CN106342315B - 一种基于本体的产品测试性模型构建方法 - Google Patents
一种基于本体的产品测试性模型构建方法Info
- Publication number
- CN106342315B CN106342315B CN201110011947.9A CN201110011947A CN106342315B CN 106342315 B CN106342315 B CN 106342315B CN 201110011947 A CN201110011947 A CN 201110011947A CN 106342315 B CN106342315 B CN 106342315B
- Authority
- CN
- China
- Prior art keywords
- information
- test
- product
- fault
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于本体的产品测试性模型构建方法。该方法提供一种基于本体的测试性模型构建方法,保证测试性设计过程中信息的共享与互操作,以及测试性工作的顺利实施。该方法对产品测试环境中的物理实体和数据实体及其相互之间的关系进行分析,采用螺旋式上升的方式建立产品测试性模型,既能增强该模型的合理性和完整性,也能提高模型质量。该模型基于统一标准,实现了产品全寿命周期信息结构和信息交换过程的标准化描述,且具有开放性、可扩展性等特点。利用本体建模语言对所建立的测试性模型进行编码,能够被计算机所自动识别,可有效支持信息的自动化检索与逻辑推理,实现产品测试性设计过程中对信息的共享和互操作。
Description
技术领域
本发明涉及测试性工程领域的用于测试性设计的测试性模型构建方法,尤其是一种基于本体的测试性模型构建方法。
背景技术
测试性是指“产品能及时准确地确定其状态(可工作、不可工作或性能下降)并有效地隔离其内部故障的一种设计特性”。
测试性模型是用于产品测试性分析、设计与优化的图示模型或数学模型。在复杂产品全寿命周期过程中,存在并不断产生大量的信息,这些信息分布在不同学科,且存在于不同的载体中,类型与结构差异较大,其不确定性和异构性导致信息孤岛的存在,为信息的共享与应用带来困难。因此如何将这些与产品测试性设计相关的因素、信息和知识有机组织起来,建立产品测试性模型是进行产品测试性分析、设计和优化的前提。在测试性模型基础上,产品测试性设计各阶段可操作地获取共享信息,并结合人工智能技术,融合运用各种测试与诊断要素,就可以逐步实现产品测试性的不断优化。
针对所述问题,国内外进行了一定的研究,有许多经验可以借鉴,如多信号流图模型(Deb S et al.Multi-Signal Flow Graphs:A novel Approach for System TestabilityAnalysis and Fault Diagnosis[J].IEEE AES Magazine,1995(5):14~25或钱彦岭博士学位论文《测试性建模技术及其应用研究》2002)、基于XML的测试性模型(汪洋,徐建芬,王海平.基于XML的自动测试信息交换标准研究综述.电子测量与仪器学报,2008,22(5):1-7.)和基于EXPRESS/EXPRESS-G的测试性模型(Sheppard JW.Standardizing Diagnostic Models for System Test and Diagnosis.Proc.IEEEAUTOTESTCON,1994:343-349.)(Sheppard J,Bartolini A,Orlidge L.StandardizingDiagnostic Information Using IEEE AI-ESTATE.AUTOTESTCON 97.),但是随着测试性设计技术的不断发展,也呈现出一些问题。
(1)多信号流图模型在产品功能框图基础上,将产品中的故障和测试进行关联。但是作为一种图示模型,多信号流图模型仅仅反映了产品的结构与功能组成以及故障模式与测试之间的关联关系,立足于满足产品早期测试性分析与设计需要。随着测试性设计过程的深入,多信号流图模型不能对测试资源及资源占用关系、产品可靠性和保障维修数据、技术资料和人员与培训等信息及其相互关系进行处理,难以有效支持产品全寿命周期过程中的测试性设计。
(2)现有模型对信息的描述与集成方式缺乏统一的标准,无法从根本上消除“信息孤岛”,且各类信息之间关系的描述不明确,缺乏对信息层次性及其静态结构的描述,难以进行扩展。虽然基于XML的测试性模型和基于EXPRESS/EXPRESS-G的测试性模型具有较为规范的语法结构,为产品测试性设计提供了巨大的信息源。但是由于这两个模型不能表达信息的语义,在这种情况下,难以为用户准确提供其感兴趣的信息,且只能基于关键字进行信息检索,而无法进行语义检索,导致信息检索的精确度低,查全率低,为信息的共享与互操作带来困难,不能有效支持全寿命周期活动,在技术上仍有待进一步突破。
