CN109581194B - 一种电子***故障测试策略动态生成方法 - Google Patents

Abstract

本发明公开了一种电子***故障测试策略动态生成方法，根据静态生成的搜索树和动态测试测点或故障的改变量，进行动态修改搜索树中节点搜索策略的代价，更新搜索策略中各个故障模糊集的最优测点，进而快速更新诊断树，得到优化测试方案，这样提高了整体测试的优化效率，降低搜索次数。

Description

一种电子***故障测试策略动态生成方法

技术领域

本发明属于电路故障诊断技术领域，更为具体地讲，涉及一种电子***故障测试策略动态生成方法。

背景技术

随着电子技术的日益发展，电子***的可测试性设计成为电子设计领域的重要组成部分。其中，及时准确地确定电路状态并隔离内部故障可以有效地缩短电子***的研制、实验和发布时间。因此，故障测试方案设计在实际应用中具有重要的意义。

现有的故障测试方案设计方法中，序贯测试基于初步设计给出的信号流图和相关性模型描述的电路关系，给出测试序列测试方法，减小测试产生的代价，可以有效地提高后期设计和验证评估的效率，因此，该技术被广泛应用于电子***的可测性设计。

然而在实际测试过程中，测试结果可能会导致故障传播模型的改变，对测试流程产生影响，因此动态测试优化方法在序贯测试的研究中具有极高的实际价值。

发明内容

本发明的目的在于克服现有技术的不足，提供一种电子***故障测试策略动态生成方法，基于电子***的故障依赖信息及静态搜索策略生成动态状态下的故障诊断方法，具有优化策略代价小，搜索速度快等特点。

为实现上述发明目的，本发明提出并实现了一种电子***故障测试策略动态生成方法，其特征在于，包括以下步骤：

(1)、构建测试模型

根据电路内部故障状态与电路中测点输出的关系，构建电路的测试模型H＝{D,C,P}，其中，C＝{c₁,c₂,…,c_i,…c_M}为电路中设置的测点对应的代价构成的矩阵，c_i表示电路中第i个测点的先验测试代价，M为可选测点总数；P＝{p₁,p₂,…,p_j,…,p_N}为电路***中各个故障状态发生概率形成的矩阵，p_j为第j个故障状态发生的概率，N为故障状态总数；D为故障依赖矩阵，具体表示为：

其中，d_ij表示第j个电路故障在第i个测点下的测试信息，d_ij的取值为0或1，d_ij＝1表示第j个电路故障可以通过第i个测点测出，d_ij＝0代表第j个故障不能通过第i个测点测出；

(2)、构建初始的搜索树

通过静态的启发式搜索方法构建初始的搜索树T＝{T₁,T₂,…,T_p,…,T_P}，其中，T_p代表搜索树中的第p个节点，T₁为搜索树的根节点，P为搜索树中的节点总数；

对于搜索树中的节点T_p，有T_p＝{S_r,t_opt,Cost_ava,S₀,S₁}，其中，S_r为节点的故障模糊集，S_r＝{s_r1,s_r2,…,s_rj,…,s_rM}，s_rj为故障模糊集中包含的故障状态；t_opt为搜索树中的最优测点；t_ava＝{t_ava1,t_ava2,…,t_avai,…,t_avaL}为S_r对应的有效测点构成的集合，t_avai为有效分离S_r的测点，L为有效测点个数；Cost_ava＝{Cost_ava1,Cost_ava2,…,Cost_avai,…,Cost_avaL}为对应有效测点生成的测试方法代价，Cost_avai为对应有效测点t_avai生成的测试方法的代价；S₀和S₁为根据t_opt分割S_r得到的子故障模糊集，其定义为：

