摘" 要：

測試性設計是提高系統(tǒng)可靠性、安全性、維修性、保障性的重要前沿技術，決定了系統(tǒng)故障檢測率和隔離率，直接影響系統(tǒng)的維護（測試）成本。系統(tǒng)測試性設計包含結(jié)構化設計、模型化設計、數(shù)據(jù)驅(qū)動設計等多種設計策略。其中，數(shù)據(jù)驅(qū)動設計于近年逐漸興起并成為重要發(fā)展方向之一，該類方法通過對系統(tǒng)測試與故障之間的關系進行建模，依據(jù)測試結(jié)果進行故障推理，形成故障診斷方案。首先，簡要回顧了系統(tǒng)測試性設計的發(fā)展歷程;其次，重點介紹了測試性設計的研究進展，分析總結(jié)了結(jié)構化、模型化、數(shù)據(jù)驅(qū)動3類測試方案;然后，介紹了測試性診斷策略構建，根據(jù)測試方案中的建模方法確定診斷策略的構建技術，并總結(jié)歸納了每類技術的研究特點和適用性;最后，探討了當前復雜系統(tǒng)測試性設計面臨的挑戰(zhàn)性問題和可能的未來研究方向。

關鍵詞：

測試性設計; 模型化設計; 數(shù)據(jù)驅(qū)動; 測試性診斷策略

中圖分類號：

TP 273

文獻標志碼： 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)的集成度與復雜度越來越高，所面臨的可靠性與安全性問題日益突出，系統(tǒng)維護保障難度與成本急劇增加，對系統(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、準確、有效，是實施系統(tǒng)故障診斷與健康管理技術的基礎;測試性設計（design of testability， DoT）是提供系統(tǒng)關鍵故障診斷信息的重要途徑。

DoT是一個發(fā)展歷史比較悠久、理論比較成熟、技術應用比較全面的領域，是在可靠性試驗的基礎上，在產(chǎn)品設計階段執(zhí)行，用來確定系統(tǒng)和設備工作狀態(tài)并隔離其內(nèi)部故障的一種設計特性［45］。自20世紀80年代以來，美國軍方、高校、研究所和軍工企業(yè)已在DoT領域開展了廣泛而深入的研究。

與國外相比，國內(nèi)的DoT技術從20世紀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《裝備測試性大綱》（GJB 2547），對國內(nèi)DoT技術應用規(guī)范發(fā)展起到了重要推動作用。近年來，DoT逐漸受到了國內(nèi)高校和研究機構的重視［34，615］，已在國家重大工程和重點型號中廣泛應用，并得到良好效果。

DoT近四十年的發(fā)展歷程可以概括為4個階段：經(jīng)驗化設計、結(jié)構化設計、模型化設計和數(shù)據(jù)驅(qū)動的智能化設計階段［16］。

DoT的概念提出伊始，還沒有相對成熟的理論體系與設計框架，在工程中遇到測試問題時，工作人員只能依賴實踐中累積的經(jīng)驗，通過指導手冊、用戶指南以及技術報告等形式進行DoT工作。代表性成果包括美國海軍在1976年發(fā)布的《機內(nèi)測試設計指南》《測試性指南報告》以及美國空軍在1978年開展的模塊化自動測試項目等［1719］。由于基于經(jīng)驗的DoT屬于一種原則性設計方法，在具體的工程實踐中，其可操作性、實用性、泛化性較差，難以開展大規(guī)模的DoT工作。

為解決復雜系統(tǒng)測試時間長、測試不精確等問題，以機內(nèi)測試（built in test， BIT）或嵌入式測試［20］為代表的專項測試逐漸發(fā)展成為基于系統(tǒng)工程的結(jié)構化DoT。BIT是由系統(tǒng)或設備內(nèi)部提供的具有檢測和隔離故障能力的自動化測試手段，根據(jù)其結(jié)構形式的不同，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應用層級和規(guī)模的不同， BIT可分為機內(nèi)測試設備（BIT equipment， BITE）和機內(nèi)測試系統(tǒng)（BIT system， BITS）。

在結(jié)構化DoT階段，與BIT并行發(fā)展的是外部測試，通常包含外部自動測試設備（automatic test equipment， ATE）和人工測試［6，22］。ATE依賴于自動測試設備或者自動測試系統(tǒng)，自動完成被測單元的故障診斷、功能參數(shù)分析以及性能評價。人工測試通常是在BIT和ATE不能檢測與隔離故障的情況下，依賴有經(jīng)驗的維修人員完成故障診斷測試。

