一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法
【專利摘要】本發(fā)明公開了一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，用于定量評(píng)估電子系統(tǒng)的可測(cè)試水平。此方法包括故障特征提取、交叉驗(yàn)證和測(cè)試性指標(biāo)估計(jì)三個(gè)步驟。故障特征提取收集系統(tǒng)系統(tǒng)在各種故障狀態(tài)下的原始故障數(shù)據(jù)，并從中提取有用的特征來(lái)描述不同的故障狀態(tài)；交叉驗(yàn)證依次從故障特征數(shù)據(jù)中取出一個(gè)測(cè)試樣本，應(yīng)用KKC分類算法基于剩余樣本對(duì)其進(jìn)行類型判定，記錄并輸出錯(cuò)誤分類信息；測(cè)試性指標(biāo)估計(jì)通過一種統(tǒng)計(jì)方法在錯(cuò)誤分類信息基礎(chǔ)上估計(jì)被測(cè)系統(tǒng)在當(dāng)前故障特征數(shù)據(jù)下的測(cè)試性指標(biāo)，包括故障檢測(cè)率、故障隔離率和虛警率。
【專利說明】
-種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，屬于系統(tǒng)測(cè)試性 工程技術(shù)領(lǐng)域，具體為系統(tǒng)測(cè)試性分析技術(shù)。
【背景技術(shù)】
[0002] 測(cè)試性是反映系統(tǒng)發(fā)現(xiàn)故障并隔離、定位其故障能力的一種設(shè)計(jì)特性，是現(xiàn)代復(fù) 雜系統(tǒng)提高其質(zhì)量特性的重要途徑和手段。當(dāng)前工業(yè)界流行的測(cè)試性分析方法通?；谝?種類似信號(hào)流的模型，如多信號(hào)流圖模型、混合診斷模型等，它們根據(jù)一個(gè)測(cè)試-故障關(guān)聯(lián) 矩陣(D-矩陣)對(duì)測(cè)試性作出評(píng)價(jià)。目前，TEAMS、express、TADS等主流測(cè)試性分析軟件均采 用了運(yùn)類模型。然而，上述模型只考慮了測(cè)試能否將故障與正常狀態(tài)進(jìn)行區(qū)分，而未考慮不 同故障之間的可區(qū)分問題，本質(zhì)上仍屬于定性分析方法，存在故障分辨率低、評(píng)價(jià)結(jié)果不準(zhǔn) 確等缺點(diǎn)。

【發(fā)明內(nèi)容】

[0003] 針對(duì)上述問題，本發(fā)明提供一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法， 目的是提高電子系統(tǒng)測(cè)試性分析的準(zhǔn)確性和定量化水平。
[0004] 本發(fā)明包括W下=個(gè)步驟：
[0005] a)故障特征提取，收集被測(cè)系統(tǒng)在各種故障狀態(tài)下的原始故障數(shù)據(jù)，再應(yīng)用特征 提取算法從中獲取用于描述并區(qū)分不同故障狀態(tài)的故障特征數(shù)據(jù)；
[0006] b)交叉驗(yàn)證，依次從故障特征數(shù)據(jù)中取出一個(gè)測(cè)試樣本，應(yīng)用KKC(kernel density estimation on k-nearest neighbors classification，K-近令P上的核密度估 計(jì))分類算法基于剩余樣本對(duì)其進(jìn)行類型判定，記錄并輸出錯(cuò)誤分類信息；
[0007] C)測(cè)試性指標(biāo)估計(jì)，通過一種統(tǒng)計(jì)方法在錯(cuò)誤分類信息基礎(chǔ)上估計(jì)被測(cè)系統(tǒng)在當(dāng) 前故障特征數(shù)據(jù)下的測(cè)試性指標(biāo)。