(3)、读入更新的测点

及该测点对应的代价变化量

或该测得对应的更新故障状态

及故障概率

(4)、将搜索树的根节点T₁作为更新过程的初始节点，将根节点的故障模糊集S_r作为搜索树中待更新节点的目标模糊集S；

(5)、根据故障依赖矩阵更新故障树

(5.1)、判断待更新节点的有效测点集合t_ava是否包含更新的测点

若t_ava中包含更新的测点

则进行步骤(5.2)，否则跳至步骤(6)；

(5.2)、判断待更新节点当前的最优测点t_opt是否为更新的测点

若t_optt为更新的测点

则进入步骤(5.3)；否则跳至步骤(5.6)；

(5.3)、更新最优测点t_opt的故障策略的总代价

其中，p_i为故障状态s_i对应的概率；

(5.4)、更新除最优测点t_opt外其余有效测点生成的故障策略代价；

(5.4.1)、设有效测点t'为t_ava中的第一个有效测点；

(5.4.2)、若t'是当前最优测点t_opt，则进行步骤(5.4.7)；否则，根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1:

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

(5.4.3)、在搜索树中找到故障集为S_t',0对应的左子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出左子节点对应的最优解代价Costt',0；

(5.4.4)、在搜索树中找到故障集为S_t',1对应的右子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出右子节点对应的最优解代价Costt',1；

(5.4.5)、更新t'关于故障集S生成的最优解代价：

(5.4.6)、判断t_ava中所有测点对应代价是否均被更新，若全部更新，则进入步骤(5.5)；否则将t'设置为t_ava中下一个待更新的有效测点，再返回步骤(5.4.2)；

(5.5)、将Cost_ava中最小值对应的测点记为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该节点的左子模糊集S₀和右子模糊集S₁，然后进入步骤(6)；

(5.6)、更新代价变化的测点

对应的故障诊断总代价:

其中，

为

的初始代价，

和

分别为左子故障集和右子故障集的测试代价；

(5.7)、更新除代价变化测点外的其余有效测点生成的故障策略代价；

(5.7.1)、设有效测点t'为t_ava中的第一个有效测点；

(5.7.2)、若t'是

则进行步骤(5.7.6)；否则，根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1:

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

(5.7.3)、在搜索树中找到故障集为S_t',0对应的左子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出左子节点对应的最优解代价Costt',0；

(5.7.4)、在搜索树中找到故障集为S_t',1对应的右子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出右子节点对应的最优解代价Costt',1；

(5.7.5)、更新t'关于故障集S生成的最优解代价：

(5.7.6)、判断t_ava中所有测点对应代价是否均被更新，若全部更新，则进入步骤(5.8)；将t'设置为t_ava中下一个待更新的有效测点，再返回步骤(5.7.2)；

(5.8)、将Cost_ava中最小值对应的测点为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该节点的左子模糊集S₀和右子模糊集S₁，然后进入步骤(6)；

(6)、判断待更新节点的故障集中是否包含更新的故障状态

若更新节点的故障集中包含待更新的故障状态

则进行步骤(7)，否则跳转至步骤(9)；

(7)、更新可用测点t_ava对应的测试代价

(7.1)、设有效测点t'为t_ava中的第一个有效测点；

(7.2)、根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

(7.3)、在搜索树中找到故障集为S_t',0对应的左子节点，若S_t',0中包含更新的故障状态

则将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出左子节点对应的最优解代价Costt',0；否则将搜索树中的左子节点的代价作为最优解代价Costt',0；

(7.4)、在搜索树中找到故障集为S_t',1对应的右子节点，若S_t',1中包含更新的故障状态

则将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出右子节点对应的最优解代价Costt',1；否则将搜索树中的左子节点的代价作为最优解代价Costt',1；

(7.5)、更新t'关于故障集S生成的最优解代价：

(7.6)、若t_ava中所有有效测点对应代价均被更新，则进入步骤(8)，否则将t'设置为t_ava的下一个待更新有效测点，再返回步骤(7.2)；

(8)、更新当前有效节点的最优节点信息及最优代价，更新完成后，将Cost_ava中最小值对应的测点设为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该最优测点的左子模糊集S₀和右子模糊集；

