基于分段启发式依赖矩阵处理算法的高发故障优先诊断策略研究

《Journal of Systems Engineering and Electronics》：A Dependency Matrix Processing Algorithm to Prioritize High Incidence Faults

　　为解决战备测试(ORT)中传统依赖矩阵(D-matrix)处理算法无法动态调整优化方向、对低概率故障过度诊断的问题，本研究提出分段启发式D-matrix处理算法(PHAD)。该算法通过分段函数切换启发策略，优先检测高发故障(HIFs)，实验表明其在期望测试成本(ETC)和故障检测率(FDR)上优于传统信息增益(IG)和故障检测权重(WFD)算法，为复杂系统测试性设计提供新思路。

　　

随着消费电子到大型武器系统等人造系统日趋复杂化与集成化，系统现场故障后的处理方式逐渐简化为直接报废或返厂，这使得战备测试(Operational Readiness Test, ORT)的重要性日益凸显。与传统测试不同，ORT的核心需求在于快速判断系统是否存在故障，而非精确定位故障位置。然而，当前主流的依赖矩阵(Dependency Matrix, D-matrix)处理算法（如信息增益(Information Gain, IG)和故障检测权重(Weight for Fault Detection, WFD)）仍以故障定位与隔离为优化目标，导致在ORT场景下效率低下。更关键的是，复杂系统的故障集通常由少数高发故障(High-Incidence Faults, HIFs)和大量低发故障(Low-Incidence Faults, LIFs)组成，固定启发函数的算法难以在诊断不同阶段动态调整优化策略。

针对这一挑战，张佳硕等人发表在《Journal of Systems Engineering and Electronics》上的研究提出了一种名为分段启发式D-matrix处理算法(Piecewise Heuristic Algorithm for D-matrix, PHAD)的创新方法。该算法的核心思想是利用由多个不同子函数构成的分段函数替代传统固定启发函数，根据测试阶段动态切换优化目标。具体而言，PHAD在诊断HIFs阶段采用最大故障概率作为启发函数，优先覆盖高权重故障；在完成HIFs诊断后，切换至IG或WFD函数处理剩余故障。这种设计使算法能够精准匹配ORT的变测试需求，生成高效的测试序列。

研究团队通过定义包含故障集f、概率集p、测试集t、成本集c和依赖矩阵D的五元组模型形式化描述PHAD算法。其分段启发函数具体表现为两种形式：f_IG在测试轮次i≤N时采用max(p(x_jp))，i>N时采用信息熵函数；f_WFD则在i>N阶段改用WFD_j(x,t_j)=∑d_ij/c_j。针对分段点N的确定，提出固定值与动态计算两种方法，后者通过计算概率变化极值自动确定最优分段点。

在实验结果方面，研究通过不同尺寸（21×20与61×60）和密度（10%-90%）的随机矩阵进行系统验证。如图1所示，PHAD算法生成的诊断树在早期测试轮次即优先覆盖高概率故障，而WFD算法则出现误选低概率故障的情况。故障检测率(FDR)曲线显示（图2），PHAD在分段点左侧的故障概率累计速度显著优于对比算法，尤其在低密度矩阵中优势更为明显。

期望测试成本(Expected Test Cost, ETC)分析进一步证实了PHAD的优越性。如表4-5所示，在21×20矩阵中，PHAD-IG在密度10%条件下的ETC为3.1781，较WFD的3.5102降低9.5%；在61×60矩阵中，PHAD-WFD在密度60%时的ETC为1.2604，显著优于IG算法的1.9762。动态分段点设置虽略高于固定值，但避免了人工经验依赖，更具工程实用性。

研究结论表明，PHAD算法通过分段启发函数机制成功解决了ORT场景下的动态优化需求。其创新性不仅体现在针对HIFs的优先检测能力，更在于构建了一种可扩展的分段函数框架，为应对更复杂的测试需求提供了方法论基础。该研究突破了传统固定启发函数的局限，使测试序列生成更具灵活性与适应性，对提升复杂系统测试效率具有重要工程意义。