基于深度学习的BMS规格书驱动全流程自动测试方法与流程

本发明属于软件测试，尤其涉及一种基于深度学习的bms规格书驱动全流程自动测试方法。

背景技术：

1、bms 保护板作为汽车动力电池、储能电池系统的核心安全部件，其出厂前的黑盒测试是保障产品安全可靠性的核心环节，而bms 产品规格书是整个测试流程的唯一合规性输入依据。现有技术仅实现了测试执行环节的局部自动化，无法实现以 bms 规格书为单一驱动源的全流程自动化测试，存在以下核心技术痛点：

2、（1）现有技术无法实现规格书单输入驱动的全流程闭环，需人工拆解规格书技术指标、人工设计测试用例、人工编写自动化脚本、人工导入测试软件、人工调试脚本、人工控制设备测试、人工出具测试报告，各环节完全割裂，人工依赖度极高，测试全流程效率极低。

3、（2）无标准化的脚本空载安全验证机制，人工编写的脚本直接接入 bms 保护板实板测试，易因规格书指标理解偏差、脚本逻辑错误、参数设置不当等问题，导致 bms 保护板、测试设备损坏，存在严重的安全风险和成本损耗。

4、（3）规格书输入与测试软硬件执行完全断层，无标准化的双向通信能力，无法实现规格书解析结果到测试软件脚本自动部署、测试状态实时回传、硬件设备自动控制的联动，需人工在多个平台间切换操作，无法实现无人值守的全流程自动化测试。

5、（4）脚本调试优化、测试异常处理完全依赖人工，脚本运行报错、测试过程出现异常后，需人工逐行排查日志、定位问题、修改代码、反复调试，优化效果完全依赖人员经验，不仅调试周期长，还易出现测试漏项、结果误判，无法保障测试结果与规格书要求的一致性。

6、（5）现有辅助工具、通用生成模型仅能实现局部环节的效率提升，无法以规格书为核心驱动完成全流程测试闭环，生成的内容无法直接适配 bms 黑盒测试专属软硬件环境，更无法保障测试结果与规格书技术要求的合规匹配。

技术实现思路

1、本发明为了解决现有bms 保护板的黑盒测试无法实现以 bms 规格书为单一驱动源的全流程测试的技术问题，提出了一种用于基于深度学习的bms规格书驱动全流程自动测试方法，可以解决上述问题。

2、为了解决上述技术问题，本发明采用以下技术方案予以实现：

3、一种基于深度学习的bms规格书驱动全流程自动测试方法，包括：深度学习模型训练步骤和脚本自动部署步骤，深度学习模型采用带多头注意力机制的编码器-解码器架构，配置有双向通信接口，分别为bms 黑盒测试自动化测试软件调用接口和bms 黑盒测试硬件设备控制接口，所述深度学习模型训练步骤包括：

4、样本数据集构建与预处理，所述样本数据集包括规格书样本、标准化测试用例样本、自动化测试脚本样本、脚本空载调试样本、设备控制样本以及测试报告样本，对所述样本数据集进行文本清洗、样本数据集划分预处理；

5、将所述规格书样本输入至大语言模型，所述大语言模型对规格书样本进行语义理解，获取测试的技术指标、测试要求以及合规判定标准的关键语义信息，为规格书文本；

6、将各样本数据输入至深度学习模型进行迭代训练；

7、脚本自动部署步骤，深度学习模型根据输入的规格书生成自动化测试脚本，自动化测试软件调用接口，将自动化测试脚本写入 bms 黑盒测试自动化软件中，自动完成脚本的加载、运行环境配置、双向通信接口适配。

8、在有的实施例中，将各样本数据输入至深度学习模型进行迭代训练包括两阶段递进式训练，分别为：

9、第一训练阶段，规格书驱动的测试内容生成能力训练，包括：将所述规格书文本、标准化测试用例样本以及自动化测试脚本样本作为输入，测试用例和自动化测试脚本作为目标输出，所述编码器从规格书文本中提取技术指标，建立技术指标-测试用例-自动化测试脚本的映射关系，解码器基于编码特征，首先生成与所述技术指标一一对应的测试用例，然后基于所述测试用例生成匹配 bms 黑盒测试软硬件设备控制接口的自动化测试脚本，训练模型参数使得测试用例和自动化测试脚本分别接近所述标准化测试用例样本和自动化测试脚本样本，得到编码器主干权重以及解码器、注意力层和双向通信接口适配层系数；

