors classification， KKC）得到分類結(jié)果為

KDEC（xT）=argmaxi ρ^*i（xT）

（7）

結(jié)果如圖4（b）所示，同樣可得出xT 更可能來(lái)自故障 f2的診斷結(jié)果?；诖?，文獻(xiàn)［108］采用遺傳算法在有限測(cè)點(diǎn)數(shù)量下搜索具有最大診斷能力的準(zhǔn)最優(yōu)解的測(cè)試點(diǎn)。

此外，文獻(xiàn)［109］研究了數(shù)據(jù)驅(qū)動(dòng)的故障注入和自動(dòng)測(cè)試問題，采用基于K近鄰分類的交叉驗(yàn)證方法評(píng)估可測(cè)試性指標(biāo)。為評(píng)估測(cè)點(diǎn)診斷多故障的能力，文獻(xiàn)［110］提出了一種基于copula函數(shù)的交叉驗(yàn)證方法，并結(jié)合Kullback-Leibler散度構(gòu)建了更加準(zhǔn)確的測(cè)點(diǎn)優(yōu)化約束模型。

隨著人工智能的發(fā)展，一些學(xué)者嘗試在DoT中應(yīng)用深度學(xué)習(xí)模型提高故障診斷能力。文獻(xiàn)［111］針對(duì)測(cè)試誤報(bào)率問題，提出了一種融合長(zhǎng)短期記憶（long short-term memory， LSTM）網(wǎng)絡(luò)和仿生神經(jīng)網(wǎng)絡(luò)（biologically inspired neural network， BINN）的測(cè)試模擬信號(hào)識(shí)別算法，采用重力搜索算法（gravitational search algorithm， GSA）優(yōu)化測(cè)試模型性能。為減少由間歇性故障引起的高誤報(bào)問題，文獻(xiàn)［112］提出一種改進(jìn)的深度森林（deep forest， DF）分類器的DoT方法。該方法采用粒子群優(yōu)化算法對(duì)測(cè)試多尺度因子進(jìn)行優(yōu)化，形成特征集;然后，利用特征集訓(xùn)練DF分類器進(jìn)行故障診斷;將DF每一層的分類器替換為隨機(jī)森林和旋轉(zhuǎn)森林來(lái)提高間歇性故障的診斷準(zhǔn)確率。

總結(jié)以上測(cè)試方案的研究，可以得到如下結(jié)論：① 結(jié)構(gòu)化的測(cè)試方案較為簡(jiǎn)單，容易根據(jù)實(shí)際應(yīng)用需求進(jìn)行更改，但同時(shí)會(huì)造成額外的成本以及較高的誤報(bào)率;② 基于模型化的測(cè)試方案建模精度高，故障與測(cè)試之間的關(guān)系明確，可以有效減少故障的誤報(bào)率，但有時(shí)需要了解運(yùn)行機(jī)理導(dǎo)致建模難度較高，且存在AG組時(shí)診斷精度下降的問題;③ 數(shù)據(jù)驅(qū)動(dòng)的測(cè)試方案可以解決故障誤報(bào)率高的問題，同時(shí)從數(shù)據(jù)本身出發(fā)降低了對(duì)機(jī)理知識(shí)的需求，但需要大量數(shù)據(jù)建模，測(cè)試成本較高。

2" 基于測(cè)試性的故障診斷策略

基于測(cè)試性的故障診斷策略的一般流程包括機(jī)理認(rèn)知/數(shù)據(jù)采集、測(cè)試方案設(shè)計(jì)、測(cè)試結(jié)果獲取、診斷策略生成4個(gè)步驟。測(cè)試所得的結(jié)果可以為診斷系統(tǒng)的設(shè)計(jì)提供輸入，其直接影響著設(shè)備的故障診斷性能、設(shè)計(jì)費(fèi)用、可靠性、時(shí)間成本等指標(biāo)。目前工業(yè)系統(tǒng)和設(shè)備的DoT過(guò)程不僅要滿足事后維修的需求，還要滿足故障的實(shí)時(shí)監(jiān)控與診斷，因此故障診斷策略同樣是DoT的重要環(huán)節(jié)。目前，主流的方法是基于模型化測(cè)試方案構(gòu)建診斷策略。測(cè)試性故障診斷策略用于獲得系統(tǒng)的最佳測(cè)試序列，然后根據(jù)測(cè)試結(jié)果識(shí)別和隔離故障狀態(tài)。

假設(shè)進(jìn)行測(cè)試tj前的故障模糊集為X（F），其中X為測(cè)試集，F(xiàn)為相應(yīng)的故障集，根據(jù)故障測(cè)試相關(guān)性矩陣 bjp， bjf判斷，測(cè)試后僅有“通過(guò)”以及“不通過(guò)”兩類情況，根據(jù)測(cè)試輸出給出診斷結(jié)果為Xjp和Xjf，其分別代表通過(guò)測(cè)試tj能檢測(cè)出的故障集合以及不能檢測(cè)出的故障集合。由X推導(dǎo)出Xjp和Xjf的方法就是診斷推理算法［113］。

Xjp={fp|bjp=0，fp∈X}

Xjf={ff|bjf=1，ff∈X}（8）

基于上述推理算法的診斷過(guò)程如下：在沒有獲得測(cè)試結(jié)果之前，真實(shí)的系統(tǒng)狀態(tài)存在顯著的不確定性，一旦得到測(cè)試結(jié)果（通過(guò)或不通過(guò)），就可以根據(jù)式（8） 來(lái)推斷，排除一些不可能的系統(tǒng)狀態(tài)，從而減小不確定性。當(dāng)確定故障模糊集屬于一個(gè)可更換單元時(shí)，診斷過(guò)程結(jié)束。

從前述可知，測(cè)試信息的準(zhǔn)確與否直接影響到診斷策略的制定效果［114116］。基于測(cè)試信息的診斷推理方法包括基于準(zhǔn)則（如專家知識(shí)）的推理、基于模型（如相關(guān)性矩陣）的推理、基于數(shù)據(jù)驅(qū)動(dòng)（如機(jī)器學(xué)習(xí)）的推理等［117119］。接下來(lái)，將分別闡述這些方法的主要思路以及在測(cè)試性診斷策略中的應(yīng)用。

2.1" 基于準(zhǔn)則的故障診斷策略

通?；跍?zhǔn)則的診斷策略會(huì)涉及到專家知識(shí)的運(yùn)用，且需要考慮一定的機(jī)理知識(shí)，針對(duì)具體系統(tǒng)來(lái)歸納總結(jié)故障推理的準(zhǔn)則［120123］。文獻(xiàn)［120］通過(guò)對(duì)可拓規(guī)則匹配原理和可拓推理算法思想的研究，提出一種基于測(cè)試性的故障條件與前因規(guī)則（antecedent rules， AR）匹配的計(jì)算方法，可以解決傳統(tǒng)專家系統(tǒng)容易出現(xiàn)匹配沖突等問題。文獻(xiàn)［121］探討了基于可測(cè)試性導(dǎo)向故障模式與影響分析的診斷流程，并選用反向傳播（back propagation， BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。

文獻(xiàn)［122］研究了模擬線性電子電路中多故障測(cè)試與診斷問題，提出了一種檢測(cè)故障元件并評(píng)估其參數(shù)的故障診斷方法。其思想是采用兩種在交流狀態(tài)下進(jìn)行的診斷測(cè)試來(lái)獲得測(cè)量電壓的均方根值以解決AG以及無(wú)故障參數(shù)和測(cè)量不確定性問題。文獻(xiàn)［123］考慮故障與測(cè)試之間的支持關(guān)系提出了一種新的擴(kuò)展測(cè)試性建模方法。該方法從測(cè)試信息傳輸和測(cè)試失敗的角度分析了故障和測(cè)試之間的阻塞和啟用關(guān)系;在此基礎(chǔ)上提出了一種矩陣融合算法和一種診斷知識(shí)構(gòu)造算法來(lái)表示診斷矩陣中的支持關(guān)系，并引入測(cè)試的第三狀態(tài)來(lái)描述測(cè)試失敗;最后根據(jù)診斷矩陣中的支持關(guān)系信息，提出了測(cè)試阻塞率、測(cè)試依賴度和支持關(guān)系識(shí)別率3個(gè)新的測(cè)試性指標(biāo)來(lái)評(píng)價(jià)系統(tǒng)的測(cè)試能力。