因此,测试性工程领域中,如何建立完善的测试性模型,准确地表达信息之间的语义关系,实现信息集成与共享,并利用该模型对信息进行互操作,是产品测试性分析与设计过程中面临的一个关键问题。
本体论已然成为国内外研究热点,在多个领域出现了具体应用,其研究集中在知识工程、本体工程、信息组织与检索和语义Web等方面,各种本体描述语言和本体创建工具也逐渐被开发和应用。在传统行业以及新兴行业应用本体论已经成为一种趋势。因此,将本体论应用在产品测试性领域,用本体进行产品测试性建模,对于在测试性设计过程中有效获取测试性信息,进行产品测试性优化具有重要意义。
发明内容
本发明要解决的技术问题是:针对目前产品测试性工程领域对相关信息的需求,提供一种基于本体的测试性模型构建方法,保证测试性设计过程中信息的共享与互操作,以及测试性工作的顺利实施。
本发明所述的基于本体的测试性模型构建方法是一个螺旋式上升的建模方法,具体技术过程如下。
第一步收集产品测试性相关信息
广义的产品测试性信息除了设计、制造、维护等相关活动过程中涉及的所有有形实体(人力、设备、文件资料、经费)之外,还包括无形资源(时间、信息、技术),主要由产品自身设计信息、测试性设计信息以及贯穿于整个寿命周期的测试诊断活动信息、可靠性信息、维修保障信息组成。产品测试性相关信息可以从产品设计手册、类似产品设计经验和已有的文献资料(GJB 2547-95.装备测试性大纲.1995.10和GJB3385-1998.测试与诊断术语.1998.7等)中进行收集。
第二步对产品测试性相关信息及其相互关系进行提炼
从产品全***全寿命角度来看,影响产品测试性优化设计的构成因素是多维多层次的,且相互之间的关系错综复杂,从收集的信息源中对信息概念实体、概念属性及其相互关系进行提炼和规范化描述,具体过程如下:
(1)确定产品结构单元信息
结构单元信息主要包括:
·基本信息:包括结构名称Name及其在产品组成中的标识ID。
·物理信息:包括结构单元的大小Size,体积Volumn、重量Weight。
·功能信息:每个结构单元都具有其特定的功能,用Function表示。
·层次关系信息:根据产品结构组成,不同单元之间存在层次关系,包含三种情况:隶属关系、包含关系和同层关系。
·连接信息:连接关系是一种特殊的同层关系,用Link_to表示。
(2)确定产品各个层次功能信息
产品功能信息具有层次性和关联性,功能信息主要包括:
·基本信息:包括功能名称Name及其标识ID。
·特征性息:反映单元正常功能的参数指标或者征兆,用Symptom表示。
·所属单元:功能由某个单元所具有,用Belong_to表示。
·表现的故障模式:如果单元功能失效或不正常,则表现出一定的故障模式,用Failure表示。
(3)确定产品故障信息
产品故障该信息包括:
·基本信息:包括故障名称Name及其标识ID。
·故障影响的功能:用Subject_to表示。
·严酷度信息:确定该故障的发生对产品完成既定任务的影响程度,用Severity表示。根据严重程度分为四个类别,取值范围为{I,II,III,IV},分别表示灾难性故障、致命故障、中等故障和轻度故障。
·故障率信息:可根据故障分布函数计算故障率,也可通过平均故障间隔时间来间接表征故障率属性。每个故障都有一个故障率,用λ表示。
·故障演化程度:对于机电产品故障尤为重要,描述故障不同状态。
·故障传播特性:确定故障在产品中的传播关系,用Propagate表示。
(4)确定产品测试信息
测试是指针对给定产品的物理现象和过程,按照规定的程序确定一种或多种特性的技术操作。在测试性设计中所关心的主要是为了检测和隔离故障的诊断测试。
产品测试信息包括:
·基本信息:包括测试名称Name及其标识ID。
·测试位置信息:确定该测试的物理位置,用Location表示。
·测试类型信息:用Type表示,根据不同的应用角度测试类型可以是:静态测试或动态测试、开环测试或闭环测试、联机测试或脱机测试。
·测试级别:确定所用测试的级别,用Level表示。
·测试方法:确定该测试所使用的方法或技术手段,用Instrument表示。
·测试优先级:根据测试的先后次序,为每个测试指定一个优先级,用Priority表示,其取值为{1,2,3,4,5,6,7,8},取值越小表示优先级越高。
·测试不确定性:计算测试的不确定性参数,用PT={(pdij,pfaij)}表示,其中pdij=p(tj=1|fi=1),pfaij=p(tj=1|fi=0)分别表示测试tj对故障模式fi的检测概率和虚警概率。
·测试结果:对于模拟信号的输出确定测试的结果,用Outcome表示。
·测试资源信息:既包括测试设备、人员,也包括专家经验、测试技术,用Resource表示。
·测试代价:包括测试执行所需的时间Time和费用Cost。
·故障-测试相关信息:确定测试与故障之间的检测与被检测关系,用故障-测试相关性矩阵FT=(ftij)m×n来表示,其中m,n分别是产品故障总数与测试总数。
(5)确定测试性指标要求信息
