多传感器数据融合是始于军事领域一门新兴交叉学科,至今已经在许多领域得到研究和重视,但是数据融合的主要应用和理论基础都是与军事相关的领域,而且没有统一的理论框架。当数据融合技术移植到工业或者其它民用领域时,更需要一种一般化的概念和基础。本文针对传统电机故障诊断技术中存在的固有的不确定性,从数据融合的一般化问题入手,用不确定性方法为基础的多传感器数据融合技术分析、解决电机故障诊断问题中存在的不确定性。 论文在综合现有数据融合相关的研究结论的基础上,先建立了一个简单的多传感器数据融合构架,它包括概念、模型、体系结构、形式框架以及相应的算法实现。这个一般化的构架能够使得非军事领域的研究人员能够更清晰地认识数据融合。同时因为不确定性理论是数据融合实现一个重要的基础,论文对相关的不确定性理论及其相互关系作了综合研究,详细分析了适合于数据融合领域的几种不确定性测度以及相关的不确定度。 论文对传统电机故障诊断过程中存在的各种不确定性以及这些不确定性的解决办法和特点作了详细分析。传统电机故障诊断方法基本上都是用单参数方法实现诊断,存在固有的不确定性,而要消除这种诊断的不确定性,只有综合多个参数的信息。数据融合是减少甚至消除这些不确定的一种有效的方法。论文在一般化的框架上提出一个融合诊断系统结构。并用系统工程的方法分析了一个融合诊断系统设计过程,同时论文还对数据融合系统的形式化作了初步分析和研究。 电机故障诊断中数据融合主要是决策融合,可以把诊断问题看成是一个多源不确定性信息条件下的决策问题,同时也可以看成是一个基于多源信息的分类问题。对于简单的电机系统,决策融合采用集中式结构。融合的数据源将是电机的故障特征,其不确定性信息通过特征关联获得。如果把电机故障问题看成分类问题,分类的不确定性将用合适的测度表示出来,通过融合这些信息实现故障诊断。 数据融合的算法实现的研究会因为对象的不同而不同,同时也会因为算法的复杂程度和性能影响其实现。论文主要研究证据理论的实现问题。证据决策的算法实现需要解决基本概率分配的计算和Dempster合成法则计算的问题。理论上,基本概率分配值的获取比较容易实现,而Dempster合成法则的计算是一个#P—完全类问题。Dempster合成法则的实现在一些特殊的条件下可以简化,同时对于复杂条件下的合成可以采用有效的近似方法。 论文还研究了基于支持向量机的故障诊断的实现,用概率描述分类中的不确定程度,实验结果表明具有良好的诊断效果,并实现分类信息不确定性的的特征关联。