[000引所述的原始故障數(shù)據(jù)是先通過故障仿真或?qū)嵨锕收献⑷雭?lái)模仿被測(cè)系統(tǒng)的故障 行為，然后在規(guī)定的測(cè)點(diǎn)處收集得到。其主要過程包括:故障的選取和注入、確定測(cè)試方案 (包括激勵(lì)、測(cè)點(diǎn)、信號(hào)采集方式等）、通過仿真或?qū)嶋H運(yùn)行系統(tǒng)收集原始故障數(shù)據(jù)。
[0009] 所述的特征提取算法對(duì)原始故障數(shù)據(jù)進(jìn)行進(jìn)一步處理，從中提取有限維特征向 量，每個(gè)向量實(shí)例構(gòu)成一個(gè)訓(xùn)練樣本，并由運(yùn)些訓(xùn)練樣本組成故障特征數(shù)據(jù)。故障特征提取 的目的是減少原始故障數(shù)據(jù)中存在的冗余信息，W提高數(shù)據(jù)的利用效率和故障檢測(cè)與隔離 的效果。根據(jù)不同的應(yīng)用需求，可采用不同的故障特征，如系統(tǒng)的設(shè)計(jì)指標(biāo)特征、頻譜或小 波信號(hào)特征、統(tǒng)計(jì)量特征等。
[0010] 所述的故障特征數(shù)據(jù)中的訓(xùn)練樣本根據(jù)其各自所屬的故障W及運(yùn)些故障所屬的 可更換單元，被組織成一種多層次結(jié)構(gòu)。該層次結(jié)構(gòu)所包含的信息有利于后續(xù)KKC分類算法 的實(shí)現(xiàn)。
[0011] 所述的可更換單元是在維修時(shí)可被更換的被測(cè)系統(tǒng)的組成單元，一個(gè)可更換單元 可包含多種故障，每種故障均有一定的發(fā)生概率。默認(rèn)情況下，假定不同故障的發(fā)生概率相 等，若另有指定，則使用設(shè)置的概率值，運(yùn)些概率值將在KKC分類算法中用于對(duì)初次分類結(jié) 果進(jìn)行加權(quán)，W使分類結(jié)果更接近實(shí)際情況。
[0012] 所述的KKC分類算法基于故障特征數(shù)據(jù)在測(cè)試樣本的K-近鄰上進(jìn)行核密度估計(jì)和 先驗(yàn)故障概率加權(quán)，然后給出該測(cè)試樣本可能所屬的可更換單元的相對(duì)概率。若該相對(duì)概 率值為零，則其對(duì)應(yīng)的可更換單元將被忽略。
[0013] KKC分類算法將傳統(tǒng)的K-近鄰化-nearest nei曲bors，K順S)分類和核密度估計(jì) 化ernel density estimation，KDE)分類算法相結(jié)合，在距離測(cè)試樣本最近的K個(gè)訓(xùn)練樣本 上而不是在全體訓(xùn)練樣本上進(jìn)行非參數(shù)的概率密度估計(jì)，最終根據(jù)所得概率的大小確定分 類結(jié)果。算法的具體步驟如下：
[0014] 步驟1:在各個(gè)特征維度上對(duì)故障特征數(shù)據(jù)進(jìn)行歸一化處理；
[0015] 步驟2:給定一個(gè)測(cè)試樣本，在所有訓(xùn)練樣本中按歐氏距離查找距測(cè)試樣本最近的 K個(gè)訓(xùn)練樣本，目化-近鄰；
[0016] 步驟3:對(duì)每個(gè)K-近鄰，按下式計(jì)算其在測(cè)試樣本處的權(quán)值：
[0017]
[0018] 其中d為當(dāng)前近鄰到測(cè)試樣本的歐氏距離，h為窗寬參數(shù)，其值等于近鄰中距測(cè)試 樣本最遠(yuǎn)者的距離cUax除W-個(gè)縮放系數(shù)C，即h = cUax/c，通常C取區(qū)間[3，引上的實(shí)數(shù)值；
[0019] 步驟4:按每個(gè)K-近鄰所屬的故障類型對(duì)上述權(quán)值求和，再將求和后的權(quán)值乘W先 驗(yàn)的故障發(fā)生概率，得到每個(gè)候選故障類型的概率權(quán)值；
[0020] 步驟5:按故障類型所屬的可更換單元對(duì)上述故障類型的權(quán)值再求和，得到每個(gè)候 選可更換單元的故障概率權(quán)值，歸一化后按該權(quán)值的降序返回對(duì)應(yīng)的候選可更換單元列 表。