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

得益于近年來新一代信息技術和人工智能的快速發(fā)展，數(shù)據(jù)驅(qū)動的智能化設計逐漸受到重視［26］。與模型化DoT方法不同，數(shù)據(jù)驅(qū)動的設計方法無需掌握大量機理知識來構建測試性模型，而是基于大量可測數(shù)據(jù)本身所反映的系統(tǒng)狀態(tài)，采用機器學習、深度學習等智能模型直接構建測試性診斷策略［2728］。但由于數(shù)據(jù)驅(qū)動和人工智能方法對數(shù)據(jù)自身的要求比較高，從應用角度，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)和設備具備準確診斷與快速隔離相應故障的能力。DoT的輸入通常包括系統(tǒng)結(jié)構原理、機理模型、經(jīng)驗知識、可測數(shù)據(jù)等，其輸出包括給定測點布局下各類故障的測試序列、故障測試相關矩陣等信息。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行測試后，基于測試數(shù)據(jù)推理得出系統(tǒng)和設備的健康狀態(tài)，并在設備發(fā)生異常時報警，推理得到故障單元，實現(xiàn)故障診斷與隔離。

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

1" 測試方案設計

DoT的一般流程通常分為論證階段、設計階段、生產(chǎn)階段、鑒定驗收階段［31］。在論證階段，主要完成測試性指標的分配［32］，以及系統(tǒng)和設備的測試性需求分析。在設計階段，主要進行測試方案設計與評估、診斷策略設計與評估，如圖1所示。生產(chǎn)階段則根據(jù)測試性結(jié)果完成相應的軟硬件開發(fā)設計。驗收階段通過測試性試驗驗證來評估系統(tǒng)和設備的測試性水平并判斷系統(tǒng)和設備的合格性。

測試方案是關于系統(tǒng)和設備在測試設計階段建模與優(yōu)化的總體設想，圖2給出其主要構成要素［4］。

無論采用BIT、ATE還是人工測試方式，測試點都占據(jù)著關鍵組成要素。其原因可結(jié)合系統(tǒng)測試與診斷的過程進行說明：

（1） 由BIT、ATE或人工測試生成合適的信號激勵，在測試點將激勵載入被測系統(tǒng);

（2） 在測試點處部署傳感器測量系統(tǒng)和設備的輸出響應，被測量通常由表征系統(tǒng)狀態(tài)的一個或多個變量的測量值構成，如電壓、增益、電流、相位等;

（3） 對所獲得的測量值進行分析和處理，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)故障特征構建相應的故障診斷策略，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)中蘊含故障特征的可測信息是進行診斷策略設計的前提，這就要求系統(tǒng)提供必要的物理測點。對于現(xiàn)代復雜工程系統(tǒng)，其潛在測點的數(shù)量可達到成千上萬;在同一測點處，又能測量多種狀態(tài)變量，同時不同狀態(tài)變量所包含的故障信息也不盡相同。由于系統(tǒng)復雜結(jié)構以及相應的測試成本等限制，很難將所有的測點和狀態(tài)變量都用于測試。因此，選擇哪些測點及變量使得在一定的準則下成本最優(yōu)且滿足系統(tǒng)的測試性指標，即測試方案的優(yōu)化設計，顯然是DoT的重要研究方向之一。但因本文篇幅有限，不對此方向贅述，僅綜述給定測點布局下的DoT方案。

下面，詳細介紹如圖3中總結(jié)的測試方案設計的最新研究現(xiàn)狀。

1.1" 結(jié)構化的測試方案

結(jié)構化的測試方案一般采用的測試手段是 BIT、ATE 和人工測試。通常，BIT 是嵌入在系統(tǒng)內(nèi)部，用來提取正?；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，BIT被廣泛應用于故障診斷，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)合行動測試［39］、自動模式測試［40］、循環(huán)冗余測試［41］以及偽隨機模式測試［42］等。此外，BIT 也經(jīng)常與基于冗余的內(nèi)置自修復模式結(jié)合使用，依賴于系統(tǒng)和設備中的冗余電子元器件［43］，可實現(xiàn)故障的完全消除［44］。由于 ATE 和人工測試的技術性內(nèi)容較少，本文不再過多贅述，僅介紹基于 BIT 的DoT實現(xiàn)方法。

（1） 電路驅(qū)動BIT方法

基于電路驅(qū)動的BIT方法在工程實踐中占據(jù)了重要地位。由于電路中施加的電激勵信號在系統(tǒng)內(nèi)部會產(chǎn)生響應信號（包括電信號和非電信號，假定非電信號響應可以轉(zhuǎn)換回電信號），則可使用此信號來模擬在正常工作條件下作用在被測設備上的應力，或提取有關被測設備健康狀況的信息［4546］。

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

通常，基于電路驅(qū)動的BIT系統(tǒng)建模方法需要全面的電路設計知識，包括結(jié)構組合、組件選擇、負載和電源模式等。

（2） 擴展BIT方法

在電路驅(qū)動BIT方法的基礎上，通過對系統(tǒng)多個輸出響應信號進行DoT的方法稱為擴展BIT，例如基于延遲的測試方法［5053］、基于脈沖響應的測試方法［5455］、基于偏置疊加/調(diào)制的測試方法［5659］等。