上述基于準(zhǔn)則的故障診斷策略的優(yōu)點(diǎn)是從產(chǎn)品機(jī)理推斷出適用的故障診斷策略，具有較高的可信度。其缺點(diǎn)是難以建立充分的專家知識(shí)庫(kù)，導(dǎo)致出現(xiàn)認(rèn)知不確定性問題，而且產(chǎn)品的故障機(jī)理難以被掌握，故障過(guò)程無(wú)法確定，因此基于準(zhǔn)則的故障診斷策略適用范圍較小。

2.2" 基于模型的故障診斷策略

2.2.1" 基于測(cè)試相關(guān)性信息的策略

基于模型的診斷策略可以通過(guò)所建立的故障測(cè)試關(guān)系模型，根據(jù)測(cè)試數(shù)據(jù)實(shí)時(shí)推理出設(shè)備健康狀態(tài)，該診斷策略的構(gòu)建依賴于故障測(cè)試相關(guān)性矩陣信息［124128］。文獻(xiàn)［124］提出了一種檢測(cè)和隔離大型系統(tǒng)中部件故障的方法，該方法依據(jù)多假設(shè)跟蹤原理、傳感器測(cè)量信息的Beta先驗(yàn)分布，以及在先驗(yàn)分布被違反時(shí)的檢測(cè)覆蓋率，相應(yīng)的輸入來(lái)自多個(gè)傳感器的一組測(cè)試結(jié)果，主要任務(wù)是處理傳感器測(cè)量不可靠問題，且在未知漏檢和誤報(bào)率的情境下，通過(guò)推理機(jī)進(jìn)行在線故障檢測(cè)。

文獻(xiàn)［125］針對(duì)測(cè)試數(shù)目多且FAR大的問題，提出一種可以同時(shí)考慮虛警和誤報(bào)的目標(biāo)函數(shù)，達(dá)到能排除虛警的測(cè)試而準(zhǔn)確定位故障的目的，并用改進(jìn)的遺傳算法搜索故障部件來(lái)提高診斷速度。文獻(xiàn)［126］針對(duì)多故障診斷以及如何確定診斷順序的問題，基于故障測(cè)試相關(guān)性矩陣的推理方法以及測(cè)試結(jié)果中的知識(shí)和每種故障類型的先驗(yàn)概率，提出了一種多故障診斷方法;基本思想是首先建立系統(tǒng)的相關(guān)性矩陣;然后，根據(jù)系統(tǒng)測(cè)試結(jié)果中的知識(shí)對(duì)相關(guān)性矩陣進(jìn)行簡(jiǎn)化;之后，對(duì)相關(guān)性矩陣中故障狀態(tài)的特征向量進(jìn)行邏輯“或”運(yùn)算，形成多故障相關(guān)性矩陣;最后，基于多故障相關(guān)性矩陣和基于每個(gè)故障狀態(tài)先驗(yàn)概率的故障排序進(jìn)行故障診斷。文獻(xiàn)［127］結(jié)合多信號(hào)流圖以及相似性度量對(duì)故障可診斷性進(jìn)行評(píng)價(jià)，以解決目前定性模型無(wú)法對(duì)電子系統(tǒng)故障可診斷性進(jìn)行定量評(píng)價(jià)的問題。該方法通過(guò)建立多信號(hào)流圖模型和故障測(cè)試相關(guān)性矩陣，特征向量為提取測(cè)試信號(hào)的小波包Shannon熵，相似性度量的指標(biāo)為歐式距離，將故障可診斷性定量評(píng)價(jià)問題轉(zhuǎn)換為不同故障模式下測(cè)試信號(hào)特征向量的相似性度量問題。通過(guò)構(gòu)建故障可診斷性評(píng)價(jià)矩陣，提出了系統(tǒng)可診斷性指標(biāo)，并通過(guò)仿真驗(yàn)證了該方法的有效性。文獻(xiàn)［128］考慮到更新測(cè)試序列模型對(duì)提高診斷效率具有重要意義，提出了一種新的基于AND/OR圖和動(dòng)態(tài)規(guī)劃的測(cè)試序列優(yōu)化方法，以提高生成解決故障診斷方案的效率。此外，針對(duì)可能改變最優(yōu)解的3種動(dòng)態(tài)條件下的問題，即測(cè)試點(diǎn)成本的增加、測(cè)試點(diǎn)的減少和故障概率的變化，研究了相應(yīng)的測(cè)試序列更新方法。

2.2.2" 基于隱馬爾可夫或概率模型策略

一些學(xué)者還考慮采用隱馬爾可夫模型及概率理論等構(gòu)建故障診斷策略［129131］。文獻(xiàn)［129］針對(duì)間歇性故障診斷以及非理想測(cè)試的動(dòng)態(tài)多故障診斷問題，提出了一種基于概率優(yōu)先模因算法的階乘隱馬爾可夫故障診斷模型，通過(guò)考慮輸入概率矩陣解決非理想測(cè)試的動(dòng)態(tài)多故障診斷組合優(yōu)化問題，所提方法利用輸入概率信息、使用局部搜索策略和交叉算子來(lái)提高遺傳算法的性能，從而減少了計(jì)算成本。文獻(xiàn)［130］針對(duì)存在不完美測(cè)試結(jié)果的動(dòng)態(tài)多故障診斷問題研究了一種近似最優(yōu)的故障診斷策略，其中多故障問題通過(guò)4種表述來(lái)說(shuō)明，即從完全觀察到的耦合馬爾可夫決策過(guò)程相對(duì)應(yīng)的確定性測(cè)試模型到部分觀察到的階乘隱馬爾可夫測(cè)試模型，從不完美的測(cè)試結(jié)果只與測(cè)試有關(guān)的函數(shù)表達(dá)到測(cè)試結(jié)果是故障和測(cè)試共同相關(guān)的函數(shù)的情況，針對(duì)上述組合優(yōu)化問題提出兩級(jí)協(xié)調(diào)解決方案來(lái)得到最終結(jié)果。文獻(xiàn)［131］針對(duì)具有故障演化、耦合、不可靠測(cè)試等復(fù)雜情況的動(dòng)態(tài)故障診斷問題，提出了一種解決動(dòng)態(tài)故障診斷問題的時(shí)變動(dòng)態(tài)模型;多模態(tài)動(dòng)態(tài)故障診斷系統(tǒng)由幾個(gè)靜止工作狀態(tài)和這些狀態(tài)之間的過(guò)渡過(guò)程組成，并通過(guò)隱馬爾可夫模型表示這些過(guò)渡過(guò)程。為了描述隱馬爾可夫模型轉(zhuǎn)換過(guò)程，提出了一個(gè)雙重推理網(wǎng)絡(luò)，并基于此網(wǎng)絡(luò)使用測(cè)試結(jié)果計(jì)算系統(tǒng)故障概率，然后相應(yīng)地調(diào)整診斷模型參數(shù)和結(jié)構(gòu)來(lái)進(jìn)行故障診斷。

2.2.3" 序貫診斷策略

由于序貫診斷是按照一定的測(cè)試順序逐步執(zhí)行隔離故障的過(guò)程，因此這種方法可以對(duì)部件進(jìn)行深入診斷并進(jìn)一步采取適當(dāng)維修。序貫診斷策略的構(gòu)建過(guò)程與故障測(cè)試之間的相關(guān)性有直接關(guān)系，其本質(zhì)上是執(zhí)行完一個(gè)測(cè)試然后依據(jù)所得結(jié)果來(lái)判定系統(tǒng)狀態(tài)，并指導(dǎo)操作人員進(jìn)行后續(xù)測(cè)試［132134］。文獻(xiàn)［132］考慮全壽命周期成本下不完美測(cè)試的序貫故障診斷問題（其本質(zhì)為非確定性多項(xiàng)式時(shí)間困難AND/OR決策樹構(gòu)造問題），提出了一種基于AND/OR圖搜索的算法來(lái)解決上述問題，算法中采用基于信息論的啟發(fā)式搜索生成子樹，并討論了提高計(jì)算效率的方法和多結(jié)果檢驗(yàn)的診斷策略等實(shí)際問題。

