模糊规则库与证据理论结合的故障诊断信息融合方法

"这篇研究论文探讨了一种基于不完备模糊规则库的信息融合故障诊断方法，旨在解决在基于模糊推理的故障诊断系统中由于规则库不完整导致的输出不确定性问题。作者徐晓滨、吉吟东和文成林分别来自清华大学自动化系、信息技术研究院和杭州电子科技大学自动化学院。他们提出的新方法结合了模糊推理和证据理论，通过随机集理论将模糊输入映射到输出，并生成故障命题的基本概率赋值(BPA)，以量化由规则库不完整和输入模糊性引起的不确定性。之后，利用Dempster组合规则融合多个不完备规则库的BPA，以此来判断故障。该方法在电机转子故障诊断的实例中得到了验证，显示了提高故障确诊率的有效性。该研究受到多项国家自然科学基金、中国博士后基金和国家科技支撑计划的资助。" 在基于模糊推理的故障诊断系统中，规则库的完备性和准确性至关重要。然而，在实际应用中，规则库往往存在不完备的情况，这会导致对特定输入的处理产生不确定性，进而影响故障诊断的准确性。论文提出的解决方案是将模糊推理与证据理论相结合。模糊推理是一种处理不精确或模糊信息的方法，它通过模糊集理论将输入转换为输出，但当规则库不完备时，这种转换可能产生不确定性。 证据理论，又称为Dempster-Shafer理论，提供了一种处理不确定性信息的框架。它通过基本概率赋值(BPA)来表达不确定性，BPA可以看作是对某一假设的证据强度的量化。在论文中，作者首先根据随机集理论和扩展准则将模糊输入转化为输出，生成故障命题的BPA。这种方法考虑了规则库不完整和输入模糊性的影响，使得不确定性得以量化。 接下来，通过Dempster的组合规则，论文实现了多个不完备模糊规则库之间的信息融合。这种融合能够整合来自不同源的证据，减少不确定性，并增强诊断决策的可靠性。融合后的BPA用于确定最有可能的故障情况，从而提高故障诊断的准确性和确诊率。 该方法的实际应用示例是电机转子故障诊断，这证明了该方法在现实问题中的有效性。通过这种方式，即使在面对规则库不完整的情况下，也能提高故障识别的精确性，这对于依赖于自动诊断系统的工业设备维护和故障预防具有重要意义。 这篇研究论文提出了一个创新的信息融合方法，它在模糊推理的基础上引入证据理论，以应对不完备模糊规则库带来的挑战。这种方法对于提升故障诊断系统的性能和可靠性有着积极的贡献，特别是在复杂和不确定性的环境中。