(9)、返回当前最优测点的最优节点信息及最优测试代价，从而动态生成电子***故障测试策略。

本发明的发明目的是这样实现的：

本发明一种电子***故障测试策略动态生成方法，根据静态生成的搜索树和动态测试测点或故障的改变量，进行动态修改搜索树中节点搜索策略的代价，更新搜索策略中各个故障模糊集的最优测点，进而快速更新诊断树，得到优化测试方案，这样提高了整体测试的优化效率，降低搜索次数。

同时，本发明一种电子***故障测试策略动态生成方法还具有以下有益效果：

(1)、本发明根据动态状态下故障模型中的改变量修正静态诊断方法，相比于重新建立诊断树的传统方法能更好地利用静态搜索中得到的先验知识，有效提高生成最优诊断树的效率。

(2)、本发明通过在搜索过程中对节点的筛选，避免不受改变量影响的节点的搜索，缩小了搜索的空间，提高了搜索的效率。

附图说明

图1是本发明一种电子***故障测试策略动态生成方法流程图；

图2是测点代价改变后通过本发明生成的诊断树；

图3是故障概率改变后通过本发明生成的诊断树。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种电子***故障测试策略动态生成方法流程图。

在本实施例中，如图1所示，本发明一种电子***故障测试策略动态生成方法，包括以下步骤：

S1、构建测试模型

根据电路内部故障状态与电路中测点输出的关系，构建电路的测试模型H＝{D,C,P}，其中，C＝{c₁,c₂,…,c_i,…c_M}为电路中设置的测点对应的代价构成的矩阵，c_i表示电路中第i个测点的先验测试代价，M为可选测点总数；P＝{p₁,p₂,…,p_j,…,p_N}为电路***中各个故障状态发生概率形成的矩阵，p_j为第j个故障状态发生的概率，N为故障状态总数；D为故障依赖矩阵，具体表示为：

其中，d_ij表示第j个电路故障在第i个测点下的测试信息，d_ij的取值为0或1，d_ij＝1表示第j个电路故障可以通过第i个测点测出，d_ij＝0代表第j个故障不能通过第i个测点测出；

S2、构建初始的搜索树

通过静态的启发式搜索方法构建初始的搜索树T＝{T₁,T₂,…,T_p,…,T_P}，其中，T_p代表搜索树中的第p个节点，T₁为搜索树的根节点，P为搜索树中的节点总数；

对于搜索树中的节点T_p，有T_p＝{S_r,t_opt,Cost_ava,S₀,S₁}，其中，S_r为节点的故障模糊集，S_r＝{s_r1,s_r2,…,s_rj,…,s_rM}，s_rj为故障模糊集中包含的第j个故障状态；t_opt为搜索树中的最优测点；t_ava＝{t_ava1,t_ava2,…,t_avai,…,t_avaL}为S_r对应的有效测点构成的集合，t_avai为有效分离S_r的测点，L为有效测点个数；Cost_ava＝{Cost_ava1,Cost_ava2,…,Cost_avai,…,Cost_avaL}为对应有效测点生成的测试方法代价，Cost_avai为对应有效测点t_avai生成的测试方法的代价；S₀和S₁为根据t_opt分割S_r得到的子故障模糊集，其定义为：

S3、读入更新的测点

及该测点对应的代价变化量

或该测得对应的更新故障状态

及故障概率

S4、将搜索树的根节点T₁作为更新过程的初始节点，将根节点的故障模糊集S_r作为搜索树中待更新节点的目标模糊集S；

S5、根据故障依赖矩阵更新故障树

S5.1、判断待更新节点的有效测点集合t_ava是否包含更新的测点

若t_ava中包含更新的测点

则进行步骤S5.2，否则跳至步骤S6；

S5.2、判断待更新节点当前的最优测点t_opt是否为更新的测点

若t_optt为更新的测点

则进入步骤S5.3；否则跳至步骤S5.6；

S5.3、更新最优测点t_opt的故障策略的总代价

其中，p_i为故障状态s_i对应的概率；

S5.4、更新除最优测点t_opt外其余有效测点生成的故障策略代价；

S5.4.1、设有效测点t'为t_ava中的第一个有效测点；

S5.4.2、若t'是当前最优测点t_opt，则进行步骤S5.4.7；否则，根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1:

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

S5.4.3、在搜索树中找到故障集为S_t',₀对应的左子节点，将该节点作为待更新节点，然后按照步骤S5.1～S5.3所述方法计算出左子节点对应的最优解代价Costt',0；

S5.4.4、在搜索树中找到故障集为S_t',₁对应的右子节点，将该节点作为待更新节点，然后按照步骤S5.1～S5.3所述方法计算出右子节点对应的最优解代价Costt',1；

S5.4.5、更新t'关于故障集S生成的最优解代价：

S5.4.6、判断t_ava中所有测点对应代价是否均被更新，若全部更新，则进入步骤S5.5；否则将t'设置为t_ava中下一个待更新的有效测点，再返回步骤S5.4.2；

S5.5、将Cost_ava中最小值对应的测点记为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该节点的左子模糊集S₀和右子模糊集S₁，然后进入步骤S6；

S5.6、更新代价变化的测点

对应的故障诊断总代价:

其中，

为

的初始代价，

和

分别为左子故障集和右子故障集的测试代价；

S5.7、更新除代价变化测点外的其余有效测点生成的故障策略代价；

S5.7.1、设有效测点t'为t_ava中的第一个有效测点；

S5.7.2、若t'是

则进行步骤S5.7.6；否则，根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',₀和右子故障集S_t',₁:

S_t',₀＝{s_j|d_jt'＝0}

S_t',₁＝{s_j|d_jt'＝1}

S5.7.3、在搜索树中找到故障集为S_t',₀对应的左子节点，将该节点作为待更新节点，然后按照步骤S5.1～S5.3所述方法计算出左子节点对应的最优解代价Costt',0；

S5.7.4、在搜索树中找到故障集为S_t',1对应的右子节点，将该节点作为待更新节点，然后按照步骤S5.1～S5.3所述方法计算出右子节点对应的最优解代价Costt',1；

S5.7.5、更新t'关于故障集S生成的最优解代价：

S5.7.6、判断t_ava中所有测点对应代价是否均被更新，若全部更新，则进入步骤S5.8；将t'设置为t_ava中下一个待更新的有效测点，再返回步骤S5.7.2；

S5.8、将Cost_ava中最小值对应的测点为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该节点的左子模糊集S₀和右子模糊集S₁，然后进入步骤S6；

S6、判断待更新节点的故障集中是否包含更新的故障状态

若更新节点的故障集中包含待更新的故障状态

则进行步骤S7，否则跳转至步骤S9；

S7、更新可用测点t_ava对应的测试代价

S7.1、设有效测点t'为t_ava中的第一个有效测点；

S7.2、根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

S7.3、在搜索树中找到故障集为S_t',0对应的左子节点，若S_t',0中包含更新的故障状态

则将该节点作为待更新节点，然后按照步骤S5.1～S5.3所述方法计算出左子节点对应的最优解代价Costt',0；否则将搜索树中的左子节点的代价作为最优解代价Costt',0；

S7.4、在搜索树中找到故障集为S_t',1对应的右子节点，若S_t',1中包含更新的故障状态

则将该节点作为待更新节点，然后按照步骤S5.1～S5.3所述方法计算出右子节点对应的最优解代价Costt',1；否则将搜索树中的左子节点的代价作为最优解代价Costt',1；

S7.5、更新t'关于故障集S生成的最优解代价：

S7.6、若t_ava中所有有效测点对应代价均被更新，则进入步骤S8，否则将t'设置为t_ava的下一个待更新有效测点，再返回步骤S7.2；

S8、更新当前有效节点的最优节点信息及最优代价，更新完成后，将Cost_ava中最小值对应的测点设为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该最优测点的左子模糊集S₀和右子模糊集；