考慮現(xiàn)有方法需要大量的冗余迭代和節(jié)點(diǎn)狀態(tài)參數(shù)的重復(fù)計(jì)算，所得到的診斷策略往往效率低下的情況，文獻(xiàn)［133］提出了一種快速序貫故障診斷方法，其本質(zhì)是基于卡諾圖、SVM和模擬退火算法的自下而上搜索思想，它結(jié)合故障源生成狀態(tài)，并使用卡諾圖來(lái)判斷每個(gè)狀態(tài)的邏輯，通過(guò)模擬退火算法快速得到SVM的特征值，然后用SVM消除無(wú)用狀態(tài)，同時(shí)結(jié)合自下而上的方法和代價(jià)啟發(fā)式算法生成最優(yōu)決策樹。文獻(xiàn)［134］針對(duì)多值屬性系統(tǒng)，提出一種故障診斷策略，該策略可以為所選故障狀態(tài)找到合適的測(cè)試集，由此可以避免傳統(tǒng)算法的回溯方法，其主要思想是首先將測(cè)試序列問題簡(jiǎn)化為基本測(cè)試集與不必要測(cè)試的組合，并定義故障檢測(cè)和隔離集; 然后，根據(jù)最優(yōu)測(cè)試提出針對(duì)單個(gè)失效狀態(tài)的序列生成算法;最后，基于概率確定失效狀態(tài)的優(yōu)先級(jí)并提出用于生成所有失效狀態(tài)的測(cè)試序列的算法。文獻(xiàn)［135］為了降低測(cè)試成本并確保故障檢測(cè)和診斷的性能，提出了一種序貫故障診斷策略，針對(duì)系統(tǒng)故障診斷的誤報(bào)和漏報(bào)問題，提出一種基于準(zhǔn)深度優(yōu)先搜索算法;整體思想是首先建立一個(gè)考慮故障診斷能力、信息熵、測(cè)試成本和測(cè)試可靠性的啟發(fā)式評(píng)價(jià)函數(shù);然后，使用準(zhǔn)深度優(yōu)先搜索算法構(gòu)建故障診斷策略。

上述基于模型的故障診斷策略的優(yōu)點(diǎn)是診斷過(guò)程的建模簡(jiǎn)單，通常是基于模型化的測(cè)試方案構(gòu)建診斷策略，精度高。其缺點(diǎn)是在測(cè)試不充分或不準(zhǔn)確的情況下，會(huì)直接影響推理結(jié)果的準(zhǔn)確性。特別是針對(duì)概率模型的診斷策略，需要測(cè)試結(jié)果置信度以及故障發(fā)生概率等先驗(yàn)知識(shí)。因此，測(cè)試建模的準(zhǔn)確性直接影響故障診斷的準(zhǔn)確性。

2.3" 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷策略

通過(guò)測(cè)試，操作人員可以直接獲取設(shè)備的運(yùn)行數(shù)據(jù)，從而無(wú)需掌握設(shè)備的運(yùn)行機(jī)理，也不需要提前知道故障發(fā)生的概率，同時(shí)可以避免分析復(fù)雜的故障樹結(jié)構(gòu)與測(cè)試成本之間的關(guān)系。大數(shù)據(jù)時(shí)代，設(shè)備運(yùn)行過(guò)程的監(jiān)測(cè)數(shù)據(jù)產(chǎn)生速度快、容量大、多樣性強(qiáng)。傳統(tǒng)的診斷策略主要基于專家經(jīng)驗(yàn)知識(shí)以及機(jī)理建模方法開展，難以有效利用海量監(jiān)測(cè)數(shù)據(jù)。而近期興起的數(shù)據(jù)驅(qū)動(dòng)技術(shù)可以在不需要上述專業(yè)知識(shí)的前提下，自動(dòng)地提取和生成有用信息，為測(cè)試性診斷策略的構(gòu)建提供一種新的思路［136139］。

文獻(xiàn)［136］提出了一種基于小波包分析和灰色神經(jīng)網(wǎng)絡(luò)的智能測(cè)試診斷技術(shù)，目的是提高設(shè)備的故障診斷和預(yù)測(cè)能力;首先利用小波包分解計(jì)算各頻帶的能量形成特征向量，然后將能量特征向量作為樣本用于基于小波包分析和灰色神經(jīng)網(wǎng)絡(luò)模型來(lái)構(gòu)建診斷策略。由于實(shí)際應(yīng)用中存在的不確定性問題，傳統(tǒng)的診斷策略構(gòu)建方法不適用于測(cè)試不可靠的情境，考慮到上述問題，文獻(xiàn)［137］提出了一種基于Q-learning的診斷策略方法，以在現(xiàn)實(shí)系統(tǒng)中獲得長(zhǎng)期運(yùn)行的最優(yōu)策略，該方法基于強(qiáng)化學(xué)習(xí)（reinforcement learning， RL）框架構(gòu)建了診斷策略模型，然后通過(guò)Q-learning算法從環(huán)境中學(xué)習(xí)誤報(bào)或誤檢的概率，并且在考慮測(cè)試成本和信息增益的情況下，高效地獲得了具有不完善測(cè)試的最優(yōu)診斷策略。

主動(dòng)學(xué)習(xí)（active learning， AL）近年來(lái)被廣泛應(yīng)用到診斷策略中，其中序貫診斷就可以被視為一項(xiàng)AL任務(wù)，在該任務(wù)中，學(xué)習(xí)者試圖找到一些目標(biāo)假設(shè)，對(duì)一些預(yù)言機(jī)制定順序查詢，從而請(qǐng)求額外的系統(tǒng)測(cè)量。文獻(xiàn)［138］通過(guò)AL提出一種用于確定下一個(gè)最佳詢問的查詢選擇度量（query selection measures， QSM）并用于序貫診斷策略構(gòu)建中，所提策略推導(dǎo)了QSM之間的優(yōu)勢(shì)和等價(jià)關(guān)系，并引入了改進(jìn)的QSM來(lái)克服診斷中存在的故障假設(shè)問題。

測(cè)試系統(tǒng)的仿真建模是分析可測(cè)試性和評(píng)估測(cè)試性能的重要途徑。針對(duì)現(xiàn)有的仿真建模方法無(wú)法滿足大量可DoT因素的需求問題（例如對(duì)于故障和干擾注入以及BIT的測(cè)試邏輯需求），文獻(xiàn)［139］提出了一種基于Stateflow的測(cè)試系統(tǒng)集成建模與仿真方法，動(dòng)態(tài)實(shí)現(xiàn)被測(cè)故障傳輸和BIT監(jiān)控過(guò)程，并通過(guò)故障注入功能生成診斷知識(shí)來(lái)計(jì)算測(cè)試性能指標(biāo)，實(shí)現(xiàn)更全面的可測(cè)試性評(píng)估。

通過(guò)以上基于數(shù)據(jù)驅(qū)動(dòng)構(gòu)建測(cè)試性故障診斷策略的文獻(xiàn)分析，基于數(shù)據(jù)驅(qū)動(dòng)的方法在對(duì)復(fù)雜動(dòng)態(tài)系統(tǒng)的診斷表現(xiàn)出了顯著優(yōu)勢(shì)，可以提升系統(tǒng)故障診斷精度，并且無(wú)需經(jīng)歷復(fù)雜的建模過(guò)程以及無(wú)需掌握大量的機(jī)理知識(shí)。值得指出的是，在實(shí)際應(yīng)用中，以上關(guān)于數(shù)據(jù)驅(qū)動(dòng)的診斷策略的目的大多為了構(gòu)建測(cè)試模型中的成本函數(shù)。然后，通過(guò)優(yōu)化決策函數(shù)得到最優(yōu)的故障診斷方案。其缺點(diǎn)是在測(cè)試數(shù)據(jù)樣本較少時(shí)，建模精度急劇下降，或者在具有海量測(cè)試數(shù)據(jù)時(shí)，計(jì)算時(shí)間急劇增加。因此，基于數(shù)據(jù)驅(qū)動(dòng)的測(cè)試性故障診斷策略對(duì)數(shù)據(jù)本身的質(zhì)量和數(shù)量要求較高。同時(shí)，對(duì)于具有高動(dòng)態(tài)性以及需要實(shí)時(shí)診斷的系統(tǒng)，其測(cè)試性故障診斷的研究仍有待進(jìn)一步考慮。