[0021] 所述的錯(cuò)誤分類信息記錄每個(gè)被錯(cuò)誤分類的測(cè)試樣本，及其對(duì)應(yīng)的按相對(duì)概率降 序排列的可更換單元列表的前L個(gè)非零項(xiàng)，其中L稱為故障隔離水平參數(shù)，表示正確的故障 分類結(jié)果被允許包含在數(shù)量最多為L(zhǎng)的候選可更換單元中。
[0022] 在交叉驗(yàn)證過程中，測(cè)試樣本是一個(gè)從故障特征數(shù)據(jù)中取出來(lái)的已知屬于某個(gè)故 障類型和可更換單元的訓(xùn)練樣本，然后基于剩余樣本對(duì)其進(jìn)行分類，若分類結(jié)果與測(cè)試樣 本的隸屬信息不一致，則收集相應(yīng)的錯(cuò)誤分類信息。具體步驟如下：
[0023] 步驟1:從故障特征數(shù)據(jù)訓(xùn)練樣本中依次取出一個(gè)樣本；
[0024] 步驟2:將取出的樣本作為測(cè)試樣本，W剩余樣本作為訓(xùn)練樣本，應(yīng)用KKC分類算法 對(duì)其進(jìn)行分類，得到按降序排列的候選故障可更換單元列表；
[0025] 步驟3:若該可更換單元列表的前L個(gè)非零概率項(xiàng)都不包含測(cè)試樣本實(shí)際所屬的可 更換單元，則創(chuàng)建一個(gè)錯(cuò)誤分類項(xiàng)，記錄當(dāng)前測(cè)試樣本及其對(duì)應(yīng)的可更換單元列表的前L項(xiàng) (若可更換單元列表中非零概率項(xiàng)的總數(shù)小于L，則取該列表中的所有非零概率項(xiàng)），并將其 添加到錯(cuò)誤分類信息中，直到遍歷故障特征數(shù)據(jù)中每個(gè)訓(xùn)練樣本。
[00%] 所述的測(cè)試性指標(biāo)包括故障檢測(cè)率（fault detection rate,FDR)、故障隔離率 (fault isolation rate, FIR)和虛警率(false alarm rate ,FAR)。它們的計(jì)算基于由交叉 驗(yàn)證過程輸出的錯(cuò)誤分類信息，具體步驟如下：
[0027]步驟I:對(duì)錯(cuò)誤分類信息中的每個(gè)錯(cuò)誤分類項(xiàng)，從中提取相應(yīng)的測(cè)試樣本和可更換 單元列表(列表長(zhǎng)度《L);
[002引步驟2:設(shè)N為訓(xùn)練樣本總數(shù)，Nn為正常樣本總數(shù)，化為故障樣本總數(shù)(N = Nn+Nf)，Nfn 表示被誤判為正常狀態(tài)的故障樣本數(shù)，Nff表示某一故障被誤判為其他故障的樣本數(shù)，Nnf表 示被誤判為任意故障類型的正常樣本數(shù)，則：
[0029] a)當(dāng)測(cè)試樣本來(lái)自任意可更換單元的任意故障類型，且可更換單元列表中只包含 一項(xiàng)正常狀態(tài)，則Nfn++;
[0030] b)當(dāng)測(cè)試樣本來(lái)自任意可更換單元的任意故障類型，且可更換單元列表中不包含 測(cè)試樣本原本所屬的可更換單元，則Nff++ ;
[0031] C)當(dāng)測(cè)試樣本來(lái)自正常狀態(tài)，且可更換單元列表中不包含正常狀態(tài)，則Nnf++ ;
[0032] 返回步驟1，直到遍歷每個(gè)錯(cuò)誤分類項(xiàng)；
[0033] 步驟3:按W下公式計(jì)算測(cè)試性指標(biāo)的估計(jì)值：
[0034] a)故障槍測(cè)率
[0035]
[0036]
[0037]
[00；3 引
[0039]
[0040] 本發(fā)明公開的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其好處是能夠 根據(jù)已有的系統(tǒng)故障數(shù)據(jù)，對(duì)其測(cè)試性水平進(jìn)行定量、準(zhǔn)確的評(píng)價(jià)。不同于傳統(tǒng)方法，本發(fā) 明的分析結(jié)果不依賴于特定的故障檢測(cè)和隔離方法模型(如傳統(tǒng)方法的分析結(jié)果只能從D- 矩陣中得到），適用于多種不同智能故障診斷算法的效果評(píng)估，并具有理想的故障分辨率。
