随着现代化大生产的发展和科学技术的进步，设备的结构越来越复杂，功能越来越完善，自动化程度也越来越高。随之而来的是各种各样的故障，以致降低或失去设备的预定功能，甚至造成严重的，灾难性的事故。但是，事故的发生是无法预知的，因此人们只能采取两种对策；一种是被动地等设备坏了再进行维修，另一种就是定期检修设备，该方法需有一定的计划性和预防性，但其缺点是如果设备尚完好，则经济上损失很大，而且定期检修的时间周期也很难确定。 随着科学技术的进步，实时监测和故障诊断技术不但成为可能，而且已经在目前很多行业的大型设备中得到很好的应用。 目前, 过程工业主要采用以下方法解决监控、诊断、容错三方面问题：1) 监控方面采用单变量过程控制(SPC) 或多元统计过程监控(MSPM)方法；2) 诊断方面包括：①定性的专家系统及动态趋势；②定量的多元统计方法、神经网络方法及聚类方法；3)容错是在诊断出故障的前提下，基于症状、控制树、故障概率、过程历史操作等信息，通过硬件冗余、控制器重新调整、传感器重构等方式实现。
故障诊断领域的方法一般分为3类：基于分析模型的方法、基于定性经验知识的方法和基于数据驱动的方法。
基于分析模型的方法适用于能建模、有足够传感器的“信息充足”的系统，需要过程较精确的定量数学模型，而要建立过程的数学模型则必须了解过程的机理结构。参数估计法、状态估计法、分析冗余法等都
是经典的基于分析的方法，其理想状态时能够获得精确的模型。但在实际过程中存在“未建模动态”，这种模型的不精确性虽然使得模型具有较好的鲁棒性，但也容忍了故障的发生，增加了确定故障发生类型的难度。
基于经验知识的方法适用于不能或者不易建立机理模型、传感器数不充分的“信息缺乏”的系统，保持符号有向图、专家系统等。
基于分析模型的方法和基于定性经验知识的方法更适用于具有较少输入、输出或状态变量的系统，对于具有海量数据的系统则使用成本过高。
基于数据驱动的故障诊断方法可以主要分为基于统计分析的方法，基于信号分析的方法以及基于定量知识的数据分析方法。
基于统计分析的方法主要依靠过程数据统计量，从其中的变化提取特征，来进行故障诊断。可以分为单变量分析方法和多变量分析方法，而后者是主要应用的分析方法。其主要包括1）基于控制图法的故障诊断方法；2）基于PCA的故障诊断方法；3）基于fisher判别分析的故障诊断方法；4）基于PLS的故障诊断方法；5）基于规则变量分析的故障诊断方法。
过程中某变量不同时刻采样值组成的信号中蕴含过程运行特征的各种信息。基于信号分析的故障诊断
懂得就是利用各种信号分析技术提取信号时域和频域的特征，例如幅值变化，相位偏移等方法来确定过程的状态。其主要包括1）小波变换；2）S变换；3）希尔伯特—黄变换。
基于知识的故障诊断方法不需要精确定量数学模型，利用人工智能技术，即通过教计算机如何学习、推理和决策等实现故障诊断。运用的知识包含系统结构知识、经验规则知识、工作状态知识，环境知识等。其只要包括1）基于人工神经网络的方法；2）基于支持向量机；3）基于模糊逻辑的方法；4）专家系统故障诊断方法；5）故障树故障诊断方法；6）数据融合诊断方法。 多拉寻物大冒险一、人工神经网络故障诊断
其原理是先利用训练数据（通常是大量已知属性的样本）建立起故障识别和分类的映射；然后将训练好的网络用语新观测的数据进行异常情况的判断。
学习过程：是在一定的标准模式样本的基础上，依据某一分类规则来设计神经网络分类器，并用标准模式训练。
诊断过程：是将未知模式与训练的分类器进行比较来诊断未知模式的故障类别。
神经网络故障诊断虽然有它独特的优越性，但也存在一些困难。主要表现在三方面：一是训练样本获取困难；二是忽视了领域专家的经验知识；三是网络权值形式表达方式难以理解。
二、模糊故障诊断方法