基于多傳感器信息的擴展BIT測試方法無需改變電路規(guī)模，僅需在原有系統(tǒng)的拓撲結(jié)構上采用冗余傳感器或調(diào)整傳感器數(shù)量進行相應測試操作［60］。為減少測試成本、實現(xiàn)跨封裝技術與接口擴展，文獻［61］提出了一種相控陣雷達的BIT方法，該方法將代碼調(diào)制應用于陣列中的每個元件以允許并行原位測量，并采用內(nèi)置分配網(wǎng)絡來注入或提取測試信號，提取的信號經(jīng)過變頻產(chǎn)生基帶干擾信號，然后從干擾信號中提取出互相關信息，最終使用全部互相關信息獲得所需要的幅度和相位數(shù)據(jù)。文獻［62］針對多模態(tài)傳感器系統(tǒng)研究了BIT實現(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），一個傳感器發(fā)生故障時，系統(tǒng)能夠通過其余傳感器重構故障傳感器的數(shù)據(jù)，因此 BIT模塊被嵌入在每個多模態(tài)傳感器中。文獻［63］針對邊緣硬件系統(tǒng)小延遲故障難以檢測的問題，提出了一種超速測試BIT方法，該方法借助測試生成和響應壓縮策略，選擇隱藏的延遲故障檢測所需的測試頻率進行現(xiàn)場監(jiān)測，從而最大限度地減少硬件開銷和測試時間。

基于BIT的結(jié)構化測試方案具有如下特點：① 支持余度管理和系統(tǒng)重構，可以進行串行模式設計，提高任務可靠性;② 可以實現(xiàn)故障報警和故障預測，及時通知操作者采取應對措施;③ 可減少外部測試設備，降低對設備本身以及設備操作人員的要求，減少診斷時間。然而，基于BIT的結(jié)構化測試方案仍然存在虛警率較高的問題，影響任務的成功率，且對系統(tǒng)和設備的機理知識要求較高。

1.2" 基于模型化的測試方案

隨著產(chǎn)品功能、性能日益提高，技術與結(jié)構日益復雜，DoT對并行計算的要求越來越高，結(jié)構化的測試方案無法在精確性與經(jīng)濟適用性上滿足要求，在20世紀80年代后期，具備并行計算能力的模型化測試方案應運而生［6466］。

1.2.1" 基于圖論的方法

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

上述基于圖論的測試性模型，面臨的共性問題是無法定量地描述測試與故障之間的關系，無法建立準確的故障約束條件。近年來，在這個分支上，衍生出了基于定量有向圖模型、貝葉斯網(wǎng)絡模型、故障樹模型、petri網(wǎng)模型的測試性建模方法。譬如，文獻［70］提出了一種基于灰色關系分析（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險評估，QCD用于描述故障傳感器之間因果關系和故障故障之間因果關系，而邊值α，β可定義為故障檢測因子與傳播因子。文獻［71］在測試建模過程中引入貝葉斯網(wǎng)絡，提出了多信號流圖貝葉斯網(wǎng)絡模型（multi-signal flow graph-Bayesian network， MSFG-BN）。其中，多信號流圖為貝葉斯網(wǎng)絡建模提供了基礎，貝葉斯網(wǎng)絡能夠有效處理測試中的不確定信息、提高信息利用率;同時，借助貝葉斯網(wǎng)絡學習能力，該模型可以更新自身的結(jié)構和參數(shù)，提高模型在測試階段的適用性。文獻［72］針對具有多功能可測試性的系統(tǒng)，提出了一種基于故障樹的多功能測試性狀態(tài)分析方法，提供不同的維護順序選擇，以更好地滿足工程實踐的要求。文獻［73］提出了一種基于三狀態(tài)故障廣義隨機著色 petri 網(wǎng)（colored generalized stochastic petri nets， CGSPN）的測試建模方法，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。

1.2.2" 基于D矩陣的方法

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

（1） 0-1模型測試方法

0-1模型是基于相關性分析得到的二進制故障測試D矩陣，其中元素值1/0分別表示某測試能夠/不能檢測某故障。通過比較不同故障之間的行向量，可以評估該模型的測試性能。文獻［74］提出了一種基于本體的文本挖掘方法，可自動構建、更新測試中的0-1模型。文獻［75］針對雷達設備提出了一種基于0-1模型的可測試性分析方法，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重性的順序依次確定故障模式并劃分被測單元的功能和結(jié)構，然后建立相關圖模型分析一階相關關系，最后通過可達性算法建立測試故障的0-1模型。文獻［76］研究了測試中的多目標問題，提出一種基于串并聯(lián)多目標遺傳算法（parallel-series multi-objective genetic algorithm， PSMOGA）的DoT方法，該方法首先確定每個測試子程序的多目標最優(yōu)測試系列，然后再處理整個產(chǎn)品的最優(yōu)測試選擇問題。

（2） 整數(shù)編碼字典測試方法

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制數(shù)值編碼。整數(shù)編碼字典的核心原理是將一個模糊組（ambiguity group， AG）中的故障編碼為相同的整數(shù)。文獻［77］針對現(xiàn)有DoT無法準確確定不同故障模式之間的模糊間隙問題，提出了一種新的測試點選擇方法，在整數(shù)編碼字典下，模糊故障所生成的面積檢測表用來表示模糊故障的失效概率，通過融合故障隔離和重疊區(qū)域信息，選擇最優(yōu)測試點集。文獻［78］為減少故障字典的計算效率并實現(xiàn)快速故障隔離，提出了一種故障診斷測試點集的選擇方法，先從故障字典表中刪除了特殊測試點和孤立故障，再將具有更多單故障測試能力的測試點添加到特殊測試點集合，重復此步驟至最終隔離所有故障。