确定测试性参数的指标要求,主要有“三率”和“二时间”五个指标构成,分别是故障检测率、故障隔离率、故障虚警率、故障检测时间、故障隔离时间,分别用FDR、FIR、FAR、FDT和FIT来表示。
(6)确定单元可靠性信息:包括基本可靠性和任务可靠性,分别用BReliability和MReliability来表示。
(7)确定产品维修保障信息
产品维修保障信息包括以下几个方面:
·维修方式信息:用MMode表示,主要包括替换维修与修复性维修。
·维修策略信息:用MStratege表示,主要包含两级维修策略或者三级维修策略。
·维修人员技术水平信息:根据维修人员分类{专家,初级技术员,普通用户},将维修人员技术水平定量化,用TLevel表示。
(8)确定产品其它的综合保障信息
除了所述信息外,还包括其它的综合保障信息:
·可用性信息:用可用度A来度量,包括固有可用度AI和使用可用度AO。
·战备完好性信息:用使用可用度AO来度量。
·任务剖面信息:确定产品所处的任务剖面,用TProfile表示。
·技术资料信息:收集产品相关的技术资料,包括将产品要求转化为设计所需的工程图样、技术规范、技术手册、技术报告、计算机软件文档,用TData表示。这些信息以文件的形式存在。
第三步构建基于本体的测试性模型
根据本发明第二步中所述的产品测试性信息及构成,并将其进行归类,确定概念实体集C、概念属性实体集AC以及概念间关系实体集R。其中,概念间关系还可以分为同义关系、传递关系、可逆关系、种属关系、关联关系等,利用这些关系对各种概念、各种概念关系进行推理,明确概念之间、概念关系之间的联系,在此基础上结合概念层次H、公理集X以及实例集I,利用网状结构建立基于本体的产品测试性模型,表示为{C,AC,R,AR,H,X,I}。
第四步对基于本体的测试性模型进行评估
基于本体的测试性模型依赖于产品而存在,随着产品和用户需求的变化而变化。因此需要依据本体构建原则对测试性模型不断地进行自适应评价和修订,及时更新,保证其准确性和完整性。如果仍然存在未进行标注的信息,则返回第二步,否则继续第五步。
第五步对基于本体的测试性模型进行编码
利用本体建模语言OWL对测试性模型进行编码,转换为计算机可以自动处理的描述形式,以便于信息自动检索和重用。
第六步测试性本体模型的应用
根据具体产品测试与诊断需求对模型进行实例化,通过基于本体的信息智能搜索实现模型应用,具体过程如下。
6.1根据具体产品特性,对所收集的产品测试性相关信息进行提炼并按照第二步到第五步所述的过程将各类信息注册到本体模型中。
6.2根据产品测试与诊断任务,建立检索条件,并转换为规范化的检索表达式,然后加上适当的推理规则,利用基于语义的信息匹配算法从本体模型中检索与查询符合任务要求的信息。
6.3输出检索结果并将其进行转换反馈给测试与诊断人员供其使用。
采用本发明可达到以下技术效果:
(1)对产品测试环境中的物理实体(包括产品结构、测试资源)及行为实体(包括功能行为、故障行为、测试行为、维修行为)和数据实体(包括测试性指标、测试结果数据、可靠性数据、人员与技术资料)及其相互之间的关系进行了分析。
(2)提出了基于本体的测试性模型构建方法,该方法以螺旋式上升的方式建立产品测试性模型,既能增强该模型的合理性和完整性,也能提高模型质量。
(3)所建立的测试性模型基于统一标准,实现了产品全寿命周期信息结构和信息交换过程的标准化描述,且具有开放性、可扩展性等特点。该模型不仅具有规范的语法结构,更重要的是能够从根本上消除语义差异,为设计人员、测试人员及维修保障人员提供统一信息源,有效支持产品测试性设计过程中对信息共享和重用需求。
(4)利用本体建模语言对所建立的测试性模型进行编码,能够被计算机所自动识别,可有效支持信息的自动化检索与逻辑推理,实现测试性设计信息的互操作。
附图说明
图1基于本体的测试性模型构建流程
图2产品测试性本体模型
图3利用OWL对测试性本体模型编码
图4基于本体的测试性信息检索与发现机制
具体实施方式
基于本体的测试性模型构建流程如图1所示,详细过程描述如下:
第一步从产品设计文档、设计经验和相关文献资料中收集信息。
第二步产品测试性信息收集与提炼,并建立信息分类建立各种测试性信息的标准化字段,包括概念、属性及其相互关系。
(1)确定产品结构单元信息
结构单元信息主要包括:
·基本信息:包括结构名称Name及其在产品组成中的标识ID。
·物理信息:包括结构单元的大小Size,体积Volume、重量Weight。
·功能信息:用Function表示。
·层次关系信息:包含三种情况:隶属关系、包含关系和同层关系。
·连接信息:用Link_to表示。
产品结构单元信息由规范化的字段来表示,如下表所示:
(2)确定产品各个层次功能信息
功能信息主要包括:
·基本信息:包括功能名称Name及其标识ID。
·特征性息:用Symptom表示。
·所属单元:用Belong_to表示。
·表现的故障模式:用Failure表示。
产品功能信息由规范化字段的来表示,如下表所示:
(3)确定产品故障信息
产品故障信息包括:
·基本信息:包括故障名称Name及其标识ID。
·故障影响的功能:用Subject_to表示。
·严酷度信息:用Severity表示,取值范围为{I,II,III,IV},分别表示灾难性故障、致命故障、中等故障和轻度故障。
·故障率信息:用λ表示。
·故障演化程度:对于机电产品故障尤为重要,描述故障不同状态。
·故障传播特性:用Propagate表示。
产品故障信息由规范化字段的来表示,如下表所示:
(4)确定产品测试信息
产品测试信息包括:
·基本信息:包括测试名称Name及其标识ID。
·测试位置信息:用Location表示。
·测试类型信息:用Type表示。
·测试级别:用Level表示。
·测试方法/手段:用Instrument表示
·测试优先级:用Priority表示,其取值为{1,2,3,4,5,6,7,8},取值越小表示优先级越高。
·测试不确定性:用PT={(pdij,pfaij)}表示,其中pdij=p(tj=1|fi=1)、pfaij=p(tj=1|fi=0)分别表示测试tj对故障模式fi的检测概率和虚警概率。
·测试结果:用Outcome表示。
·测试资源信息:用Resource表示。
·测试代价:包括测试执行所需的时间Time和费用Cost。
·故障-测试相关信息:用故障-测试相关性矩阵FT=(ftij)m×n来表示。
产品故障信息由规范化字段的来表示,如下表所示:
(5)确定测试性指标要求信息
确定测试性参数的指标要求,用FDR、FIR、FAR、FDT和FIT来表示,分别是故障检测率、故障隔离率、故障虚警率、故障检测时间、故障隔离时间。
产品测试性指标信息由规范化字段的来表示,如下表所示:
(6)确定单元可靠性信息:包括基本可靠性和任务可靠性,分别用BReliability和MReliability来表示。
产品维修保障信息由规范化字段的来表示,如下表所示:
(7)确定产品维修保障信息
产品维修保障信息包括以下几个方面:
·维修方式信息:用MMode表示,取值是替换维修或修复性维修。
·维修策略信息:用MStratege表示,取值为两级维修策略或三级维修策略。
·维修人员技术水平信息:用TLevel表示,取值范围为{1,2,3},分别表示专家、初级技术员、普通用户。
产品维修保障信息由规范化字段的来表示,如下表所示:
(8)确定产品其它的综合保障信息
包括其它的综合保障信息:
·可用性信息:用可用度A来度量,包括固有可用度AI和使用可用度AO。
·战备完好性信息:用使用可用度AO来度量。
·任务剖面信息:确定产品所处的任务剖面,用TProfile表示。
·技术资料信息:收集产品相关的技术资料,用TData表示,包括将产品要求转化为设计所需的工程图样、技术规范、技术手册、技术报告、计算机软件文档。
产品测试性指标信息由规范化字段的来表示,如下表所示:
第三步构建基于本体的测试性模型
根据产品测试性信息及构成,将其进行归类,确定概念实体集合C,C由标准化的术语构成;确定概念属性实体集合AC,AC由术语的属性构成;概念间关系实体R,R由术语之间的关系或属性之间的关系所构成。
根据同义关系、传递关系、可逆关系、种属关系、关联关系对各种概念、各种概念关系进行推理,明确概念之间、概念关系之间的联系,在此基础上利用网状结构建立产品基于本体的测试性模型,如图2所示。
第四步对测试性模型进行评估
基于本体的测试性模型依赖于产品而存在,随着产品和用户需求的变化而变化。因此需要依据本体构建原则对测试性模型不断地进行自适应评价和修订,及时更新,保证其准确性和完整性。如果仍然存在为进行标注的信息,则返回第一步,否则执行第五步。
第五步对基于本体的测试性模型进行编码
利用本体建模语言OWL对测试性模型进行编码,转换为计算机可以自动处理的描述形式。鉴于篇幅限制,利用OWL对所述产品测试性模型中部分典型的概念与关系进行编码如图3所示。
第六步基于本体的测试性模型应用
根据具体产品测试性需求对模型进行实例化,通过基于本体的信息智能搜索实现模型应用。
图4是图3中第六步所述的基于本体的测试性设计信息检索机制,具体过程如下。
6.1根据具体产品特性,收集并提炼该产品的测试性相关信息,并按照一定的规则各类信息注册到模型中。
6.2根据产品测试与诊断任务信息,建立检索条件,并转换为规范化的检索表达式,然后加上适当的推理规则,利用基于语义的信息匹配算法从模型中检索与查询符合任务要求的信息。
6.3输出检索结果并将其进行转换反馈给测试与诊断人员供其使用。
Claims (1)
1.一种基于本体的产品测试性模型构建方法,其特征在于,具体技术过程如下:
第一步收集产品测试性相关信息;具体为:
产品测试性信息除了设计、制造、维护相关活动过程中涉及的所有有形实体之外,还包括无形资源,主要由产品自身设计信息、测试性设计信息以及贯穿于整个寿命周期的测试诊断活动信息、可靠性信息、维修保障信息组成,产品测试性相关信息可从产品设计手册、类似产品设计经验和已有的文献资料中进行收集;