【附圖說明】
[0041] 圖1為本發(fā)明的實(shí)現(xiàn)框架；
[0042] 圖2為作為本發(fā)明實(shí)施例的線性分壓電路原理圖。
【具體實(shí)施方式】
[0043] 下面W圖2所示的線性分壓電路為實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步說明，本實(shí)施例有 助于本領(lǐng)域相關(guān)技術(shù)人員理解本發(fā)明，但本發(fā)明保護(hù)范圍不限于本實(shí)施例。
[0044] 1、故障特征提取
[0045] 圖2所示電路包括10個(gè)電阻，即可更換單元。假設(shè)每個(gè)電阻的相對(duì)容差為5%，并且 各自包含參數(shù)偏大、參數(shù)偏小、短路和開路四種故障模式。其中參數(shù)偏大和偏小故障的取值 范圍分別為標(biāo)稱值的1.5~5倍和0.1~0.5倍，服從均勻分布;短路故障用一個(gè)額外的小電 阻將目標(biāo)元器件的兩端短接起來(lái)，該小電阻的阻值設(shè)為IQ~IOOQ，服從均勻分布;開路故 障用一個(gè)額外的大電阻與目標(biāo)元器件串聯(lián)，該大電阻的阻值設(shè)為IO5 Q~IO8Q,同樣服從均 勻分布。
[0046] 在化CAD Cap化re電路設(shè)計(jì)軟件中通過手動(dòng)更改電路圖的方式向目標(biāo)電路注入故 障。按上述故障參數(shù)的分布，為每個(gè)電阻的每種故障(含正常狀態(tài))隨機(jī)產(chǎn)生10個(gè)故障版本 (共計(jì)N=410個(gè)，其中Nf=400，Nn=10)。注意，在此過程中，正常電阻的阻值在其容差范圍內(nèi) 隨機(jī)取值。
[0047] 為電路的每個(gè)故障版本添加激勵(lì)和測(cè)試。激勵(lì)為5V直流電源(見圖2)，測(cè)試為節(jié)點(diǎn) 111、112、113、114、115、116處的直流電壓。使用？59山日仿真程序?qū)δ繕?biāo)電路進(jìn)行瞬態(tài)分析，取穩(wěn)態(tài) 時(shí)運(yùn)6個(gè)節(jié)點(diǎn)處的直流電壓平均值作為故障特征（即特征空間為6維）。運(yùn)樣，每個(gè)故障(含正 常狀態(tài))包含10個(gè)訓(xùn)練樣本，而每個(gè)電阻包含4個(gè)故障，則對(duì)應(yīng)有40個(gè)訓(xùn)練樣本。
[004引 2、交叉驗(yàn)證
[0049] 按所述的交叉驗(yàn)證過程，從N = 410個(gè)樣本中依次挑選一個(gè)樣本出來(lái)，作為未知類 型的測(cè)試樣本，再根據(jù)剩余的N-l = 409個(gè)樣本，基于所述的KKC分類算法對(duì)其進(jìn)行類型判 定。下面通過一個(gè)簡(jiǎn)單例子說明KKC分類算法的實(shí)現(xiàn)過程：
[0050] 假設(shè)測(cè)試樣本X來(lái)自電路的正常狀態(tài)，其K-近鄰為化=Ixi，X2，X3，X4，M }(為簡(jiǎn)化說 明，運(yùn)里假定K=5)，其各自到樣本X的歐氏距離為化={山，(12，(13，(14，(15}，并且假定運(yùn)些近鄰 樣本具有如下所屬關(guān)系：
[0051] Ixi，X3} G 正常狀態(tài)；
[0052] 1x2} G Rl上的參數(shù)偏大故障；
[0化3] (x4，m}gR1上的開路故障。
[0054]則對(duì)任意一個(gè)X的近鄰樣本XiQ = I，2, ...，5)，其核密度估計(jì)權(quán)值為：
[0化5]
