基于FMECA信息的测试性验证试验样本分配方法

针对目前国内外测试性验证试验中普遍采用的基于故障率的分层抽样方法考虑因素单一,可能导致样本分配不尽合理,而现有考虑多因素的样本分配方法代表性不足,难以实现工程上的应用的问题,对影响样本分配的因素与故障模式影响及危害性分析(FMECA)信息的关系进行了详细分析,提出了基于FMECA信息的样本分配方法。首先定义了单元影响系数和影响因子向量,提出了向量各元素赋值规则,解决了影响因素选取的问题;其次通过基于逼近理想解排序法(TOPSIS)优化的层次分析法确定了权值矩阵,实现了样本分配。最后通过实例验证表明该方法考虑因素全面,运用灵活,更具代表性和工程应用价值。     

基于验前信息的测试性验证试验方案确定方法

针对目前测试性验证试验方案样本量过大、工程上实现困难的问题,提出了基于验前信息的复杂设备的Bayes测试性验证试验方案.首先,利用Beta分布对测试性验前信息的不确定性进行描述,运用不同来源的验前信息确定验前分布超参数;然后,定义了验前分布不确定性测度和支持度作为验前信息加权因子,设计了相应的融合算法;接着,利用融合后的验前信息建立成败型装备测试性验证试验方案的Bayes决策模型;最后,通过实例分析表明,与经典验证试验方案相比,新方案减少试验样本量40%左右,又克服了传统Bayes验证试验方案的冒进.      

小子样复杂装备系统测试性评估中的验前参数值确定方法

针对当前小子样测试性评估中对验前信息处理不规范、结果可信度差的问题,研究了由专家经验信息、子系统试验信息和虚拟仿真信息确定系统测试性验前参数值的方法.根据不同来源的测试性验前信息,分别提出了模糊不确定性加权、分系统数据折合和基于相似度量的Dempster-Shafer(D-S)证据融合方法估计系统测试性验前参数值.实例分析表明:该方法计算测试性评估中的验前参数值比其他文献方法的计算结果低约0.8%.     

基于不确定性测度与支持度的测试性验前信息融合方法

针对目前验前信息融合方法存在主观性和单一性的缺陷,引入验前分布的不确定性测度和支持度,提出了基于不确定性测度与支持度相结合的验前信息加权融合方法.首先,利用β分布对测试性验前信息的不确定性进行描述,运用不同的验前信息确定验前分布超参数;然后,引入不确定性测度和支持度作为验前信息加权因子,设计了相应的融合算法;最后利用混合验前分布,结合测试性现场试验数据,计算了Bayes融合评估的验后结果.该方法不仅考虑了验前分布本身对测试性参数的真实情况描述的接近程度,还考虑了不同来源的验前信息之间的支持程度.实例分析表明,在同一置信水平下,基于该方法的测试性评估置信下限相对于传统方法的测试性评估置信下限大约提高了0.7%.