第二步对产品测试性相关信息及其相互关系进行提炼;具体过程如下:
(1)确定产品结构单元信息
结构单元信息主要包括:
·基本信息:包括结构名称Name及其在产品组成中的标识ID;
·物理信息:包括结构单元的大小Size,体积Volumn、重量Weight;
·功能信息:每个结构单元都具有其特定的功能,用Function表示;
·层次关系信息:根据产品结构组成,不同单元之间存在层次关系,包含三种情况:隶属关系、包含关系和同层关系;
·连接信息:连接关系是一种特殊的同层关系,用Link_to表示;
(2)确定产品各个层次功能信息
产品功能信息具有层次性和关联性,功能信息主要包括:
·基本信息:包括功能名称Name及其标识ID;
·特征性息:反映单元正常功能的参数指标或者征兆,用Symptom表示;
·所属单元:功能由某个单元所具有,用Belong_to表示;
·表现的故障模式:如果单元功能失效或不正常,则表现出一定的故障模式,用Failure表示;
(3)确定产品故障信息
产品故障该信息包括:
·基本信息:包括故障名称Name及其标识ID;
·故障影响的功能:用Subject_to表示;
·严酷度信息:确定该故障的发生对产品完成既定任务的影响程度,用Severity表示,根据严重程度分为四个类别,取值范围为{I,II,III,IV},分别表示灾难性故障、致命故障、中等故障和轻度故障;
·故障率信息:可根据故障分布函数计算故障率,也可通过平均故障间隔时间来间接表征故障率属性,每个故障都有一个故障率,用λ表示;
·故障演化程度:对于机电产品故障尤为重要,描述故障不同状态;
·故障传播特性:确定故障在产品中的传播关系,用Propagate表示;
(4)确定产品测试信息
测试是指针对给定产品的物理现象和过程,按照规定的程序确定一种或多种特性的技术操作,在测试性设计中所关心的主要是为了检测和隔离故障的诊断测试;
产品测试信息包括:
·基本信息:包括测试名称Name及其标识ID;
·测试位置信息:确定该测试的物理位置,用Location表示;
·测试类型信息:用Type表示,根据不同的应用角度测试类型可以是:静态测试或动态测试、开环测试或闭环测试、联机测试或脱机测试;
·测试级别:确定所用测试的级别,用Level表示;
·测试方法:确定该测试所使用的方法或技术手段,用Instrument表示;
·测试优先级:根据测试的先后次序,为每个测试指定一个优先级,用Priority表示,其取值为{1,2,3,4,5,6,7,8},取值越小表示优先级越高;
·测试不确定性:计算测试的不确定性参数,用PT={(pdij,pfaij)}表示,其中pdij=p(tj=1|fi=1),pfaij=p(tj=1|fi=0)分别表示测试tj对故障模式fi的检测概率和虚警概率;
·测试结果:对于模拟信号的输出确定测试的结果,用Outcome表示;
·测试资源信息:既包括测试设备、人员,也包括专家经验、测试技术,用Resource表示;
·测试代价:包括测试执行所需的时间Time和费用Cost;
·故障-测试相关信息:确定测试与故障之间的检测与被检测关系,用故障-测试相关性矩阵FT=(ftij)m×n来表示,其中m,n分别是产品故障总数与测试总数;
(5)确定测试性指标要求信息
确定测试性参数的指标要求,主要有“三率”和“二时间”五个指标构成,分别是故障检测率、故障隔离率、故障虚警率、故障检测时间、故障隔离时间,分别用FDR、FIR、FAR、FDT和FIT来表示;
(6)确定单元可靠性信息:包括基本可靠性和任务可靠性,分别用BReliability和MReliability来表示;
(7)确定产品维修保障信息
产品维修保障信息包括以下几个方面:
·维修方式信息:用MMode表示,主要包括替换维修与修复性维修;
·维修策略信息:用MStratege表示,主要包含两级维修策略或者三级维修策略;
·维修人员技术水平信息:根据维修人员分类,将维修人员技术水平定量化,用TLevel表示;
(8)确定产品其它的综合保障信息
除了所述信息外,还包括其它的综合保障信息:
·可用性信息:用可用度A来度量,包括固有可用度AI和使用可用度AO;
·战备完好性信息:用使用可用度AO来度量;
·任务剖面信息:确定产品所处的任务剖面,用TProffile表示;
·技术资料信息:收集产品相关的技术资料,包括将产品要求转化为设计所需的工程图样、技术规范、技术手册、技术报告、计算机软件文档,用TData表示;这些信息以文件的形式存在;
第三步构建基于本体的测试性模型;具体为:
根据第二步中所述的产品测试性信息及构成,并将其进行归类,确定概念实体集C、概念属性实体集AC以及概念间关系实体集R;其中,概念间关系还可以分为同义关系、传递关系、可逆关系、种属关系、关联关系,利用这些关系对各种概念、各种概念关系进行推理,明确概念之间、概念关系之间的联系,在此基础上结合概念层次H、公理集X以及实例集I,利用网状结构建立基于本体的产品测试性模型,表示为{C,AC,R,AR,H,X,I};