3" 總結(jié)與展望

3.1" 總結(jié)

DoT在確保系統(tǒng)的穩(wěn)定、安全、可靠運(yùn)行等方面具有非常重要的意義。本文總結(jié)了復(fù)雜工程系統(tǒng)DoT的研究進(jìn)展。依據(jù)DoT的實(shí)施流程，將其分為測(cè)試方案的設(shè)計(jì)與測(cè)試性診斷策略構(gòu)建兩大模塊。根據(jù)上述劃分模塊，詳細(xì)總結(jié)了目前DoT中的模型以及算法的應(yīng)用情況。通過(guò)對(duì)相關(guān)文獻(xiàn)的總結(jié)，基于模型的DoT方法和基于數(shù)據(jù)驅(qū)動(dòng)的DoT方法仍然存在一些亟待解決的挑戰(zhàn)性問題。從工程應(yīng)用的角度，目前DoT面臨著測(cè)試性指標(biāo)分配和面向健康管理的綜合設(shè)計(jì)等挑戰(zhàn)性問題，這兩個(gè)方面的問題嚴(yán)重影響了現(xiàn)有DoT的模型和算法向工程應(yīng)用的推廣。從理論研究的角度，DoT目前需要加強(qiáng)耦合故障系統(tǒng)的DoT研究、考慮動(dòng)態(tài)不確定因素的DoT研究、基于知識(shí)與數(shù)據(jù)的融合技術(shù)研究以及測(cè)試性、故障診斷、故障預(yù)測(cè)與維修決策的聯(lián)合研究，上述問題直接影響到目前的DoT方法在航空航天、智能制造、能源化工等復(fù)雜領(lǐng)域、敏感系統(tǒng)中的適用性。

3.2" 未來(lái)發(fā)展方向

根據(jù)以上內(nèi)容，本文總結(jié)出DoT中4個(gè)具有研究?jī)r(jià)值的未來(lái)發(fā)展方向，具體描述如下：

（1） 測(cè)試性約束構(gòu)建。眾所周知，設(shè)備進(jìn)行DoT時(shí)，首要工作是建立測(cè)試性約束條件。因此，為了指定合理的測(cè)試性約束，應(yīng)全面綜合多個(gè)影響要素?，F(xiàn)有研究在測(cè)試性建模過(guò)程中，大部分的約束條件只考慮FDR、FIR以及FAR，但是對(duì)于復(fù)雜工業(yè)系統(tǒng)來(lái)說(shuō)，故障處理不僅表現(xiàn)在上述三“率”中，還存在其他可能形式，如故障時(shí)延率、平均無(wú)故障時(shí)間等條件。因此，如何建立豐富的復(fù)合測(cè)試約束條件，以使系統(tǒng)設(shè)備所消耗的成本最少， 是需要更進(jìn)一步探索的問題。

（2） 耦合故障系統(tǒng)的DoT。面對(duì)復(fù)雜工程系統(tǒng)，某一不利因素有可能會(huì)與其他因素相互作用，進(jìn)而導(dǎo)致系統(tǒng)整體的崩潰。多因素誘發(fā)的事故具有隱蔽性強(qiáng)、因素關(guān)聯(lián)復(fù)雜、狀態(tài)不可逆等特點(diǎn)，耦合故障分析一直是復(fù)雜系統(tǒng)可靠性和安全性領(lǐng)域的重點(diǎn)與難點(diǎn)問題。現(xiàn)有的DoT研究大多集中于獨(dú)立的單故障或多故障系統(tǒng)，而針對(duì)多故障耦合系統(tǒng)的DoT還沒有得到充分解決。

（3） 分布式動(dòng)態(tài)診斷的DoT。之前的DoT往往都是處在系統(tǒng)運(yùn)行前或運(yùn)行后進(jìn)行事前指導(dǎo)或事后維修的環(huán)節(jié)，但現(xiàn)今復(fù)雜系統(tǒng)對(duì)于故障的快速診斷和修復(fù)具有高度的實(shí)時(shí)性要求，因此對(duì)DoT的動(dòng)態(tài)性具有較高要求。如何對(duì)大型復(fù)雜設(shè)備進(jìn)行實(shí)時(shí)診斷是需要深入研究的內(nèi)容之一。現(xiàn)代系統(tǒng)大多為分布式結(jié)構(gòu)，由多個(gè)相互交互的組件組成，這些組件可能位于不同的系統(tǒng)層級(jí)或地理位置，并且可能由不同的團(tuán)隊(duì)或組織開發(fā)和維護(hù)。這種復(fù)雜性增加了故障診斷的難度，因此一個(gè)潛在方向是考慮分布式動(dòng)態(tài)診斷的DoT，為具有不同子系統(tǒng)的復(fù)雜系統(tǒng)制定最優(yōu)測(cè)試性診斷策略。

（4） 面向健康管理的綜合DoT。 數(shù)據(jù)采集處理、DoT、故障診斷、故障預(yù)測(cè)和維修決策構(gòu)成一個(gè)完整的過(guò)程。這4個(gè)方面相互關(guān)聯(lián)，共同影響復(fù)雜系統(tǒng)的可靠運(yùn)行，它們的聯(lián)合研究具有極為重要的價(jià)值?，F(xiàn)有的DoT主要面向的是故障診斷環(huán)節(jié)。因?yàn)榫C合考慮整個(gè)運(yùn)行過(guò)程的安全性是一項(xiàng)極為復(fù)雜的任務(wù)，而DoT和健康管理的研究幾乎處于兩條平行線，使得關(guān)于數(shù)據(jù)采集處理、DoT、故障診斷、故障預(yù)測(cè)和維修決策的整體聯(lián)合研究進(jìn)展非常緩慢。因此，在未來(lái)的研究中，需要準(zhǔn)確描述其定量關(guān)系。

參考文獻(xiàn)

［1］ 王自力. 直升機(jī)可靠性、維修性指標(biāo)研究［J］. 航空學(xué)報(bào)， 1995， 16（S1）： 2027.

WANG Z L. Investigation of reliability and maintainability parameters for helicopters［J］. Acta Aeronautica et Astronautica Sinica， 1995， 16（S1）： 2027.

［2］ 姜斌， 吳云凱， 陸寧云， 等. 高速列車牽引系統(tǒng)故障診斷與預(yù)測(cè)技術(shù)綜述［J］. 控制與決策， 2018， 33（5）： 841855.

JIANG B， WU Y K， LU N Y， et al. Review of fault diagnosis and prognosis techniques for high-speed railway traction system［J］. Control and Decision， 2018， 33（5）： 841855.

［3］ 雷華軍. 電子系統(tǒng)測(cè)試方案優(yōu)化設(shè)計(jì)理論與關(guān)鍵技術(shù)研究［D］. 成都： 電子科技大學(xué)， 2015.

LEI H J. Research on optimization design theory of test scheme and key technologies for electronic system［D］. Chengdu： University of Electronic Science and Technology of China， 2015.

［4］ 田仲， 石君友. 系統(tǒng)測(cè)試性設(shè)計(jì)分析與驗(yàn)證［M］. 北京： 北京航空航天大學(xué)出版社， 2003.

TIAN Z， SHI J Y. System testability design and analysis and verification［M］. Beijing： Beihang University Press， 2003.

［5］ WILLIAMS T W， PARKER K P. Design for testability-a survey［J］. IEEE Trans.on Computers， 1982， 31（1）： 215.

［6］ 溫熙森， 徐永成， 易曉山， 等. 智能機(jī)內(nèi)測(cè)試?yán)碚撆c應(yīng)用［M］. 北京： 國(guó)防工業(yè)出版社， 2002.

WEN X S， XU Y C， YI X S， et al. Theory and application of intelligent built in test［M］. Beijing： National Defense Industry Press， 2002.

［7］ 應(yīng)文健， 程雨森， 王旋， 等. 基于研制階段數(shù)據(jù)融合的艦炮制導(dǎo)彈藥測(cè)試性評(píng)估方法［EB/OL］. 系統(tǒng)工程與電子技術(shù). ［20221019］. http：∥kns.cnki.net/kcms/detail/11.2422.TN.20220810.1350.002.html.

