Resumen

La influencia de la propagación de los fallos se ignora en la selección de muestras de fallos basada en el método tradicional de experimentos de demostración de comprobabilidad. La selección tradicional de muestras de fallos generalmente causa la omisión de algunos fallos durante la selección y este fenómeno podría conducir a algunos riesgos temibles de uso porque estos fallos conducirán a graves fallos de propagación. Este artículo propone un nuevo método de selección de muestras de fallos para resolver el problema. En primer lugar, el método utiliza un grafo dirigido y la optimización de colonias de hormigas (ACO) para obtener un conjunto de propagación de fallos posterior (SFPS) basado en el modelo de propagación de fallos y, a continuación, proponemos un nuevo método de selección de muestras de fallos sobre la base del número de SFPS. En comparación con el plan de muestreo tradicional, este método es capaz de mejorar la cobertura de las muestras de fallos de prueba, aumentar la capacidad de diagnóstico y disminuir el riesgo de uso.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:selección de muestras de fallos, fallos graves de propagación, muestra de fallos de pruebas, influencia de los fallos, muestra de fallos tradicional, nueva muestra de fallos, optimización de colonias de hormigas, número de sfps, modelo de propagación de fallos, cobertura de las pruebas
• Keywords:failure sample selection, serious propagation failure, testing failure sample, influence of failure, traditional failure sample, new failure sample, ant colony optimization, number of sfps, failure propagation model, coverage of testing