（3） 故障對布爾表測試方法

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

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)值視為二進制或十進制整數(shù)亦或整數(shù)對，這樣容易建模、便于使用，但也必然造成測試建模的不精確。當系統(tǒng)積累了大量歷史測試數(shù)據(jù)時，一些學者考慮使用概率統(tǒng)計理論來建立測試性模型。

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

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概率;pm+1表示無故障模式的先驗概率;xj表示測試是否被選擇（xj=1表示測試tj被選擇，xj=0則相反）;dij表示測試tj檢測故障模式fi的概率。基于類似思想，若兩個故障fi和fk可以被隔離，即在n個測試中至少有一個測試的測試結(jié)果在這兩個故障發(fā)生時不同，則整個設備的FIR可以表示為各故障模式的被隔離概率的加權和：

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用于測試選擇問題［31，81］、測試性增長問題［8283］和可測試性評估問題［84］。

基于伯努利分布的測試性模型中，通常假設測試結(jié)果為給定故障狀態(tài)下的獨立隨機變量。這一假設表明，知道一個測試的結(jié)果不會改變?nèi)魏纹渌麥y試結(jié)果的概率。然而，在實際工程中，一個測試常會影響到相鄰以及間接相關的其他測試。例如，如果測試軸承兩端的溫度，這兩個溫度是相關的，因為環(huán)境溫度會同時導致它們的變化。為了解決測試之間的相關性問題，文獻［85］提出了一種基于聯(lián)合分布的測試建模方法，在FDR和FIR的約束條件下，令fi表示故障i（i=1，2，…，m），tij表示對于故障模式fi執(zhí)行測試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（·）表示概率運算;thrj表示測試tj的檢測閾值。然后對于特定的fi，故障隔離成功須滿足以下兩個條件：① fi 的測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 測試結(jié)果必須與fi的預期測試模式相同。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)。

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

迄今為止， 基于模型化的測試方案已得到廣泛應用，但由于復雜系統(tǒng)的故障表現(xiàn)形式越來越具有耦合性、傳遞性，故障的精確隔離越來越難以實現(xiàn)，特別是存在故障AG的前提下，基于模型化的測試方案需要進一步研究。

1.3" 基于數(shù)據(jù)驅(qū)動的智能化測試方案

數(shù)據(jù)驅(qū)動和人工智能的方法是近十年來提出的一種構建測試方案的新興DoT策略。與模型化測試方案相比，基于數(shù)據(jù)的測試方案中故障特征量是多維實數(shù)而非0/1或整數(shù)值，可以表達更多的故障測試信息。數(shù)據(jù)驅(qū)動測試方案中的訓練樣本源于故障模擬和特征提取，相應的故障隔離是通過引入分類器來區(qū)分不同的故障。常見故障特征包括節(jié)點電壓［8991］、小波參數(shù)［9293］、高階統(tǒng)計量（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［97］、支持向量機（support vector machine， SVM）［9899］、極限學習機［100101］等。

人工神經(jīng)網(wǎng)絡（artificial neural network， ANN）在數(shù)據(jù)驅(qū)動的DoT中被廣泛應用。文獻［102］提出了一種數(shù)據(jù)收集、訓練和使用ANN來評估測試點質(zhì)量的方法。與基于啟發(fā)式的測試點評估方法相比，ANN方法的特征提取時間較少、故障覆蓋率更高。文獻［103］提出了模擬電路單參數(shù)故障的測試新方法。該方法首先計算電路可測試性和提取被測電路的故障AG，然后通過多頻率測量或模擬定位故障，并采用具有多值神經(jīng)元的多層神經(jīng)網(wǎng)絡劃分故障等級并實現(xiàn)故障估計。

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

極限學習機（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［106］提出了一種基于ELM的測試生成算法，所生成的測試用來激勵待測設備，然后基于設備輸出響應進行故障檢測和分類。針對測試冗余問題以及不當測試影響設備維修的問題，文獻［107］提出了一種基于軟感知和集成置信測量的測試策略優(yōu)化方法。該方法是在測試性和維護性之間構建一個閉環(huán)，生成具有軟傳感器節(jié)點的自適應故障診斷樹，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。

準確評估測點的診斷能力是DoT的重要工作，但目前相關研究成果并不多。文獻［108］提出了一種基于K近鄰交叉校驗的測點診斷能力評估方法。其中，基于核密度估計的分類（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故障，假設對每個故障進行5組測試，虛線代表每組測試的高斯核函數(shù)，實線是兩個故障的概率密度函數(shù)估計值：

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表示訓練樣本總個數(shù)。因此，給定一個新的測試樣本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（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 更可能來自故障 f2的診斷結(jié)果。基于此，文獻［108］采用遺傳算法在有限測點數(shù)量下搜索具有最大診斷能力的準最優(yōu)解的測試點。