[0化6] 其中h = max(化)/c(運(yùn)里取縮放系數(shù)c = 5)。而對(duì)于每個(gè)故障類型，如上述Rl上的 開路故障，其權(quán)值為所包含樣本權(quán)值之和，即有WRL日pen = W4+W日。同理，對(duì)于正常狀態(tài)和Rl上 的參數(shù)偏大故障分別有WNDrmal = W1+W3 W及WRLLarger = W2。
[0057]進(jìn)一步考慮故障發(fā)生概率的影響，假設(shè)電路正常的概率為PO,Rl上發(fā)生參數(shù)偏大 和開路故障的概率分別為Pl和P2,則將上述權(quán)值應(yīng)更改為WNormal = P日(W1+W3)，WRLLarger = P1W2, WRl-Open = P2(W4+W已）。
[005引考慮到維修過程通常只是更換發(fā)生故障的元器件，因此每個(gè)可更換單元上的故障 概率權(quán)值應(yīng)為所有故障權(quán)值的和。注意到樣本X2，X4和X5雖然屬于不同的故障，但均來(lái)自同 一個(gè)可更換單元(電阻Rl)，則最終可得電路正常狀態(tài)和Rl發(fā)生任意故障的概率權(quán)值分別為 WNormal = P0(Wl+W2)，WR1 = P1W2+P2(W4+W日）。對(duì)WNormal和WRl進(jìn)行歸一化后，按從大到小順序排列， 并將其對(duì)應(yīng)的可更換單元列表作為KKC分類算法返回的結(jié)果。
[0059]下面說明如何在交叉驗(yàn)證過程中收集錯(cuò)誤分類信息。假設(shè)當(dāng)前測(cè)試樣本X所屬的 可更換單元為Rx,由KKC分類算法返回的可更換單元列表為L(zhǎng)IST,LIS化為L(zhǎng)IST中數(shù)量不超 過L的前幾個(gè)非零概率項(xiàng)構(gòu)成的一個(gè)子集，則如果LISlY中不包含Rx,則創(chuàng)建一個(gè)錯(cuò)誤分類 項(xiàng)，記為日町=〈把，1^5化〉，并將其添加到錯(cuò)誤分類信息邸1?中，61^={日町^￡故障特征數(shù) 據(jù)}。
[0060] 3、測(cè)試性分析
[0061 ] 對(duì)ERR中的每個(gè)錯(cuò)誤分類項(xiàng)er。=〈Rx ,LISlU :
[0062] 若Rx聲正常狀態(tài)，且LISll中只包含一個(gè)正常狀態(tài)項(xiàng)，旨化IS化={:正常狀態(tài)}，則Nfn ++;
[0063] 若Rx聲正常狀態(tài)，且LISli中不包含Rx,則Nff++;
[0064] 若Rx =正常狀態(tài)，且LI STl中不包含正常狀態(tài)，則Nnf++。
[0065] 最終，根據(jù)當(dāng)前已有的故障特征數(shù)據(jù)，得到目標(biāo)電路的測(cè)試性指標(biāo)估計(jì)值(設(shè)L = 1)：
[0066]
[0067]
[006引
[0069]通過進(jìn)一步分析上述錯(cuò)誤分類信息，發(fā)現(xiàn)被誤判的訓(xùn)練樣本所屬的故障，在特征 空間中與分類結(jié)果中出現(xiàn)的其他可更換單元上的故障存在較為嚴(yán)重的樣本重疊現(xiàn)象。對(duì)于 任何分類算法而言，運(yùn)種重疊帶來(lái)的分類誤差都是難W克服的。運(yùn)就意味著在測(cè)試性分析 過程中出現(xiàn)的錯(cuò)誤分類，在實(shí)際故障診斷應(yīng)用中也很可能會(huì)出現(xiàn)，并不依賴于某種特定的 分類算法。運(yùn)說明通過本發(fā)明估計(jì)得到的系統(tǒng)測(cè)試性指標(biāo)具有較高的準(zhǔn)確性和通用性。
【主權(quán)項(xiàng)】