故障诊断是通过研究故障与征兆（特征元素）之间的关系来判断设备状态。由于实际因素的复杂性，故障与征兆之间的关系很难用精确的数学模型来表示，随之某些故障状态也是模糊的。这就不能用“是否有故障”的简易诊断结果来表达，而要求给出故障产生的可能性及故障位置和程度如何。此类问题用模糊逻辑能较好的解决。这就产生了模糊故障诊断方法。
1）模糊故障向量识别法方法原理：Y=X*R。其中X为故障所引起的各种特征元素（征兆），Y为可能发生的故障的集合，R为模糊关系矩阵，矩阵中的每个元素的大小表明了它们之间的相互关系的密切程度。
2）模糊聚类分析法。它是将模糊集划分成不同水平的子集，然后通过聚类分析判断故障最可能属于的子集，从而给出诊断结果。煤仓疏松机
模糊故障诊断的特点及局限性：模糊故障诊断方法是利用集合论中的隶属函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系，进而实现故障的检测与诊断。这种方法计算简单，应用方便，结论明确直观。在模糊故障诊断中，构造隶属函数是实现模糊故障诊断的前提，但由于隶属函数是人为构造的，含有一定的主观因素；另外，对特征元素的选择也有一定的要求，如选择得不合理，诊断精度会下降，甚至诊断失败。
三、专家系统故障诊断方法
专家系统故障诊断方法，是指计算机在采集被诊断对象的信息后，综合运用各种规则（专家经验），进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地到最终故障或最有可能的故障，再由用户来证实。屋顶融雪装置
专家系统故障诊断局限性：专家系统故障诊断其根本目的在于利用专家的领域知识、经验为故障诊断服务。目前在机械系统、电子系统及化工设备故障诊断等方面已有成功的应用。但专家系统的应用依赖于专家的领域知识获取。知识获取被公认为专家系统研究开发中的“瓶颈”问题；另外，在自适应能力、学习能力及实时性方面也都存在不同程度的局限。
四、故障树模型诊断方法
故障树模型是一个基于被诊断对象结构、功能特征的行为模型，是一种定性
的因果模型，以系统最不希望事件为顶事件，以可能导致顶事件发生的其他事件为中间事件和底事件，并用逻辑门表示事件之间联系的一种倒树状结构。它反映了特征向量与故障向量（故障原因）之间的全部逻辑关系。
故障树诊断法步骤
1.选择合理的顶事件。一般以待诊断对象故障为顶事件。
2.建造正确合理的故障树。这是诊断的核心与关键。
3.故障搜寻与诊断。根据搜寻方式不同，又可分为逻辑推理诊断法和最小割集诊断法。
故障树诊断的局限性：故障树法对故障源的搜寻，直观简单，它是建立在正确故障树结构的基础上的。因此建造正确合理的故障树是诊断的核心与关键。但在实际诊断中这一条件并非都能得到满足，一旦故障树建立不全面或不正确，则此诊断方法将失去作用。
五、数据融合故障诊断方法
数据融合就是利用计算机对来自多传感器的信息按一定的准则加以自动分析和综合的数据处理过程，以完成所需要的决策和判定。目前数据融合在军事领域中已有广泛的应用，但在设备故障诊断中的应用还是近年来的事情。数据融合应用于故障诊断的起因有三个方面：一是多传感器形成了不同通道的信号；是同一信号形成了不同的特征信息；三是不同诊断途径得出了有偏差的诊断结论。融合诊断的最终目标是综合利用各种信息提高诊断准确率。
普遍认同的像素层、特征层以及决策层的三层融合结构。像素层也就是数据层的融合，针对传感器反映的直接数据；特征层对应各种故障诊断方法，对数据融合的结果进行有效的决策；决策层融合综合
各个子系统通过融合组合规则做出最终的故障诊断结果和故障对策。这三层结构分别对应于故障诊断系统的监测、诊断和决策功能。
a7075目前，数据融合故障诊断方法主要有贝叶斯推理、D-S证据推理及神经网络数据融合、模糊信息融合故障诊断方法、集成信息融合故障诊断方法等。
1贝叶斯定理法是基于概率统计的推理方法