此外，文獻［109］研究了數(shù)據(jù)驅(qū)動的故障注入和自動測試問題，采用基于K近鄰分類的交叉驗證方法評估可測試性指標。為評估測點診斷多故障的能力，文獻［110］提出了一種基于copula函數(shù)的交叉驗證方法，并結(jié)合Kullback-Leibler散度構建了更加準確的測點優(yōu)化約束模型。

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

總結(jié)以上測試方案的研究，可以得到如下結(jié)論：① 結(jié)構化的測試方案較為簡單，容易根據(jù)實際應用需求進行更改，但同時會造成額外的成本以及較高的誤報率;② 基于模型化的測試方案建模精度高，故障與測試之間的關系明確，可以有效減少故障的誤報率，但有時需要了解運行機理導致建模難度較高，且存在AG組時診斷精度下降的問題;③ 數(shù)據(jù)驅(qū)動的測試方案可以解決故障誤報率高的問題，同時從數(shù)據(jù)本身出發(fā)降低了對機理知識的需求，但需要大量數(shù)據(jù)建模，測試成本較高。

2" 基于測試性的故障診斷策略

基于測試性的故障診斷策略的一般流程包括機理認知/數(shù)據(jù)采集、測試方案設計、測試結(jié)果獲取、診斷策略生成4個步驟。測試所得的結(jié)果可以為診斷系統(tǒng)的設計提供輸入，其直接影響著設備的故障診斷性能、設計費用、可靠性、時間成本等指標。目前工業(yè)系統(tǒng)和設備的DoT過程不僅要滿足事后維修的需求，還要滿足故障的實時監(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試方案構建診斷策略。測試性故障診斷策略用于獲得系統(tǒng)的最佳測試序列，然后根據(jù)測試結(jié)果識別和隔離故障狀態(tài)。

假設進行測試tj前的故障模糊集為X（F），其中X為測試集，F(xiàn)為相應的故障集，根據(jù)故障測試相關性矩陣 bjp， bjf判斷，測試后僅有“通過”以及“不通過”兩類情況，根據(jù)測試輸出給出診斷結(jié)果為Xjp和Xjf，其分別代表通過測試tj能檢測出的故障集合以及不能檢測出的故障集合。由X推導出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程如下：在沒有獲得測試結(jié)果之前，真實的系統(tǒng)狀態(tài)存在顯著的不確定性，一旦得到測試結(jié)果（通過或不通過），就可以根據(jù)式（8） 來推斷，排除一些不可能的系統(tǒng)狀態(tài)，從而減小不確定性。當確定故障模糊集屬于一個可更換單元時，診斷過程結(jié)束。

從前述可知，測試信息的準確與否直接影響到診斷策略的制定效果［114116］?；跍y試信息的診斷推理方法包括基于準則（如專家知識）的推理、基于模型（如相關性矩陣）的推理、基于數(shù)據(jù)驅(qū)動（如機器學習）的推理等［117119］。接下來，將分別闡述這些方法的主要思路以及在測試性診斷策略中的應用。

2.1" 基于準則的故障診斷策略

通?；跍蕜t的診斷策略會涉及到專家知識的運用，且需要考慮一定的機理知識，針對具體系統(tǒng)來歸納總結(jié)故障推理的準則［120123］。文獻［120］通過對可拓規(guī)則匹配原理和可拓推理算法思想的研究，提出一種基于測試性的故障條件與前因規(guī)則（antecedent rules， AR）匹配的計算方法，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［121］探討了基于可測試性導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)絡進行故障診斷。

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

上述基于準則的故障診斷策略的優(yōu)點是從產(chǎn)品機理推斷出適用的故障診斷策略，具有較高的可信度。其缺點是難以建立充分的專家知識庫，導致出現(xiàn)認知不確定性問題，而且產(chǎn)品的故障機理難以被掌握，故障過程無法確定，因此基于準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" 基于測試相關性信息的策略

基于模型的診斷策略可以通過所建立的故障測試關系模型，根據(jù)測試數(shù)據(jù)實時推理出設備健康狀態(tài)，該診斷策略的構建依賴于故障測試相關性矩陣信息［124128］。文獻［124］提出了一種檢測和隔離大型系統(tǒng)中部件故障的方法，該方法依據(jù)多假設跟蹤原理、傳感器測量信息的Beta先驗分布，以及在先驗分布被違反時的檢測覆蓋率，相應的輸入來自多個傳感器的一組測試結(jié)果，主要任務是處理傳感器測量不可靠問題，且在未知漏檢和誤報率的情境下，通過推理機進行在線故障檢測。

