多源信息融合故障診斷方法研究進展

張成軍，陰 妍，鮑久圣，紀洋洋

(中國礦業大學機電工程學院，江蘇徐州 221116)

多源信息融合故障診斷方法研究進展

張成軍，陰 妍，鮑久圣，紀洋洋

(中國礦業大學機電工程學院，江蘇徐州 221116)

簡述多源信息融合與故障診斷的關系，指出多源信息融合故障診斷的一般方法。從融合結構和融合算法的角度對多源信息融合故障診斷方法進行了分類闡述，并分別說明其診斷原理與研究現狀；指出信息融合故障診斷按融合結構可分為層次結構信息、多級信息和組合神經網絡的融合故障診斷，按融合算法分為基于貝葉斯理論、DS證據理論、模糊集理論、粗糙集理論和人工神經網絡的融合故障診斷。最后展望了信息融合故障診斷方法的未來發展趨勢。

故障診斷；多源信息融合；融合結構；融合算法

隨著科技進步和社會發展，越來越多的大型設備系統得到推廣和使用，在給人們帶來經濟效益的同時，安全事故也時常發生。為了減少設備故障帶來的經濟損失和避免安全事故的發生，人們對故障診斷技術提出了越來越高的要求，故障診斷技術也因此得到了快速發展。近20年來，多源信息融合故障診斷作為一種智能、高效的故障診斷方法，在故障診斷領域的應用越來越廣泛，應用水平也不斷提高，已成為故障診斷領域的重要發展方向之一。

從診斷學的角度來看，任何一種診斷信息都是模糊的、不確定的。任何一類診斷對象，單用一方面信息來反映其狀態都是不完整的[1]。因此，對于實際診斷過程中面臨的設備結構的復雜性和運行環境的不確定性等情況，單傳感器反映的設備信息已經不能很好地表征整個設備的運行狀態，這就要求多種傳感器來對設備進行監測和故障診斷。由于傳感器的組合方式有同類和異類之分，導致數據量大且龐雜，計算機系統處理起來十分困難，并且占用過多資源，效率低下；同時由于各種不確定因素的存在，導致數據的不確定以及診斷推理過程的不確定，直接增加了診斷的難度。因此故障診斷準確率降低，甚至出現漏檢和誤診斷現象[2]。利用多源信息融合診斷技術可有效解決這一問題，將多源信息融合技術與故障診斷結合起來主要出于以下原因[3-4]：1)信息融合能夠為故障診斷提供更多的信息，這是因為多傳感器能夠形成不同的信號且同一信號可以形成不同的特征信息；2)故障診斷系統具有信息融合系統相類似的特征——故障診斷類似于多目標跟蹤系統且具有不確定性，這些都是信息融合技術所能解決的。

1 多源信息融合故障診斷簡介

從公開的文獻來看，將多源信息融合技術應用到故障診斷領域最早可追溯到20世紀80年代，但是，直到1995年，覃祖旭和張洪鉞才明確地將信息融合的概念同故障診斷結合起來[5]；2001年，王志鵬發表的博士論文首次提出了基于信息融合技術的故障診斷方法這一概念[6]；2007年，朱大奇等從融合算法的角度對多源信息融合故障診斷方法進行了綜述[7]。隨后，多源信息融合故障診斷方法得到了人們的廣泛關注，取得了豐碩的研究成果[8-19]。

多源信息融合故障診斷的研究內容主要集中在融合結構和融合算法上。按融合結構可分為層次結構信息、多級信息和組合神經網絡的融合故障診斷，按融合算法分為基于貝葉斯理論、DS證據理論、模糊集理論、粗糙集理論和人工神經網絡的融合故障診斷。

多源信息融合故障診斷方法常用于旋轉機械結構[4,10]的故障診斷，包括發電機組、電動機和燃油發動機；在電力系統中的應用也很多，如電力系統故障診斷[11-14]等；當然，在船舶推進系統[16]、液壓系統[9,15]以及電子電路[20-22]等領域也有較廣泛的應用。

2 不同融合結構的多源信息融合故障診斷方法

多源信息融合故障診斷方法的研究主要從2個大的方面著手，分別是融合結構模型和融合算法，其中融合結構模型又可分為層次結構信息融合故障診斷、多級信息融合故障診斷和組合神經網絡信息融合故障診斷。

2.1層次結構信息融合故障診斷

所謂的層次結構就是按照信息價值的遞進關系將融合分為數據層融合、特征層融合和決策層融合的3層融合的結構。這3個層次融合診斷信息的表征水平從低到高，分別滿足故障檢測、故障識別和故障定位的需要，最終通過融合決策得出診斷結果。其結構如圖1所示[3]。

圖1 層次結構信息融合故障診斷框圖Fig.1 Hierarchy information fusion fault diagnosis block diagram