YING W J， CHENG Y S， WANG X， et al. Testability evaluation method of naval gun guided ammunition based on data fusion in development stage［EB/OL］. Systems Engineering and Electronics. ［20221019］. http：∥kns.cnki.net/kcms/detail/11.2422.TN.20220810.1350.002.html.

［8］ 邱文昊， 連光耀， 閆鵬程， 等. 考慮貢獻(xiàn)率和可信度的測(cè)試性試驗(yàn)優(yōu)化方法［J］. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)， 2022， 54（12）： 95102.

QIU W H， LIAN G Y， YAN P C， et al. Testability demonstration test optimization method considering contribution rate and credibility［J］. Journal of Harbin Institute of Technology， 2022， 54（12）： 95102.

［9］ 葛名立. 機(jī)載設(shè)備測(cè)試性建模與應(yīng)用［J］. 計(jì)算機(jī)測(cè)量與控制， 2022， 30（12）： 3641.

GE M L. Modeling and application of airborne equipments testability［J］. Computer Measurement amp; Control， 2022， 30（12）： 3641.

［10］ 賈占強(qiáng)， 梁保衛(wèi)， 王江輝， 等. 基于多信號(hào)流圖模型的典型無(wú)人機(jī)測(cè)控系統(tǒng)測(cè)試性優(yōu)化設(shè)計(jì)方法研究［J］. 測(cè)控技術(shù)， 2022， 41（6）： 2632.

JIA Z Q， LIANG B W， WANG J H， et al. Optimisation method of testability design for typical UAV TTamp;C based on multiple signal flow graph model［J］. Measurement amp; Control Technology， 2022， 41（6）： 2632.

［11］ 張莎， 章學(xué)良. 雷達(dá)裝備使用階段測(cè)試性指標(biāo)評(píng)估與驗(yàn)證［J］. 電子質(zhì)量， 2022， 4： 160165.

ZHANG S， ZHANG X L. Evaluation and verification of testability index of radar equipment in service stage［J］. Electronics Quality， 2022， 4： 160165.

［12］ 婁康， 王溢， 付黃龍. 基于TEAMS的調(diào)距槳電液系統(tǒng)故障診斷測(cè)試性建模與分析［J］. 機(jī)電設(shè)備， 2022， 39（3）： 3539.

LOU K， WANG Y， FU H L. Modeling and analysis of fault diagnosis testability of controllable pitch propeller electro-hydraulic system based on TEAMS［J］. Mechanical and Electrical Equipment， 2022， 39（3）： 3539.

［13］ 汪慶雷， 黃宏偉， 高強(qiáng). 基于層次分析法的導(dǎo)彈發(fā)射車測(cè)試性指標(biāo)分配方法研究［J］. 質(zhì)量與可靠性， 2022， 1： 5458.

WANG Q L， HUANG H W， GAO Q. Research on the allocation method of testability index of missile launch vehicles based on AHP［J］. Quality and Reliability， 2022， 1： 5458.

［14］ 王康， 史賢俊， 聶新華， 等. 基于測(cè)試性增長(zhǎng)的指標(biāo)動(dòng)態(tài)評(píng)估方法［J］. 振動(dòng)、 測(cè)試與診斷， 2021， 41（6）： 12061215， 1243.

WANG K， SHI X J， NIE X H， et al. A dynamic evaluation method of indicators based on test growth［J］. Journal of Vibration， Measurement amp; Diagnosis， 2021， 41（6）： 12061215， 1243.

［15］ 王華茂. 航天器綜合測(cè)試技術(shù)發(fā)展與展望［J］. 航天器工程， 2021， 30（5）： 125132.

WANG H M. Spacecraft comprehensive testing technology development and prospects［J］. Spacecraft Engineering， 2021， 30（5）： 125132.

［16］ 楊鵬. 基于相關(guān)性模型的診斷策略優(yōu)化設(shè)計(jì)技術(shù)［D］. 長(zhǎng)沙： 國(guó)防科學(xué)技術(shù)大學(xué)， 2009.

YANG P. Optimization technology of design for diagnostic strategy based on dependency model［D］. Changsha： National University of Defense Technology， 2009.

［17］ GREENSPAN M A. Establishing testability standards［C］∥Proc.of the IEEE AUTOTESTCON， 1978： 275281.

［18］ WILLIAM L K. Service initiative in testability［C］∥Proc.of the IEEE Reliability and Maintainability Symposium， 1984： 158161.

［19］ KELLER T A. Mate as viewed by westinghouse［C］∥Proc.of the IEEE AUTOTESTCON， 1978： 121123.

［20］ 邱靜， 劉冠軍， 楊鵬， 等. 裝備測(cè)試性建模與設(shè)計(jì)技術(shù)［M］. 北京： 科學(xué)出版社， 2013： 18.

QIU J， LIU G J， YANG P， et al. Equipment testability mo-deling and design technology［M］. Beijing： Science Press， 2013： 18.

［21］ 劉冠軍， 溫熙森， 易曉山. 基于邊界掃描的電路板測(cè)試性優(yōu)化設(shè)計(jì)［J］. 計(jì)算機(jī)工程與科學(xué)， 2002， 2： 7376.

LIU G J， WEN X S， YI X S. Optimal design for the testability of circuit boards based on boundary scan［J］. Computer Engineering amp; Science， 2002， 2： 7376.

［22］ MIL-STD-2165A—1993. Military standard testability program for systems and equipments［S］. Fort Belvoir： Defense System Management College， 1993.

［23］ ERIC G. Modeling it both ways： hybrid diagnostic modeling and its application to hierarchical system designs［C］∥Proc.of the IEEE AUTOTESTCON， 2004： 576582.

［24］ DEB S， PATTIPATI K R， RAGHAVAN V， et al. Multi-signal flow graphs： a novel approach for system testability analysis and fault diagnosis［C］∥Proc.of the AUTOTESTCON， 1995： 361373.

［25］ 葉文， 呂鑫燚， 呂曉峰， 等. 考慮關(guān)鍵故障的測(cè)試優(yōu)化選擇［J］. 系統(tǒng)工程與電子技術(shù)， 2019， 41（7）： 15831589.

YE W， LYU X Y， LYU X F， et al. Optimized test selection method considering critical faults［J］. Systems Engineering and Electronics， 2019， 41（7）： 15831589.

［26］ ZAKERI-NASRABADI M， PARSA S. An ensemble meta-estimator to predict source code testability［J］. Applied Soft Computing， 2022， 129： 109562.

［27］ CANNAS B， FANNI A， MANETTI S， et al. Neural network-based analog fault diagnosis using testability analysis［J］. Neural Computing amp; Applications， 2004， 13（4）： 288298.

［28］ SEN S， NATH S S， MALEPATI V N， et al. Simulation-based testability analysis and fault diagnosis［C］∥Proc.of the IEEE AUTOTESTCON， 1996： 136148.

［29］ KHOOL P， TOR S B， LI J R. A rough set approach to the ordering of basic events in a fault tree for fault diagnosis［J］. The International Journal of Advanced Manufacturing Technology， 2001， 17（10）： 769774.

［30］ WANG S， JI Y D， YANG S Y. A stochastic combinatorial optimization model for test sequence optimization［C］∥Proc.of the International Colloquium on Computing， Communication， Control， and Management， 2009： 311315.

［31］ 張士剛. 非完美測(cè)試條件下的測(cè)試性設(shè)計(jì)理論與方法研究［D］. 長(zhǎng)沙： 國(guó)防科技大學(xué)， 2013.

ZHANG S G. Research on the theory and method of testability design with imperfect tests［D］. Changsha： National University of Defense Technology， 2013.

［32］ 謝皓宇， 邱靜， 楊鵬. 考慮單元互測(cè)的測(cè)試性指標(biāo)分配方法［J］. 系統(tǒng)工程與電子技術(shù)， 2019， 41（12）： 28992904.

XIE H Y， QIU J， YANG P. Testability index allocation met-hod considering unit mutual test［J］. Systems Engineering and Electronics， 2019， 41（12）： 28992904.

［33］ STROUD C E. A designer’s guide to built-in self-test［M］. New York： Springer Science amp; Business Media， 2006.

［34］ FRISCH A， ALMY T. HABIST： histogram-based analog built in self test［C］∥Proc.of the International Test Conference， 1997： 760767.

［35］ WANG L T， WU C W， WEN X Q. VLSI test principles and architectures［M］. Burlington： Morgan Kaufmann， 2006： 263340.