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

2.2.2" 基于隱馬爾可夫或概率模型策略

一些學者還考慮采用隱馬爾可夫模型及概率理論等構建故障診斷策略［129131］。文獻［129］針對間歇性故障診斷以及非理想測試的動態(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，通過考慮輸入概率矩陣解決非理想測試的動態(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提高遺傳算法的性能，從而減少了計算成本。文獻［130］針對存在不完美測試結(jié)果的動態(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4種表述來說明，即從完全觀察到的耦合馬爾可夫決策過程相對應的確定性測試模型到部分觀察到的階乘隱馬爾可夫測試模型，從不完美的測試結(jié)果只與測試有關的函數(shù)表達到測試結(jié)果是故障和測試共同相關的函數(shù)的情況，針對上述組合優(yōu)化問題提出兩級協(xié)調(diào)解決方案來得到最終結(jié)果。文獻［131］針對具有故障演化、耦合、不可靠測試等復雜情況的動態(tài)故障診斷問題，提出了一種解決動態(tài)故障診斷問題的時變動態(tài)模型;多模態(tài)動態(tài)故障診斷系統(tǒng)由幾個靜止工作狀態(tài)和這些狀態(tài)之間的過渡過程組成，并通過隱馬爾可夫模型表示這些過渡過程。為了描述隱馬爾可夫模型轉(zhuǎn)換過程，提出了一個雙重推理網(wǎng)絡，并基于此網(wǎng)絡使用測試結(jié)果計算系統(tǒng)故障概率，然后相應地調(diào)整診斷模型參數(shù)和結(jié)構來進行故障診斷。

2.2.3" 序貫診斷策略

由于序貫診斷是按照一定的測試順序逐步執(zhí)行隔離故障的過程，因此這種方法可以對部件進行深入診斷并進一步采取適當維修。序貫診斷策略的構建過程與故障測試之間的相關性有直接關系，其本質(zhì)上是執(zhí)行完一個測試然后依據(jù)所得結(jié)果來判定系統(tǒng)狀態(tài)，并指導操作人員進行后續(xù)測試［132134］。文獻［132］考慮全壽命周期成本下不完美測試的序貫故障診斷問題（其本質(zhì)為非確定性多項式時間困難AND/OR決策樹構造問題），提出了一種基于AND/OR圖搜索的算法來解決上述問題，算法中采用基于信息論的啟發(fā)式搜索生成子樹，并討論了提高計算效率的方法和多結(jié)果檢驗的診斷策略等實際問題。

考慮現(xiàn)有方法需要大量的冗余迭代和節(jié)點狀態(tài)參數(shù)的重復計算，所得到的診斷策略往往效率低下的情況，文獻［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)，并使用卡諾圖來判斷每個狀態(tài)的邏輯，通過模擬退火算法快速得到SVM的特征值，然后用SVM消除無用狀態(tài)，同時結(jié)合自下而上的方法和代價啟發(fā)式算法生成最優(yōu)決策樹。文獻［134］針對多值屬性系統(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試序列問題簡化為基本測試集與不必要測試的組合，并定義故障檢測和隔離集; 然后，根據(jù)最優(yōu)測試提出針對單個失效狀態(tài)的序列生成算法;最后，基于概率確定失效狀態(tài)的優(yōu)先級并提出用于生成所有失效狀態(tài)的測試序列的算法。文獻［135］為了降低測試成本并確保故障檢測和診斷的性能，提出了一種序貫故障診斷策略，針對系統(tǒng)故障診斷的誤報和漏報問題，提出一種基于準深度優(yōu)先搜索算法;整體思想是首先建立一個考慮故障診斷能力、信息熵、測試成本和測試可靠性的啟發(fā)式評價函數(shù);然后，使用準深度優(yōu)先搜索算法構建故障診斷策略。

上述基于模型的故障診斷策略的優(yōu)點是診斷過程的建模簡單，通常是基于模型化的測試方案構建診斷策略，精度高。其缺點是在測試不充分或不準確的情況下，會直接影響推理結(jié)果的準確性。特別是針對概率模型的診斷策略，需要測試結(jié)果置信度以及故障發(fā)生概率等先驗知識。因此，測試建模的準確性直接影響故障診斷的準確性。

2.3" 基于數(shù)據(jù)驅(qū)動的故障診斷策略

通過測試，操作人員可以直接獲取設備的運行數(shù)據(jù)，從而無需掌握設備的運行機理，也不需要提前知道故障發(fā)生的概率，同時可以避免分析復雜的故障樹結(jié)構與測試成本之間的關系。大數(shù)據(jù)時代，設備運行過程的監(jiān)測數(shù)據(jù)產(chǎn)生速度快、容量大、多樣性強。傳統(tǒng)的診斷策略主要基于專家經(jīng)驗知識以及機理建模方法開展，難以有效利用海量監(jiān)測數(shù)據(jù)。而近期興起的數(shù)據(jù)驅(qū)動技術可以在不需要上述專業(yè)知識的前提下，自動地提取和生成有用信息，為測試性診斷策略的構建提供一種新的思路［136139］。