它以概率密度函数为基础，综合设备的各种信息，来描述设备的运行状态，进行故障分类。
但是实际故障诊断中估计故障发生的先验概率较难，所以限制了其在实际故障诊断中的应用。
2证据推理数据融合故障诊断方法
D-S证据理论是针对事件发生后的结果（证据），探求事件发生的主要原因（假设）。对于具有主观不确定性判断的多属性诊断问题，D-S证据理论是一个融合主观不确定性信息的有效手段。
使用DS方法融合多传感器数据的基本思想是：首先对来自多个传感器和信息源的数据和信息( 即证据) 进行预处理；然后计算各个证据的基本可信度分配值；再根据Dempster合成规则计算所有证据联合作用下的基本可信度分配值；最后按照一定的判决规则选择可信度最大的假设作为融合结果。
水净化系统
DS 信息融合在处理具有主观不确定性判断的多属性诊断问题时具有独特的优势，它能将相互交叉的不确定数据信息合理地分配到不同模式类别中，从而减少模式识别的不确定性，提高识别精度。
3神经网络数据融合故障诊断方法
神经网络数据融合，是将神经网络引入数据融合之中同时结合模糊集合论进行故障判断。
其具体过程为通过多传感器测试被诊断对象，求出每一传感器在某症状下对故障集中各类故障的隶属度值，将所有传感器的故障隶属度值矢量作为神经网络的输入，网络输出即为融合后该症状属于各类故障的隶属度值矢量，最后利用基于规则的判定原则进行故障决策。神经网络的融合：先用标准样本对神经网络进行训练，其样本由实验测定，然后将各传感器的故障隶属度矢量作为训练后网络的输入，输出即为融合后的故障隶属度矢量。
数据融合故障诊断优越性及局限性：数据融合故障诊断在提高诊断准确率上有它独特的优点。但也有它的局限性。神经网络数据融合，不仅存在故障隶属度值确定的困难，而且存在训练样本难以获取的问题。
4模糊信息融合故障诊断方法
在应用多传感器信息进行融合时，模糊集理论首先用隶属函数表示各传感器信息的不确定性；然后利
用模糊变换进行数据处理。
模糊信息融合故障诊断方法计算简单、应用方便结论明确直观。但在模糊融合故障诊断中，构造隶属函数是实现模糊故障诊断的前提，它是人为设计的；同时在选择各传感器的影响权重时也含有一定的主观因素，如果选择不当，必将影响诊断的准确性。
5集成信息融合故障诊断方法
各种融合诊断方法都有其自身的局限性，从而出现了集成信息融合故障诊断方法。它将某些信息融合算法有机地结合在一起，利用各自的优点来提高信息融合故障诊断的准确性和应用范围。典型的集成信息融合故障诊断方法主要有集成神经网络信息融合故障诊断，基于神经网络的证据理论集成融合模型以及基于Agent的故障诊断策略等。
1）集成神经网络信息融合模型。前置的信号预处理单元对信号预处理后形成特征信息，根据不同的特征信息分配给不同的诊断神经网络，
作出各自的判定，最后由决策融合神经网络给出综合诊断结果。
2）基于神经网络的证据理论集成融合模型。根据集成神经网络的方法，不同测点的数据可由各自的神经网络进行局部诊断，再将神经网络
mp3手表
局部诊断后的结果用DS 证据理论进行决策融合，这就是基于神经
网络和DS 证据理论的集成诊断的基本思想。
系统现有的运行状态用来修正系统原有的知识库, 可以更迅速、更准确、更全面的进行故障诊断，这就是数据挖掘和知识融合的问题，数据挖掘技术将会成为信息融合系统中的必要组成部分。
问题：信息融合主要是指将多个传感器得到的数据进行初步处理，然后运用各种算法进行故障识别。其中是否也包括了各种算法的融合（混合智能故障诊断）？
我认为应该是对多个传感器得到的数据，然后运用混合智能进行故障诊断，如《故障诊断的信息融合方法》中的集成信息融合诊断方法，不知道对不对？
接下来是继续看信息融合方面的综述，还是一篇毕业论文看看具体信息融合是怎么样设计的？
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议