杨 广 吴晓平

（海军91918部队1） 北京 102300） （海军工程大学信息安全系2） 武汉 430033）

在柴油机故障诊断领域，目前广泛研究的是基于信号处理、神经网络的诊断技术以及其他各种智能诊断技术，但这些故障诊断方法都一定程度上存在着故障诊断准确性不高的缺陷.目前迅速发展的数据融合技术具有能充分利用各个数据源之间包含的冗余和互补信息的优点，可以提高系统决策的准确性和鲁棒性，为故障诊断确诊率的提高提供了一条有效途径［1］.本文提出了神经网络和证据理论分层融合的二级推理的故障诊断方法，充分考虑了诊断系统的可扩充性，并有效地利用了网络实时数据、领域专家知识、历史数据等多方面的信息.试验证明可大大提高柴油机故障诊断的确诊率.

1 分层信息融合二级推理诊断模型

1.1 基于神经网络推理的初步诊断层

基于神经网络技术和D－S证据理论的故障诊断模型如图1所示.

图1 分层信息融合二级推理诊断模型

诊断过程中，首先把待诊断设备的故障征兆参数空间划分为若干个子征兆参数空间Si，同时根据Si构造相应的故障子空间Ei（i＝1，2，…，n），且总故障空间其次，根据各子征兆参数空间的定义和相应的子故障空间，独立构造相应子网络的学习样本；然后，构造多个独立的诊断子网络，并对网络进行训练，使其具有f：Si→Ei的非线性映射能力；最后，对训练好的网络进行测试、诊断，为以后的融合决策诊断做准备.

通过构造多个独立的诊断子网络，使得初步诊断过程具有以下优点［2］：（1）通过划分可以降低每个神经网络的复杂程度，降低了诊断空间的维数，减少训练和推理时间；……