文獻［136］提出了一種基于小波包分析和灰色神經(jīng)網(wǎng)絡的智能測試診斷技術，目的是提高設備的故障診斷和預測能力;首先利用小波包分解計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)絡模型來構建診斷策略。由于實際應用中存在的不確定性問題，傳統(tǒng)的診斷策略構建方法不適用于測試不可靠的情境，考慮到上述問題，文獻［137］提出了一種基于Q-learning的診斷策略方法，以在現(xiàn)實系統(tǒng)中獲得長期運行的最優(yōu)策略，該方法基于強化學習（reinforcement learning， RL）框架構建了診斷策略模型，然后通過Q-learning算法從環(huán)境中學習誤報或誤檢的概率，并且在考慮測試成本和信息增益的情況下，高效地獲得了具有不完善測試的最優(yōu)診斷策略。

主動學習（active learning， AL）近年來被廣泛應用到診斷策略中，其中序貫診斷就可以被視為一項AL任務，在該任務中，學習者試圖找到一些目標假設，對一些預言機制定順序查詢，從而請求額外的系統(tǒng)測量。文獻［138］通過AL提出一種用于確定下一個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建中，所提策略推導了QSM之間的優(yōu)勢和等價關系，并引入了改進的QSM來克服診斷中存在的故障假設問題。

測試系統(tǒng)的仿真建模是分析可測試性和評估測試性能的重要途徑。針對現(xiàn)有的仿真建模方法無法滿足大量可DoT因素的需求問題（例如對于故障和干擾注入以及BIT的測試邏輯需求），文獻［139］提出了一種基于Stateflow的測試系統(tǒng)集成建模與仿真方法，動態(tài)實現(xiàn)被測故障傳輸和BIT監(jiān)控過程，并通過故障注入功能生成診斷知識來計算測試性能指標，實現(xiàn)更全面的可測試性評估。

通過以上基于數(shù)據(jù)驅(qū)動構建測試性故障診斷策略的文獻分析，基于數(shù)據(jù)驅(qū)動的方法在對復雜動態(tài)系統(tǒng)的診斷表現(xiàn)出了顯著優(yōu)勢，可以提升系統(tǒng)故障診斷精度，并且無需經(jīng)歷復雜的建模過程以及無需掌握大量的機理知識。值得指出的是，在實際應用中，以上關于數(shù)據(jù)驅(qū)動的診斷策略的目的大多為了構建測試模型中的成本函數(shù)。然后，通過優(yōu)化決策函數(shù)得到最優(yōu)的故障診斷方案。其缺點是在測試數(shù)據(jù)樣本較少時，建模精度急劇下降，或者在具有海量測試數(shù)據(jù)時，計算時間急劇增加。因此，基于數(shù)據(jù)驅(qū)動的測試性故障診斷策略對數(shù)據(jù)本身的質(zhì)量和數(shù)量要求較高。同時，對于具有高動態(tài)性以及需要實時診斷的系統(tǒng)，其測試性故障診斷的研究仍有待進一步考慮。

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、可靠運行等方面具有非常重要的意義。本文總結(jié)了復雜工程系統(tǒng)DoT的研究進展。依據(jù)DoT的實施流程，將其分為測試方案的設計與測試性診斷策略構建兩大模塊。根據(jù)上述劃分模塊，詳細總結(jié)了目前DoT中的模型以及算法的應用情況。通過對相關文獻的總結(jié)，基于模型的DoT方法和基于數(shù)據(jù)驅(qū)動的DoT方法仍然存在一些亟待解決的挑戰(zhàn)性問題。從工程應用的角度，目前DoT面臨著測試性指標分配和面向健康管理的綜合設計等挑戰(zhàn)性問題，這兩個方面的問題嚴重影響了現(xiàn)有DoT的模型和算法向工程應用的推廣。從理論研究的角度，DoT目前需要加強耦合故障系統(tǒng)的DoT研究、考慮動態(tài)不確定因素的DoT研究、基于知識與數(shù)據(jù)的融合技術研究以及測試性、故障診斷、故障預測與維修決策的聯(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、能源化工等復雜領域、敏感系統(tǒng)中的適用性。

3.2" 未來發(fā)展方向

根據(jù)以上內(nèi)容，本文總結(jié)出DoT中4個具有研究價值的未來發(fā)展方向，具體描述如下：

（1） 測試性約束構建。眾所周知，設備進行DoT時，首要工作是建立測試性約束條件。因此，為了指定合理的測試性約束，應全面綜合多個影響要素。現(xiàn)有研究在測試性建模過程中，大部分的約束條件只考慮FDR、FIR以及FAR，但是對于復雜工業(yè)系統(tǒng)來說，故障處理不僅表現(xiàn)在上述三“率”中，還存在其他可能形式，如故障時延率、平均無故障時間等條件。因此，如何建立豐富的復合測試約束條件，以使系統(tǒng)設備所消耗的成本最少， 是需要更進一步探索的問題。

（2） 耦合故障系統(tǒng)的DoT。面對復雜工程系統(tǒng)，某一不利因素有可能會與其他因素相互作用，進而導致系統(tǒng)整體的崩潰。多因素誘發(fā)的事故具有隱蔽性強、因素關聯(lián)復雜、狀態(tài)不可逆等特點，耦合故障分析一直是復雜系統(tǒng)可靠性和安全性領域的重點與難點問題?，F(xiàn)有的DoT研究大多集中于獨立的單故障或多故障系統(tǒng)，而針對多故障耦合系統(tǒng)的DoT還沒有得到充分解決。