［36］ 楊彥卿， 郭晨. 一種LED燈串故障自檢測(cè)電路的設(shè)計(jì)與實(shí)現(xiàn)［J］. 液晶與顯示， 2019， 34（4）： 402409.

YANG Y Q， GUO C. Design and implementation of a fault self-detection circuit for LED string［J］. Chinese Journal of Li-quid Crystals and Displays， 2019， 34（4）： 402409.

［37］ MASNITA M I， ZUHA W H W， SIDEK R M， et al. The data and read/write controller for March-based SRAM diagnostic algorithm MBIST［C］∥Proc.of the IEEE Student Conference on Research and Development， 2009： 296299.

［38］ SUBIR K R. Integration verification in system on chips using formal techniques［EB/OL］. ［20230601］. https：∥www.intechopen.com/chapters/6642.

［39］ WEHAGE E. Built-in self test parallel JTAG serial chain architecture for reduced test vector size［P］. U.S.：No.2003/0172333/A1， 2003.

［40］ DAS D， TOUBA N A. Reducing test data volume using external/LBIST hybrid test patterns［C］∥Proc.of the International Test Conference， 2000： 35.

［41］ BLOCK S G， RUEVENI D R. Logic built-in self test （BIST）［P］. U.S.： No. 6， 904， 554 B2， 2005.

［42］ LI N， CARLSSON G， DUBROVA E， et al. Logic BIST： State-of-the-art and open problems［EB/OL］. ［20230601］. https：∥doi.org/10.48550/arXiv. 1503. 04628.

［43］ BENSO A， CHIUSANO S， DI NATALE G， et al. An on-line BIST RAM architecture with self-repair capabilities［J］. IEEE Trans.on Reliability， 2002， 51（1）： 123128.

［44］ ZORIAN Y， SHOUKOURIAN S. Embedded memory test and repair： infrastructure IP for SoC yield［J］. IEEE Design and Test of Computers， 2003， 3（20）： 340349.

［45］ CHARLOT B， MIR S， PARRAIN F， et al. Electrically induced stimuli for MEMS self-test［C］∥Proc.of the 19th IEEE VLSI Test Symposium， 2001： 210215.

［46］ CHARLOT B， MIR S， PARRAIN F， et al. Generation of electrically induced stimuli for MEMS self-test［J］. Journal of Electronic Testing， 2001， 17（6）： 459470.

［47］ 王國(guó)書， 劉桂峰， 吳杰長(zhǎng)， 等. 氣墊船縱橫傾信號(hào)處理電路測(cè)試性設(shè)計(jì)及BIT實(shí)現(xiàn)［J］. 兵器裝備工程學(xué)報(bào)， 2021， 42（7）： 228233.

WANG G S， LIU G F， WU J C， et al. Testability design and BIT realization of the vertical and horizontal tilting signal processing circuit of hovercraft［J］. Journal of Ordnance Equipment Engineering， 2021， 42（7）： 228233.

［48］ SHI J Y， LI J Z， SHI M. Method of automated BIT 1 alarms simulation based on EDA［C］∥Proc.of the 6th IEEE Conference on Industrial Electronics and Applications， 2011： 14491453.

［49］ DERMENTZOGLOU L E， ARAPOYANNI A， TSIATOUHAS Y. A built-in-test circuit for RF differential low noise amplifiers［J］. IEEE Trans.on Circuits and Systems I： Regular Papers， 2010， 57（7）： 15491558.

［50］ ROBERTS G W， ALI-BAKHSHIAN M. A brief introduction to time-to-digital and digital-to-time converters［J］. IEEE Trans.on Circuits and Systems II： Express Briefs， 2010， 57（3）： 153157.

［51］ SUPON T M， THANGARAJAH K， RASHIDZADEH R， et al. A PLL based readout and built-in self-test for MEMS sen-sors［C］∥Proc.of the IEEE 54th International Midwest Symposium on Circuits and Systems， 2011： 14.

［52］ 袁劍平， 孫寒冰. 電液伺服閥放大器的機(jī)內(nèi)測(cè)試技術(shù)［J］. 中國(guó)艦船研究， 2021， 16（3）： 207214.

YUAN J P， SUN H B. Built-in test technology for electro-hydraulic servo-valve amplifier［J］. Chinese Journal of Ship Research， 2021， 16（3）： 207214.

［53］ JIA C， MILOR L. A DLL design for testing I/O setup and hold times［J］. IEEE Trans.on Very Large Scale Integration Systems， 2009， 17（11）： 15791592.

［54］ SALVIA J， CAGDASER B， KHENKIN A S. Electrical testing and feedthrough cancellation for an acoustic sensor［P］. U.S. Patent 9， 661， 433， 2017523.

［55］ PAN C Y， CHENG K T. Pseudo-random testing and signature analysis for mixed-signal circuits［C］∥Proc.of the IEEE International Conference on Computer Aided Design， 1995： 102107.

［56］ JEFFREY C， DUMAS N， XU Z， et al. Sensor testing through bias superposition［J］. Sensors and Actuators A： Physical， 2007， 136（1）： 441455.

［57］ BEROULLE V， BERTRAND Y， LATORRE L， et al. Test and testability of a monolithic MEMS for magnetic field sensing［J］. Journal of Electronic Testing， 2001， 17（5）： 439450.

［58］ DUMAS N， XU Z， GEORGOPOULOS K， et al. Online testing of MEMS based on encoded stimulus superposition［J］. Journal of Electronic Testing， 2008， 24（6）： 555566.

［59］ JEFFREY C， XU Z， RICHARDSON A. Using bias superposition to test a thick film conductance sensor［J］. Journal of Physics： Conference Series， 2005， 15（1）： 161.

［60］ PECHT M， DUBE M， NATISHAN M， et al. Evaluation of built-in test［J］. IEEE Trans.on Aerospace and Electronic Systems， 2001， 37（1）： 266271.

［61］ GREENE K， CHAUHAN V， FLOYD B. Built-in test of phased arrays using code-modulated interferometry［J］. IEEE Trans.on Microwave Theory and Techniques， 2018， 66（5）： 24632479.

［62］ XU Z， KOLTSOV D， RICHARDSON A， et al. Design and simulation of a multi-function MEMS sensor for health and usage monitoring［C］∥Proc.of the Prognostics and System Health Management Conference， 2010.

［63］ KAMPMANN M， KOCHTE M A， LIU C， et al. Built-in test for hidden delay faults［J］. IEEE Trans.on Computer-Aided Design of Integrated Circuits and Systems， 2018， 38（10）： 19561968.

［64］ SHEPPARD J W， SIMPSON W R. A mathematical model for integrated diagnostics［J］. IEEE Design amp; Test of Computers， 1991， 8（4）： 2538.

［65］ SHAKERI M. Advances in system fault modeling and diagnosis［M］. Storrs， USA： University of Connecticut， 1996.

［66］ GOULD E. Modeling it both ways： hybrid diagnostic modeling and its application to hierarchical system designs［C］∥Proc.of the AUTOTESTCON， 2004： 576582.

［67］ SIMPSON W R， SHEPPARD J W. System complexity and integrated diagnostics［J］. IEEE Design amp; Test of Computers， 1991， 8（3）： 1630.

［68］ LU N Y， JIANG B， MENG X F， et al. Diagnosis， diagnosticability analysis， and test point design for multiple faults based on multisignal modeling and blind source separation［J］. IEEE Trans.on Systems， Man， and Cybernetics： Systems， 2017， 50（1）： 137148.

［69］ OU L Q， BAI F. The integrative technology of testability design and fault diagnosis for complex electronic information system［C］∥Proc.of the Artificial Intelligence in China， 2020： 391397.

［70］ LI Y， LU N Y， SHI J T， et al. A quantitative causal diagram based optimal sensor allocation strategy considering the propagation of fault risk［J］. Journal of the Franklin Institute， 2021， 358（1）： 10211043.

［71］ HAN L， SHI X J， ZHAI Y Y， et al. Testability modeling method based on MSFG-BN composite model［C］∥Proc.of the 5th International Conference on Automation， Control and Robotics Engineering， 2020： 212215.

［72］ CAO Z Y， DONG H Y， GU Q F， et al. Importance measure analysis method for maintenance based on mutil-function testability states［C］∥Proc.of the IOP Conference Series： Materials Science and Engineering， 2020： 012042.