第四步对基于本体的测试性模型进行评估;具体为:
基于本体的测试性模型依赖于产品而存在,随着产品和用户需求的变化而变化,需要依据本体构建原则对测试性模型不断地进行自适应评价和修订,及时更新,保证其准确性和完整性,如果仍然存在未进行标注的信息,则返回第二步,否则继续第五步;
第五步对基于本体的测试性模型进行编码;具体为:
利用本体建模语言OWL对测试性模型进行编码,转换为计算机可以自动处理的描述形式,以便于信息自动检索和重用;
第六步测试性本体模型的应用,具体过程如下:
6.1根据具体产品特性,对所收集的产品测试性相关信息进行提炼并按照第二步到第五步所述的过程将各类信息注册到本体模型中;
6.2根据产品测试与诊断任务,建立检索条件,并转换为规范化的检索表达式,然后加上适当的推理规则,利用基于语义的信息匹配算法从本体模型中检索与查询符合任务要求的信息;
6.3输出检索结果并将其进行转换反馈给测试与诊断人员供其使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110011947.9A CN106342315B (zh) | 2011-07-22 | 2011-07-22 | 一种基于本体的产品测试性模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110011947.9A CN106342315B (zh) | 2011-07-22 | 2011-07-22 | 一种基于本体的产品测试性模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106342315B true CN106342315B (zh) | 2012-11-28 |
Family
ID=58357996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110011947.9A Active CN106342315B (zh) | 2011-07-22 | 2011-07-22 | 一种基于本体的产品测试性模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106342315B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570200A (zh) * | 2015-10-12 | 2017-04-19 | 南京赛宝工业技术研究院 | 一种虚拟仿真测试方法 |
CN112860540A (zh) * | 2021-01-14 | 2021-05-28 | 中国农业银行股份有限公司 | 软件版本升级测试管控***及方法 |
WO2023083031A1 (zh) * | 2021-11-10 | 2023-05-19 | 支付宝(杭州)信息技术有限公司 | 用于将产品接入监控***的方法、装置及异构*** |
CN112860540B (zh) * | 2021-01-14 | 2024-07-09 | 中国农业银行股份有限公司 | 软件版本升级测试管控***及方法 |
-
2011
- 2011-07-22 CN CN201110011947.9A patent/CN106342315B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570200A (zh) * | 2015-10-12 | 2017-04-19 | 南京赛宝工业技术研究院 | 一种虚拟仿真测试方法 |
CN112860540A (zh) * | 2021-01-14 | 2021-05-28 | 中国农业银行股份有限公司 | 软件版本升级测试管控***及方法 |
CN112860540B (zh) * | 2021-01-14 | 2024-07-09 | 中国农业银行股份有限公司 | 软件版本升级测试管控***及方法 |
WO2023083031A1 (zh) * | 2021-11-10 | 2023-05-19 | 支付宝(杭州)信息技术有限公司 | 用于将产品接入监控***的方法、装置及异构*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosamo et al. | A Digital Twin predictive maintenance framework of air handling units based on automatic fault detection and diagnostics | |
Debrah et al. | Artificial intelligence in green building | |
Yu et al. | A digital twin-based decision analysis framework for operation and maintenance of tunnels | |