10、第二训练阶段，规格书驱动的全流程测试控制能力训练，包括：基于第一训练阶段得到的深度学习模型，控制进入空载模式对脚本进行优化，获取空载运行过程中问题定位结果、优化后的脚本、设备控制指令、标准化合规测试报告；

11、将脚本空载调试样本、设备控制样本、测试报告样本作为输入，对应匹配的问题定位结果、优化后的脚本、与规格书匹配的控制指令、标准化合规测试报告作为目标输出，冻结编码器主干权重，调整解码器、注意力层和双向通信接口适配层系数，迭代至收敛，得到最终的深度学习模型。

12、在有的实施例中，第二训练阶段中，控制进入空载模式对脚本进行优化的方法包括：配置测试设备空载运行，空载运行过程中，获取硬件设备的硬件测试控制指令；获取脚本执行逻辑与规格书中测试要求的匹配度，抓取脚本运行中的问题；

13、根据抓取到的脚本运行问题，生成对应的优化方案；

14、根据优化方案，修改脚本；

15、优化后的脚本重新部署，再次进入空载模式，直至达到设置目标。

16、在有的实施例中，所述第一训练阶段中，损失函数由交叉熵损失和规格书匹配度损失加权计算得到：

17、；

18、交叉熵损失的计算方法为：

19、；

20、其中，为深度学习模型输出的测试用例文本与标准化测试用例样本相比，或者模型输出的测试脚本与自动化测试脚本样本相比，第t步第k个词语的真实标签，正确时为1，否则为0；为深度学习模型在第t步输出第k个词语的预测概率；t表示深度学习模型输出的序列总长度，v表示总词语数；

21、规格书匹配度损失的计算方法为：

22、；

23、表示规格书技术指标未覆盖率，其中s为从输入的规格书文本中提取的技术指标集合，s′为深度学习模型输出的技术指标集合，为通信接口匹配惩罚项：生成的bms 黑盒测试硬件设备控制接口与 bms 标准接口匹配时取 0，不匹配时取1；为测试要求匹配惩罚项：生成内容符合规格书测试/合规要求时取0，不符合时取1； α、β、γ分别为权重系数。

24、在有的实施例中，所述第一训练阶段中，通过反复迭代训练，调整深度学习模型参数，直至规格书技术指标覆盖率≥99.5%、测试脚本的词语正确率 100%、通信接口匹配度≥99%、测试脚本与规格书要求匹配度≥98.5%，完成第一阶段训练。

25、在有的实施例中，所述第二训练阶段中，损失函数由多头注意机制-多任务联合损失与规格书合规性损失加权计算得到:

26、；

27、多头注意机制-多任务联合损失的计算方法为：

28、；

29、其中，为脚本优化子损失，设备控制子损失，为报告生成子损失，为测试判定子损失。

30、在有的实施例中，所述样本数据集还包括负样本数据集，所述深度学习模型训练步骤还包括对比学习优化步骤，通过将所述负样本数据集输入至深度学习模型，通过对比学习算法优化所述深度学习模型。

31、在有的实施例中，所述bms 黑盒测试自动化测试软件调用接支持 modbus、tcp/ip、can工业通信协议以及 bms 测试上位机软件。

32、在有的实施例中，所述bms 黑盒测试硬件设备控制接口支持 rs485、can、以太网工业控制协议，兼容 bms 黑盒测试硬件设备。

33、与现有技术相比，本发明的优点和积极效果是：本发明的基于深度学习的bms规格书驱动全流程自动测试方法，通过训练深度学习模型，配置有双向通信接口，实现规格书解析结果可直接驱动测试软件和硬件设备执行。采用两阶段递进式训练策略，先让模型掌握以规格书为核心的测试内容生成能力，再让模型掌握以规格书为驱动的全流程测试执行控制能力，解决单阶段训练目标混乱、精度不足、规格书驱动性弱的问题。

34、本发明实现了以 bms 产品规格书为唯一输入，从指标解析、用例生成、脚本编写、调试优化、测试执行到报告输出的全流程全自动闭环，可极大提升效率。

35、结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。