目前,对于测试优化选择问题的研究大多局限于故障是否可以被诊断的定性研究, 没有进一步考虑故障诊断的难度。针对以上问题, 提出了一种基于故障可诊断性定量评价的测试优化选择方法。首先, 基于推土机距离(EMD)对故障可诊断性进行定量评价; 然后, 以评价结果为依据, 综合考虑测试的数量、可靠性和成本等因素, 构建多目标测试优化选择问题, 并提出了二进制金枪鱼群优化算法来求解满足测试性指标和故障可诊断性水平的最优测试集合; 最后, 以某装备的开关电源为实验案例, 验证了所提方法的有效性。仿真结果表明: 所提方法能够实现以提高系统故障可诊断性为目标的测试优化选择, 从根本上提高系统的故障诊断能力。

针对目前考虑不确定因素的测试性模型存在建模难度高、结构复杂、层次化建模困难、学习能力弱、不确定信息表达形式差的问题，面向电子设备提出了一种基于贝叶斯网络的测试性分层建模方法。以原有的贝叶斯网络模型与多信号流图模型为研究对象，对二者的参数、结构特点及优势短板进行分析，根据二者的互补性与测试性建模需求对贝叶斯网络模型进行改进。模型以故障、信号关系替代故障、测试关系，以信号节点间的连接表征故障传递，利用电路结构与层次划分确定模型结构，采用贝叶斯方法确立模型参数，运用贝叶斯网络推理能力对测试性指标进行计算。以放大滤波电路为例建立模型，通过模型计算测试性指标，并进行了证据处理测试，通过对比多信号模型可知，模型测试性指标计算准确、证据处理能力强，验证了建模方法的有效性与实用性。

测试优化选择是测试性设计至关重要的一个步骤，主要针对测试不可靠条件下的测试优化选择问题进行了研究。首先将该问题还原为多目标问题来分析，在此基础上以测试数量、测试成本、虚警率为目标，故障检测率、隔离率为约束条件建立了问题的数学模型; 然后以贝叶斯网络测试性模型为基础，利用提出的MOPSO-NSGA2算法求解该问题; 最后利用所提算法对某导弹机载无线电高度表开展测试优化选择设计，并与MOPSO算法、NSGA-2算法进行对比，验证了方法的有效性与实用性。

针对高斯过程超参数使用共轭梯度法求解导致的依赖初始值以及容易陷入局部最优解的问题, 提出了一种基于参数非线性动态调整策略的改进粒子群算法, 并应用到超参数求解中。首先, 提出参数动态调整策略, 针对不同的搜索阶段采用不同的参数; 然后,根据免疫思想的浓度调节机制, 提高算法全局搜索能力。仿真实验结果表明,所提算法在最优化求解中能够快速收敛到函数最优值, 同时该算法在求解高斯过程超参数中具有有效性和优越性, 可以为后期预测模型的建立提供精度保障。

针对故障诊断过程中传感器信息量大、相关性强、冗余严重的问题, 提出一种灰色Kohonen网络故障诊断方法。该方法首先通过灰色关联分析手段, 分析装备各个状态下指标参数的相关情况, 建立各状态下的灰色关联分析矩阵, 然后引入灰度值这一衡量指标, 量化关联性的强弱关系, 达到相似信息剔除的目的, 最后通过Kohonen网络进行故障诊断。实例验证结果表明, 该方法可在剔除相似信息的情况下保持较高的故障诊断率, 同时做到快速诊断。

为了获得更高的预测精度,针对高斯过程回归(GPR)算法在具体应用中出现的依赖核函数的选择以及精度提升空间有限等问题,结合AdaBoost算法思想提出了一种基于AdaBoost.RT算法的GPR预测算法。该算法从统计学角度引入预置阈值的概念,将不同核函数的GPR算法预测结果定性分成正确和错误两部分,并经过两层训练,通过最终权值的大小反映出针对不同核函数的GPR算法的信度大小,最终融合各个核函数输出高质量的预测值。在锂电池的故障预测仿真实验中,该算法的预测相较于传统的GPR算法,平均误差下降了82.14%,证明该算法的合理性和实用性。

针对目前装备在使用阶段缺乏科学有效测试性验证方法的问题，在充分论证研究的基础上，提出了装备使用阶段测试性验证实施流程。确定了样本量下限的计算方法，按不同测试维修级别分别提出了数据分类方法和统一采集表格，给出了点估计和基于二项分布的单侧置信下限计算方法，以及验证结论的评定方法。以某导弹装备自动驾驶仪及控制组合在使用阶段的测试性数据为例，对数据进行了分析处理和验证结论评定。结果表明，该测试性验证方法简单、实用、有效，为复杂**装备的使用阶段测试性验证提供了新思路。