［73］ ZHAI Y， SHI X， HAN L， et al. A testability model method based on three-state fault colored generalized stochastic petri nets［C］∥Proc.of the Advances in Guidance， Navigation and Control， 2022： 183193.

［74］ RAJPATHAK D G， SINGH S. An ontology-based text mining method to develop D-matrix from unstructured text［J］. IEEE Trans.on Systems， Man， and Cybernetics： Systems， 2013， 44（7）： 966977.

［75］ DU X S， HU B， QIN J. Testabilityanalysis method of radar equipment based on dependency model［J］. Journal of Physics： Conference Series， 2021， 2093（1）： 012031.

［76］ YANG C L. Parallel-series multiobjective genetic algorithm for optimal tests selection with multiple constraints［J］. IEEE Trans.on Instrumentation and Measurement， 2018， 67（8）： 18591876.

［77］ LUO H， WANG Y R， LIN H， et al. A new optimal test node selection method for analog circuit［J］. Journal of Electronic Testing， 2012， 28（3）： 279290.

［78］ SAEEDI S， PISHGAR S H， ESLAMI M. Optimum test point selection method for analog fault dictionary techniques［J］. Ana-log Integrated Circuits and Signal Processing， 2019， 100（1）： 167179.

［79］ LIU Y. Optimal selection of tests for fault detection and isolation in multi-operating mode system［J］. Journal of Systems Engineering and Electronics， 2019， 30（2）： 425434.

［80］ MA Q F， HE Y Z， ZHOU F Q， et al. Test point selection method for analog circuit fault diagnosis based on similarity coefficient［J］. Mathematical Problems in Engineering， 2018， 2018： 9714206.

［81］ YANG C L， CHEN F， TIAN S L. Grouped genetic algorithm based optimal tests selection for system with multiple operation modes［J］. Journal of Electronic Testing， 2017， 33（4）： 415429.

［82］ ZHAO C X， PATTIPATI K R. A Markov chain-based tes-tability growth model with a cost-benefit function［J］. IEEE Trans.on Systems， Man， and Cybernetics： Systems， 2015， 46（4）： 524534.

［83］ ZHAO C X， QIU J， LIU G J， et al. Planning， tracking and projecting method for testability growth based on in time correction［J］. Proceedings of the Institution of Mechanical Engineers， Part O： Journal of Risk and Reliability， 2016， 230（2）： 228236.

［84］ ZHAO Z A， ZHANG Y， LIU G J， et al. Statistical analysis of time-varying characteristics of testability index based on NHPP［J］. IEEE Access， 2017， 5： 47594768.

［85］ YE X R， CHEN C， KANG M S， et al. A joint distribution-based testability metric estimation model for unreliable tests［J］. IEEE Access， 2018， 6： 4256642577.

［86］ 應(yīng)文健， 程雨森， 王旋， 等. 基于研制階段數(shù)據(jù)融合的艦炮制導(dǎo)彈藥測(cè)試性評(píng)估方法［EB/OL］. 系統(tǒng)工程與電子技術(shù).［20230501］. http：∥kns.cnki.net/kcms/detail/11.2422.TN.20220810.1350.002.html.

YING W J， CHENG Y S， WANG X， et al. Testability evaluation method of naval gun guided ammunition based on data fusion in development stage［EB/OL］. Systems Engineering and Electronics.［20230501］. http：∥kns.cnki.net/kcms/detail/11.2422.TN.20220810.1350.002.html.

［87］ LI Y， WANG X L， LU N Y， et al. Conditional Joint distribution-based test selection for fault detection and isolation［J］. IEEE Trans.on Cybernetics， 2021， 52（12）： 1316813180.

［88］ LI Y， ZIO E， LU N Y， et al. Joint distribution-based test selection for fault detection and isolation under multiple faults condition［J］. IEEE Trans.on Instrumentation and Measurement， 2020， 70： 113.

［89］ LUO H， WANG Y R， LIN H， et al. A new optimal test node selection method for analog circuit［J］. Journal of Electronic Testing， 2012， 28（3）： 279290.

［90］ AO Y C， SHI Y B， ZHANG W， et al. An approximate calculation of ratio of normal variables and its application in analog circuit fault diagnosis［J］. Journal of Electronic Testing， 2013， 29（4）： 555565.

［91］ TAN H， PENG M F. Minimization of ambiguity in parametric fault diagnosis of analog circuits： a complex network approach［J］. Applied Mathematics and Computation， 2012， 219（1）： 408415.

［92］ CUI J， WANG Y R. A novel approach of analog circuit fault diagnosis using support vector machines classifier［J］. Measurement， 2011， 44（1）： 281289.

［93］ VASAN A S S， LONG B， PECHT M. Diagnostics and prognostics method for analog electronic circuits［J］. IEEE Trans.on Industrial Electronics， 2012， 60（11）： 52775291.

［94］ DENG Y， SHI Y B， ZHANG W. An approach to locate parametric faults in nonlinear analog circuits［J］. IEEE Trans.on Instrumentation and Measurement， 2011， 61（2）： 358367.

［95］ KUMAR A， SINGH A P. Fuzzy classifier for fault diagnosis in analog electronic circuits［J］. ISA Transactions， 2013， 52（6）： 816824.

［96］ LITOVSKI V， ANDREJEVI M， ZWOLINSKI M. Analogue electronic circuit diagnosis based on ANNs［J］. Microelectronics Reliability， 2006， 46（8）： 13821391.

［97］ YUAN L F， HE Y G， HUANG J Y， et al. A new neural-network-based fault diagnosis approach for analog circuits by using kurtosis and entropy as a preprocessor［J］. IEEE Trans.on Instrumentation and Measurement， 2009， 59（3）： 586595.

［98］ HUANG K， STRATIGOPOULOS H G， MIR S， et al. Diagnosis of local spot defects in analog circuits［J］. IEEE Trans.on Instrumentation and Measurement， 2012， 61（10）： 27012712.

［99］ LUO H， WANG Y R， CUI J. A SVDD approach of fuzzy classification for analog circuit fault diagnosis with FWT as preprocessor［J］. Expert Systems with Applications， 2011， 38（8）： 1055410561.

［100］ XIONG J， TIAN S L， YANG C L. Fault diagnosis for analog circuits by using EEMD， relative entropy， and ELM［J］. Computational Intelligence and Neuroscience， 2016， 2016： 7657054.

［101］ YU W X， SUI Y， WANG J. The faults diagnostic analysis for analog circuit based on FA-TM-ELM［J］. Journal of Electronic Testing， 2016， 32（4）： 459465.

［102］ SUN Y， MILLICAN S. Test point insertion using artificial neural networks［C］∥Proc.of the IEEE Computer Society Annual Symposium on VLSI， 2019： 253258.

［103］ AIZENBERG I， BELARDI R， BINDI M， et al. A neural network classifier with multi-valued neurons for analog circuit fault diagnosis［J］. Electronics， 2021， 10（3）： 349.

［104］ CHEN L Y， ZHAI G F， YE X R， et al. Testability design based on relevance of circuit nodes and fault diagnosis［C］∥Proc.of the Prognostics and System Health Management Conference， 2017.

［105］ WANG J Y， LIU Z， WANG J H， et al. Ageneral enhancement method for test strategy generation for the sequential fault diagnosis of complex systems［J］. Reliability Engineering amp; System Safety， 2022， 228： 108754.

［106］ ZHOU J L， TIAN S L， YANG C L， et al. Test generation algorithm for fault detection of analog circuits based on extreme learning machine［J］. Computational Intelligence and Neuroscience， 2014， 2014： 740838.

［107］ MEI W J， LIU Z， TANG L， et al. Teststrategy optimization based on soft sensing and ensemble belief measurement［J］. Sensors， 2022， 22（6）： 2138.

［108］ TANG X F， XU A Q， NIU S C. KKCV-GA-based method for optimal analog test point selection［J］. IEEE Trans.on Instrumentation and Measurement， 2016， 66（1）： 2432.

［109］ TANG X F， XU A Q， LI R F， et al. Simulation-based diagnostic model for automatic testability analysis of analog circuits［J］. IEEE Trans.on Computer-Aided Design of Integra-ted Circuits and Systems， 2017， 37（7）： 14831493.

