基于证据推理规则的不确定性故障诊断信息融合方法

本文主要探讨了一种基于证据推理规则的信息融合故障诊断方法。针对不确定性故障特征信息的决策问题，研究者提出了一种新颖的解决策略。首先，他们通过故障特征样本的似然函数规范化，将来自不同传感器（信息源）的诊断证据进行统一处理。这种方法旨在消除因传感器误差以及故障特征对各类故障识别能力的差异带来的影响，确保诊断证据的一致性和准确性。 接着，文章引入了一个关键概念——诊断证据的可靠性因子，这是根据传感器精度和故障特征辨别能力来确定的，有助于评估证据的质量。这个因子帮助区分了不同来源证据的可信度，弥补了原有证据理论在实际应用中未能有效区分证据可靠性和重要性的局限。 进一步，作者构建了一个双目标优化模型，用来训练并确定诊断证据的重要性权重。这种权重赋予了每个证据在融合过程中的相对影响力，使得融合结果更具有代表性。通过结合可靠性因子和重要性权重，研究者对诊断证据进行了修正，使得融合后的证据更为客观和可信。 最后，为了验证这种方法的有效性，作者在多功能电机转子试验台上进行了故障诊断实验。实验结果表明，基于证据推理规则的信息融合方法能够准确地融合不确定性故障特征，从而做出有效的故障决策，优于传统方法，这证明了其在实际应用中的优势。 本文的研究主要集中在设计一种结合证据推理规则、诊断证据可靠性评估和重要性权重计算的故障诊断框架，旨在提高故障诊断的精度和可靠性，具有重要的理论和实际意义，对于处理复杂系统中的不确定性故障具有显著的应用价值。