摘要：为降低测试性验证试验费用,提出基于遗传算法的故障样本优化选取方法。方法通过故障—测试关联分析和故障—故障等价分析,确定初始故障样本集中各元素对应的等价集,并对初始故障样本集进行扩展,在此基础上,建立了故障样本选取优化求解模型。在不降低样本注入数量和测试特性的条件下,以试验费用最小为优化目标,给出了基于改进遗传算法的样本优化选取方法。算例应用结果表明,该方法设计的故障样本选取方法能有效降低测试性验证试验费用。

摘要：针对测试性验证试验样本集覆盖性差和试验结果可信度低的问题,为有效评价测试性验证试验样本集,提出了基于关联模型的故障样本集覆盖性定量评价方法;该方法定义了系统的信息要素模型,包括结构、功能、测试点、测试项目、测试信号5个测试性设计要素和一个故障模式要素;在此基础上分析设计要素间及其与故障模式间的相互映射关系,建立设计特性要素关联模型和故障模式与设计特性要素关联模型,并根据建立的关联关系得到故障模式直接和间接相关的特性要素,计算故障样本集对设计要素的覆盖率;最后,通过案例应用证明了该方法的正确性。

摘要：经典经验模式分解采用三次样条插值方法求取信号的均值曲线,其存在较严重的过冲现象,造成最终的分解误差较大。针对上述问题,提出一种基于张力格林样条的均值曲线插值方法。以相邻极值点的中点为插值节点,采用张力格林样条插值直接获得信号的均值曲线。实验结果表明,该方法在保证插值曲线光滑性的基础上,可以消除三次样条在插值节点间出现的过分振荡现象,一定程度上克服过冲问题,基于极值中点的一次插值能进一步降低信号分解的误差。