［110］ LI Y， CHEN H T， LU N Y， et al. Data-driven optimal test selection design for fault detection and isolation based on CCVKL method and PSO［J］. IEEE Trans.on Instrumentation and Measurement， 2022， 71： 110.

［111］ HUANG C Z， WANG Y S， HOU G L， et al. An LSTM-BINN approach for built-in test analog signal state recognition of heavy-duty gas turbine controllers［J］. IEEE Trans.on Instrumentation and Measurement， 2021， 70： 111.

［112］ HUANG C Z， SHEN Z D， ZHANG J H， et al. BIT-based intermittent fault diagnosis of analog circuits by improved deep forest classifier［J］. IEEE Trans.on Instrumentation and Measurement， 2022， 71： 113.

［113］ 謝皓宇. 系統(tǒng)級(jí)測(cè)試性設(shè)計(jì)關(guān)鍵問題研究［M］. 長(zhǎng)沙： 國(guó)防科技大學(xué)， 2019.

XIE H Y. Study on key issues of system level testability design［M］. Changsha： National University of Defense Technology，2019.

［114］ 陸寧云， 孟憲鋒， 姜斌， 等. 基于多信號(hào)模型和盲源分離的復(fù)合故障診斷方法［J］. 控制與決策， 2016， 31（11）： 19451952.

LU N Y， MENG X F， JIANG B， et al. Compound fault diagnosis method based on multi-signal model and blind source separation［J］. Control and Decision， 2016， 31（11）： 19451952.

［115］ ZHANG G F. Optimum sensor localization in a diagnostic/prognostic architecture［D］. Atlanta： Georgia Institute of Technology， 2005.

［116］ LI Y， LU N Y， WANG X L， et al. Islanding fault detection based on data-driven approach with active developed reactive power variation［J］. Neurocomputing， 2019， 337： 97109.

［117］ FONTANA G， GRASSO F， LUCHETTA A， et al. Testability analysis based on complex-field fault modeling［C］∥Proc.of the 15th International Conference on Synthesis， Mo-deling， Analysis and Simulation Methods and Applications to Circuit Design， 2018： 3336.

［118］ YU J S， SHI Y Y， TANG D Y， et al. Optimizing sequential diagnostic strategy for large-scale engineering systems using a quantum-inspired genetic algorithm： a comparative study［J］. Applied Soft Computing， 2019， 85： 105802.

［119］ HE W， HE Y G， LI B. Generative adversarial networks with comprehensive wavelet feature for fault diagnosis of analog circuits［J］. IEEE Trans.on Instrumentation and Measurement， 2020， 69（9）： 66406650.

［120］ ZHOU D X， ZHANG W L， XIE X M， et al. Research on the application of extension rule on fault diagnosis expert system inference engine［C］∥Proc.of the 2nd International Confe-rence on Mechanic Automation and Control Engineering， 2011： 15691572.

［121］ WANG C W， LI P， BOREN C， et al. Design of pump fault diagnosis system based on T-FMEA［J］. Journal of Physics： Conference Series， 2018， 1060（1）： 012093.

［122］ TADEUSIEWICZ M， HAGAS S. A method for multiple soft fault diagnosis of linear analog circuits［J］. Measurement， 2019， 131： 714722.

［123］ SHI J Y， DENG Y， WANG Z L. Novel testability modelling and diagnosis method considering the supporting relation between faults and tests［J］. Microelectronics Reliability， 2022， 129： 114463.

［124］ ERDINC O， BRIDEAU C， WILLETT P， et al. Fast diagnosis with sensors of uncertain quality［J］. IEEE Trans.on Systems， Man， and Cybernetics， Part B （Cybernetics）， 2008， 38（4）： 11571165.

［125］ 張森， 于登云， 王九龍. 大虛警率下的多故障診斷算法［J］. 中國(guó)空間科學(xué)技術(shù)， 2012， 2： 5561.

ZHANG S， YU D Y， WANG J L. Multiple fault diagnosis algorithm under large 1 alarm rate tests［J］. Chinese Space Science and Technology， 2012， 2： 5561.

［126］ LV X， ZHOU D， MA L， et al. Dependency model-based multiple fault diagnosis using knowledge of test result and fault prior probability［J］. Applied Sciences， 2019， 9（2）： 311.

［127］ 秦玉峰， 史賢俊. 基于多信號(hào)流圖和相似性度量的故障可診斷性評(píng)價(jià)方法［J］. 系統(tǒng)工程與電子技術(shù)， 2023， 45（1）： 302312.

QIN Y F， SHI X J. Fault diagnosability evaluation method based on multi-signal flow graph and similarity measure［J］. Systems Engineering and Electronics， 2023， 45（1）： 302312.

［128］ LU B， MEI W J， ZHOU J M， et al. Annovel testing sequence optimization method under dynamic environments［C］∥Proc.of the 10th International Conference on Communications， Circuits and Systems， 2018： 479483.

［129］ YANG H H， MENG C， WANG C. A probability first memetic algorithm for the dynamic multiple-fault diagnosis problem with non-ideal tests［J］. Memetic Computing， 2020， 12（2）： 101113.

［130］ SINGH S， KODALI A， CHOI K， et al. Dynamic multiple fault diagnosis： mathematical formulations and solution techniques［J］. IEEE Trans.on Systems， Man， and Cybernetics-Part A： Systems and Humans， 2008， 39（1）： 160176.

［131］ ZHANG S G， WANG L， LIU Y， et al. Real time fault diagnosis with tests of uncertain quality for multimode systems and its application in a satellite power system［J］. Journal of Electronic Testing， 2018， 34（5）： 529545.

［132］ ZHANG S G， HU Z， WEN X S. Sequential fault diagnosis strategy with imperfect tests considering life cycle cost［J］. Journal of Central South University， 2013， 20（12）： 35133521.

［133］ WANG J Y， LIU Z， CHEN X W， et al. Anovel bottom-up/top-down hybrid strategy-based fast sequential fault diagnosis method［J］. Electronics， 2021， 10（12）： 1441.

［134］ TIAN H， DUAN F H， FAN L， et al. Fault diagnostic strategy of multivalued attribute system based on growing algorithm［C］∥Proc.of the Institution of Mechanical Engineers， Part O： Journal of Risk and Reliability， 2019， 233（2）： 235245.

［135］ LIAO X Y， LI Y， LU N Y， et al. Optimal test sequencing method with unreliable tests based on quasi-depth first search algorithm［C］∥Proc.of the CAA Symposium on Fault Detection， Supervision and Safety for Technical Processes， 2019： 794798.

［136］ GUO M W， NI S H， ZHU J H. Intelligent built-in test fault diagnosis and prediction for mechatronics equipment［J］. Applied Mechanics and Materials， 2012， 128： 164167.

［137］ LIANG Y J， XIAO M Q， TANG X L， et al. A Q-learning based method of optimal fault diagnostic policy with imperfect tests［J］. Journal of Intelligent amp; Fuzzy Systems， 2019， 36（6）： 60136024.

［138］ RODLER P. On active learning strategies for sequential diagnosis［C］∥Proc.of the 28th International Workshop on Principles of Diagnosis， 2017： 264283.

［139］ SHI J Y， HE Q J， WANG Z L. Integrated stateflow-based simulation modelling and testability evaluation for electronic built-in-test （BIT） systems［J］. Reliability Engineering amp; System Safety， 2020， 202： 107066.

作者簡(jiǎn)介

陸寧云（1978—），女，教授，博士，主要研究方向?yàn)閿?shù)據(jù)驅(qū)動(dòng)的故障診斷、故障預(yù)測(cè)與健康管理。

李" 洋（1991—），男，講師，博士，主要研究方向?yàn)闇y(cè)試性設(shè)計(jì)、故障診斷。

姜" 斌（1966—），男，教授，博士，主要研究方向?yàn)橹悄芄收显\斷與容錯(cuò)控制及其在飛機(jī)、衛(wèi)星和高速列車上的應(yīng)用。

黃守金（1997—），男，博士研究生，主要研究方向?yàn)楣收细丛\斷、故障傳播分析。

馬" 坤（1993—），女，助理研究員，博士，主要研究方向?yàn)闇y(cè)量技術(shù)、光學(xué)傳感及可靠性分析。