S9、返回当前最优测点的最优节点信息及最优测试代价，从而动态生成电子***故障测试策略。

实例

为说明本发明的技术效果，采用反坦克***为例对本发明进行验证，其机械电子部分共涉及13个***状态以及12个可用测点，故障依赖矩阵、每个***状态对应的先验概率以及每个测点的测试代价如表1所示。分别改变t₁,t₇的代价值和s₃,s₆的发生概率来模拟动态过程中参量的变化，为验证本发明提出算法的效果，选取反坦克***作为实例，同时，传统AO*算法作为对比算法一起计算该实例。

表1是反坦克***的故障-依赖矩阵；

表1

当c1增加0.8后通过本发明构造的诊断树如图2所示，由图2可看出本发明生成了可以有效隔离全部故障的诊断方法。AO*和本方法在测点代价变化情况下生成的故障树总代价及生成所用时间如表2所示。通过表2可得AO*和本发明均能在测点代价变化的情况下生成测试代价最优的诊断方法。然而，本发明在生成时间上较AO*算法有明显的优势。

表2

当p3减小0.02后通过本发明构造的诊断树如图3所示，由图3可看出本发明生成了可以有效隔离全部故障的诊断方法。AO*和本方法在故障概率变化情况下生成的故障树总代价及生成所用时间如表3所示。通过表3可得AO*和本发明均能在测点代价变化的情况下生成测试代价最优的诊断方法。然而，本发明在生成时间上较AO*算法有明显的优势。

表3

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种电子***故障测试策略动态生成方法，其特征在于，包括以下步骤：

(1)、构建测试模型

根据电路内部故障状态与电路中测点输出的关系，构建电路的测试模型H＝{D,C,P}，其中，C＝{c₁,c₂,…,c_i,…c_M}为电路中设置的测点对应的代价构成的矩阵，c_i表示电路中第i个测点的先验测试代价，M为可选测点总数；P＝{p₁,p₂,…,p_j,…,p_N}为电路***中各个故障状态发生概率形成的矩阵，p_j为第j个故障状态发生的概率，N为故障状态总数；D为故障依赖矩阵，具体表示为：

其中，d_ij表示第j个电路故障在第i个测点下的测试信息，d_ij的取值为0或1，d_ij＝1表示第j个电路故障可以通过第i个测点测出，d_ij＝0代表第j个故障不能通过第i个测点测出；

(2)、构建初始的搜索树

通过静态的启发式搜索方法构建初始的搜索树T＝{T₁,T₂,…,T_p,…,T_P}，其中，T_p代表搜索树中的第p个节点，T₁为搜索树的根节点，P为搜索树中的节点总数；

对于搜索树中的节点T_p，有T_p＝{S_r,t_opt,Cost_ava,S₀,S₁}，其中，S_r为节点的故障模糊集，S_r＝{s_r1,s_r2,…,s_rj,…,s_rM}，s_rj为故障模糊集中包含的故障状态；t_opt为搜索树中的最优测点；t_ava＝{t_ava1,t_ava2,…,t_avai,…,t_avaL}为S_r对应的有效测点构成的集合，t_avai为有效分离S_r的测点，L为有效测点个数；Cost_ava＝{Cost_ava1,Cost_ava2,…,Cost_avai,…,Cost_avaL}为对应有效测点生成的测试方法代价，Cost_avai为对应有效测点t_avai生成的测试方法的代价；S₀和S₁为根据t_opt分割S_r得到的子故障模糊集，其定义为：

(3)、读入更新的测点

及该测点对应的代价变化量

或该测点对应的更新故障状态

及故障概率

(4)、将搜索树的根节点T₁作为更新过程的初始节点，将根节点的故障模糊集S_r作为搜索树中待更新节点的目标模糊集S；

(5)、根据故障依赖矩阵更新故障树

(5.1)、判断待更新节点的有效测点集合t_ava是否包含更新的测点

若t_ava中包含更新的测点

则进行步骤(5.2)，否则跳至步骤(6)；

(5.2)、判断待更新节点当前的最优测点t_opt是否为更新的测点

若t_optt为更新的测点

则进入步骤(5.3)；否则跳至步骤(5.6)；

(5.3)、更新最优测点t_opt的故障策略的总代价

其中，p_i为故障状态s_i对应的概率；

(5.4)、更新除最优测点t_opt外其余有效测点生成的故障策略代价；

(5.4.1)、设有效测点t'为t_ava中的第一个有效测点；

(5.4.2)、若t'是当前最优测点t_opt，则进行步骤(5.4.7)；否则，根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1:

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

(5.4.3)、在搜索树中找到故障集为S_t',0对应的左子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出左子节点对应的最优解代价Costt',0；

(5.4.4)、在搜索树中找到故障集为S_t',1对应的右子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出右子节点对应的最优解代价Costt',1；

(5.4.5)、更新t'关于故障集S生成的最优解代价：

(5.4.6)、判断t_ava中所有测点对应代价是否均被更新，若全部更新，则进入步骤(5.5)；否则将t'设置为t_ava中下一个待更新的有效测点，再返回步骤(5.4.2)；

(5.5)、将Cost_ava中最小值对应的测点记为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该节点的左子模糊集S₀和右子模糊集S₁，然后进入步骤(6)；

(5.6)、更新代价变化的测点

对应的故障诊断总代价:

其中，

为

的初始代价，

和

分别为左子故障集和右子故障集的测试代价；

(5.7)、更新除代价变化测点外的其余有效测点生成的故障策略代价；

(5.7.1)、设有效测点t'为t_ava中的第一个有效测点；

(5.7.2)、若t'是

则进行步骤(5.7.6)；否则，根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1:

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

(5.7.3)、在搜索树中找到故障集为S_t',0对应的左子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出左子节点对应的最优解代价Costt',0；

(5.7.4)、在搜索树中找到故障集为S_t',1对应的右子节点，将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出右子节点对应的最优解代价Costt',1；

(5.7.5)、更新t'关于故障集S生成的最优解代价：

(5.7.6)、判断t_ava中所有测点对应代价是否均被更新，若全部更新，则进入步骤(5.8)；将t'设置为t_ava中下一个待更新的有效测点，再返回步骤(5.7.2)；

(5.8)、将Cost_ava中最小值对应的测点为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该节点的左子模糊集S₀和右子模糊集S₁，然后进入步骤(6)；

(6)、判断待更新节点的故障集中是否包含更新的故障状态

若更新节点的故障集中包含待更新的故障状态

则进行步骤(7)，否则跳转至步骤(9)；

(7)、更新可用测点t_ava对应的测试代价

(7.1)、设有效测点t'为t_ava中的第一个有效测点；

(7.2)、根据t'的故障依赖信息，将故障集S分离为左子故障集S_t',0和右子故障集S_t',1

S_t',0＝{s_j|d_jt'＝0}

S_t',1＝{s_j|d_jt'＝1}

(7.3)、在搜索树中找到故障集为S_t',0对应的左子节点，若S_t',0中包含更新的故障状态

则将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出左子节点对应的最优解代价Costt',0；否则将搜索树中的左子节点的代价作为最优解代价Costt',0；

(7.4)、在搜索树中找到故障集为S_t',1对应的右子节点，若S_t',1中包含更新的故障状态

则将该节点作为待更新节点，然后按照步骤(5.1)～(5.3)所述方法计算出右子节点对应的最优解代价Costt',1；否则将搜索树中的左子节点的代价作为最优解代价Costt',1；

(7.5)、更新t'关于故障集S生成的最优解代价：

(7.6)、若t_ava中所有有效测点对应代价均被更新，则进入步骤(8)，否则将t'设置为t_ava的下一个待更新有效测点，再返回步骤(7.2)；

(8)、更新当前有效节点的最优节点信息及最优代价，更新完成后，将Cost_ava中最小值对应的测点设为新的最优测点t_opt，并将其对应的左子模糊集和右子模糊集设置为搜索树中该最优测点的左子模糊集S₀和右子模糊集；

(9)、返回当前最优测点的最优节点信息及最优测试代价，从而动态生成电子***故障测试策略。

Images