基于粒子群-差分进化算法的测试优化选择方法

测试优化选择是装备测试性设计中关键的一步。针对其易陷入局部最优的问题,提出一种添加信息交换机制的粒子群-差分进化算法(PSO-DE)优化方法。通过融合多信号流图与贝叶斯网络,建立多维空间测试性模型后,利用PSO-DE算法实现快速精确求解。电源系统分析表明:该方法在满足测试性设计要求的前提下,搜索到的测试集合使得系统各测试性指标综合最优且收敛速度最快。相较于其它优化算法,具有收敛速度快、能收敛到全局最优等优点,由此验证了方法的可行性。

马尔可夫过程融合贝叶斯网络的测试性建模研究

在设备测试性建模中,通常将设备运行状态划分为正常和故障两态,忽略了设备故障演进特征,从而导致测试性指标虚高。该文提出一种马尔可夫过程融合贝叶斯网络的测试性优化建模方法,充分考虑设备退化过程。在故障与测试不确定性矩阵的基础上,基于马尔可夫随机过程建立了部件多状态退化模型(正常、过渡、故障),减少了两态条件下故障模式判定的不确定模糊区间,提高了系统测试性指标。利用贝叶斯网络推理确定多态测试分布函数,优化了虚警率和检测率。最后,以某型龙门式自动洗车机为对象进行了验证分析,与传统测试性方法相比,系统检测率提高7.71%,隔离率提高11.58%,虚警率下降9.50%,验证了该方法的有效性。