Chen et al. | Review fuzzy multi-criteria decision-making in construction management using a network approach | |
Fan | Defect risk assessment using a hybrid machine learning method | |
Wang et al. | Data-driven risk assessment on urban pipeline network based on a cluster model | |
CN105469204A (zh) | 深度融合大数据分析技术的重装制造企业综合评价*** | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN104573845A (zh) | 信息***设备状态检修辅助决策方法 | |
Najjaran et al. | Fuzzy expert system to assess corrosion of cast/ductile iron pipes from backfill properties | |
CN110347561A (zh) | 监控告警方法及终端设备 | |
CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
Velasco et al. | Trends and applications of machine learning in water supply networks management | |
Yang et al. | Managing public opinion in consensus-reaching processes for large-scale group decision-making problems | |
Florez‐Perez et al. | Using machine learning to analyze and predict construction task productivity | |
Hein et al. | Reasoning support for predicting requirement change volatility using complex network metrics | |
Farghaly et al. | The evolution of ontology in AEC: A two-decade synthesis, application domains, and future directions | |
CN106342315B (zh) | 一种基于本体的产品测试性模型构建方法 | |
Yao et al. | A multipoint prediction model for nonlinear displacement of concrete dam | |
Tsehayae et al. | Context Adaptation of Fuzzy Inference System‐Based Construction Labor Productivity Models | |
Chen et al. | Spatio‐temporal data mining method for joint cracks in concrete dam based on association rules | |
Beker et al. | Pipe and isolation valve failure-impact analysis and prioritization model for an urban water distribution network | |
Chen et al. | A PROMETHEE II approach based on probabilistic hesitant fuzzy linguistic information with applications to multi-criteria group decision-making (ICSSE 2020) | |
Singh et al. | Predicting software maintenance using fuzzy model | |
CN110415136A (zh) | 一种电力调度自动化***服务能力评估***与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
GRSP | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
DCSP | Declassification of secret patent |