1. 一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特征在于:通過該方法，可基 于已有的故障數(shù)據(jù)對(duì)被測(cè)系統(tǒng)的測(cè)試性指標(biāo)進(jìn)行精確估計(jì)，具體包括以下三個(gè)步驟： a) 故障特征提?。?)，收集被測(cè)系統(tǒng)在各種故障狀態(tài)下的原始故障數(shù)據(jù)（101)，再應(yīng)用 特征提取算法(102)從中獲取用于描述并區(qū)分不同故障狀態(tài)的故障特征數(shù)據(jù)(103); b) 交叉驗(yàn)證(2)，依次從故障特征數(shù)據(jù)（103)中取出一個(gè)測(cè)試樣本（201)，應(yīng)用KKC分類 算法(202)基于剩余樣本對(duì)其進(jìn)行類型判定，記錄并輸出錯(cuò)誤分類信息(203); c) 測(cè)試性指標(biāo)估計(jì)（3)，通過一種統(tǒng)計(jì)方法（301)在錯(cuò)誤分類信息（203)基礎(chǔ)上估計(jì)被 測(cè)系統(tǒng)在當(dāng)前故障特征數(shù)據(jù)（103)下的測(cè)試性指標(biāo)(302)。2. 如權(quán)利要求書1所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特征 在于:所述的原始故障數(shù)據(jù)（101)是先通過故障仿真或?qū)嵨锕收献⑷雭?lái)模仿被測(cè)系統(tǒng)的故 障行為，然后在規(guī)定的測(cè)點(diǎn)處收集得到。3. 如權(quán)利要求書1所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特征 在于:所述的特征提取算法（102)對(duì)原始故障數(shù)據(jù)（101)進(jìn)行進(jìn)一步處理，從中提取有限維 特征向量，每個(gè)向量實(shí)例構(gòu)成一個(gè)訓(xùn)練樣本，并由這些訓(xùn)練樣本組成故障特征數(shù)據(jù)(103)。4. 如權(quán)利要求書1或3所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特 征在于:所述的故障特征數(shù)據(jù)（103)中的訓(xùn)練樣本根據(jù)其各自所屬的故障以及這些故障所 屬的可更換單元，被組織成一種多層次結(jié)構(gòu)。5. 如權(quán)利要求書4所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特征 在于:所述的可更換單元是在維修時(shí)可被更換的被測(cè)系統(tǒng)的組成單元，一個(gè)可更換單元可 包含多種故障，每種故障均有一定的發(fā)生概率。6. 如權(quán)利要求書1所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特征 在于:所述的KKC分類算法(202)基于故障特征數(shù)據(jù)（103)在測(cè)試樣本(201)的K-近鄰上進(jìn)行 核密度估計(jì)和先驗(yàn)故障概率加權(quán)，然后給出該測(cè)試樣本(201)可能所屬的可更換單元的相 對(duì)概率。7. 如權(quán)利要求書1或5或6所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法， 其特征在于:所述的錯(cuò)誤分類信息(203)記錄每個(gè)被錯(cuò)誤分類的測(cè)試樣本，及其對(duì)應(yīng)的按相 對(duì)概率降序排列的可更換單元列表的前L個(gè)非零項(xiàng)，其中L稱為故障隔離水平參數(shù)，表示正 確的故障分類結(jié)果被允許包含在數(shù)量最多為L(zhǎng)的候選可更換單元中。8. 如權(quán)利要求書1所述的一種基于交叉驗(yàn)證的電子系統(tǒng)測(cè)試性定量分析方法，其特征 在于:所述的測(cè)試性指標(biāo)(302)包括故障檢測(cè)率、故障隔離率和虛警率。
【文檔編號(hào)】G06K9/62GK105956602SQ201610237062
【公開日】2016年9月21日
【申請(qǐng)日】2016年4月15日
【發(fā)明人】唐小峰, 許愛強(qiáng), 劉勇, 文天柱
【申請(qǐng)人】中國(guó)人民解放軍海軍航空工程學(xué)院