（3） 分布式動態(tài)診斷的DoT。之前的DoT往往都是處在系統(tǒng)運行前或運行后進行事前指導或事后維修的環(huán)節(jié)，但現(xiàn)今復雜系統(tǒng)對于故障的快速診斷和修復具有高度的實時性要求，因此對DoT的動態(tài)性具有較高要求。如何對大型復雜設備進行實時診斷是需要深入研究的內(nèi)容之一?，F(xiàn)代系統(tǒng)大多為分布式結(jié)構，由多個相互交互的組件組成，這些組件可能位于不同的系統(tǒng)層級或地理位置，并且可能由不同的團隊或組織開發(fā)和維護。這種復雜性增加了故障診斷的難度，因此一個潛在方向是考慮分布式動態(tài)診斷的DoT，為具有不同子系統(tǒng)的復雜系統(tǒng)制定最優(yōu)測試性診斷策略。

（4） 面向健康管理的綜合DoT。 數(shù)據(jù)采集處理、DoT、故障診斷、故障預測和維修決策構成一個完整的過程。這4個方面相互關聯(lián)，共同影響復雜系統(tǒng)的可靠運行，它們的聯(lián)合研究具有極為重要的價值?，F(xiàn)有的DoT主要面向的是故障診斷環(huán)節(jié)。因為綜合考慮整個運行過程的安全性是一項極為復雜的任務，而DoT和健康管理的研究幾乎處于兩條平行線，使得關于數(shù)據(jù)采集處理、DoT、故障診斷、故障預測和維修決策的整體聯(lián)合研究進展非常緩慢。因此，在未來的研究中，需要準確描述其定量關系。

參考文獻

［1］ 王自力. 直升機可靠性、維修性指標研究［J］. 航空學報， 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)故障診斷與預測技術綜述［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)測試方案優(yōu)化設計理論與關鍵技術研究［D］. 成都： 電子科技大學， 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)測試性設計分析與驗證［M］. 北京： 北京航空航天大學出版社， 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. 智能機內(nèi)測試理論與應用［M］. 北京： 國防工業(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)融合的艦炮制導彈藥測試性評估方法［EB/OL］. 系統(tǒng)工程與電子技術. ［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. 考慮貢獻率和可信度的測試性試驗優(yōu)化方法［J］. 哈爾濱工業(yè)大學學報， 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. 機載設備測試性建模與應用［J］. 計算機測量與控制， 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， 梁保衛(wèi)， 王江輝， 等. 基于多信號流圖模型的典型無人機測控系統(tǒng)測試性優(yōu)化設計方法研究［J］. 測控技術， 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， 章學良. 雷達裝備使用階段測試性指標評估與驗證［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)故障診斷測試性建模與分析［J］. 機電設備， 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. 基于層次分析法的導彈發(fā)射車測試性指標分配方法研究［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. 基于測試性增長的指標動態(tài)評估方法［J］. 振動、 測試與診斷， 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. 航天器綜合測試技術發(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. 基于相關性模型的診斷策略優(yōu)化設計技術［D］. 長沙： 國防科學技術大學， 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. 裝備測試性建模與設計技術［M］. 北京： 科學出版社， 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試性優(yōu)化設計［J］. 計算機工程與科學， 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. 考慮關鍵故障的測試優(yōu)化選擇［J］. 系統(tǒng)工程與電子技術， 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. 非完美測試條件下的測試性設計理論與方法研究［D］. 長沙： 國防科技大學， 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. 考慮單元互測的測試性指標分配方法［J］. 系統(tǒng)工程與電子技術， 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燈串故障自檢測電路的設計與實現(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］ 王國書， 劉桂峰， 吳杰長， 等. 氣墊船縱橫傾信號處理電路測試性設計及BIT實現(xiàn)［J］. 兵器裝備工程學報， 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內(nèi)測試技術［J］. 中國艦船研究， 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)融合的艦炮制導彈藥測試性評估方法［EB/OL］. 系統(tǒng)工程與電子技術.［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)級測試性設計關鍵問題研究［M］. 長沙： 國防科技大學， 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. 基于多信號模型和盲源分離的復合故障診斷方法［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］. 中國空間科學技術， 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. 基于多信號流圖和相似性度量的故障可診斷性評價方法［J］. 系統(tǒng)工程與電子技術， 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.

作者簡介

陸寧云（1978—），女，教授，博士，主要研究方向為數(shù)據(jù)驅(qū)動的故障診斷、故障預測與健康管理。

李" 洋（1991—），男，講師，博士，主要研究方向為測試性設計、故障診斷。

姜" 斌（1966—），男，教授，博士，主要研究方向為智能故障診斷與容錯控制及其在飛機、衛(wèi)星和高速列車上的應用。

黃守金（1997—），男，博士研究生，主要研究方向為故障根源診斷、故障傳播分析。

馬" 坤（1993—），女，助理研究員，博士，主要研究方向為測量技術、光學傳感及可靠性分析。