1)數據層融合 數據層融合是直接對未經預處理的傳感器原始觀測數據進行綜合和分析。要實現數據層融合，其傳感器必須相同或匹配，能夠在原始數據上實現關聯，需要保證是對同一目標或狀態的數據融合。對數據層融合，相當于是對單傳感器獲取的信息處理。從圖1可以看出，基于數據層融合的結果，主要用于故障檢測和為特征層融合提供信息2個方面。目前，應用于故障診斷的數據層融合的主要方法有：小波變換、FFT、加權平均法、算術平均法和貝葉斯理論等[3,8]。

2)特征層融合 特征層融合是先對傳感器數據進行預處理以獲取數據特征信息和數據匹配，并在其基礎上，對所獲特征進行關聯處理，從而完成目標的融合識別過程。因此，特征層融合實質是一個模式識別問題[3]。同樣，從圖1上明顯看出，特征層融合包括3個主要方面：1)對數據層的融合結果進行有效融合；2)完成對故障的有效識別；3)為更高級的決策層融合提供信息。目前，應用于故障診斷領域的特征層融合方法主要有：人工神經網絡、卡爾曼濾波、模式識別診斷方法和模糊理論等[8]。

3)決策層融合 決策層融合在層次結構中處于最高級。其先根據不同類型的傳感器建立起來的監測網絡，通過預處理、特征提取、特征識別或判決，來完成對某一目標或狀態的監測和初步決策；然后通過關聯處理和決策層融合判決獲得聯合推斷結果。因此，決策層融合輸出是一個綜合所有信息的診斷結果。決策層融合完成了故障定位，并做出對診斷結果的評價。目前，決策層融合常用的方法有貝葉斯推斷[9-14]、DS證據理論[15-19]、模糊集理論[23-24]、粗糙集理論[25-28]以及人工神經網絡[29-31]等。

3個融合層次中，數據層融合保持了盡可能多的客觀信息，基本不發生信息丟失或遺漏，但是其處理的數據太多，耗費時間長，實時性差，且對傳感器依賴性大；特征層融合既保持了足夠數量的重要信息，又大大稀釋了數據量，提高了處理過程的實時性，但其對傳感器預處理提出了較高的要求；決策層融合對預處理的要求更高，信息損失也大，但是其實時性、抗干擾性和容錯性是3層中最好的[10]。目前，從各種文獻來看，信息融合方法主要集中在對決策層融合的研究上[9-19]。

層次結構信息融合故障診斷由于模型結構相對簡單清晰，所以得到了很多理論研究和實際應用。例如：文獻[16]為提高船舶電力推進系統故障診斷的準確率，通過層次結構信息融合故障診斷方法，得到了良好的結果；文獻[17]通過改進的神經網絡和證據理論結合的決策層融合診斷對發動機進行了故障診斷，取得更準確的診斷結果；文獻[32]重點對層次結構信息融合故障診斷做了進一步的挖掘和討論。

2.2多級信息融合故障診斷

基于多級信息融合的故障診斷首先利用了同源多傳感器的融合能夠保證檢測信號準確可靠的性質，然后將獲得的不同類型的表征信號輸入神經網絡分類器得出局部決策，再通過模糊積分對所有的局部決策融合，獲得最終的診斷結果。概括地講，該方法分同源融合、網絡分類器局部融合和模糊積分全局融合3個融合級別[3]，因此稱該方法為多級信息融合的故障診斷方法。從所查文獻來看，目前有的研究也采用DS證據理論[15,19]來進行全局融合。多級信息融合故障診斷的原理框圖如圖2所示[3]。

圖2 多級信息融合故障診斷系統結構Fig.2 Multi-level information fusion fault diagnosis system architecture

目前已有不少文獻對多級信息融合故障診斷進行了研究和應用。例如：鄧麗君根據JDL模型并結合泵車液壓系統故障特點設計了一個3級多源信息融合診斷系統[15]；饒泓從液壓泵站的實際出發，將溫度信號和振動信號2種同源信號通過局部決策和全局融合，獲得了高精度的最終診斷結果[19]；趙中敏給出了先進制造系統的多級信息融合故障診斷的監控系統，并指出傳感器組的設計及算法的選擇仍是當前存在的主要問題[32]。

2.3組合神經網絡信息融合故障診斷

組合神經網絡信息融合故障診斷方法的基本思想是利用神經網絡的特點，對獲得的信息進行有效組合，從而從不同的角度進行故障診斷，充分利用了各類信息，最大限度地提高故障診斷的成功率。組合神經網絡信息融合有2種實現方式：單子網絡直接實現和不同子網絡綜合決策實現[3]。前者是一種基于特征的局部性融合，而后者是一種基于決策的全局性融合。組合神經網絡的原理框圖如圖3所示。

圖3 組合神經網絡信息融合故障診斷Fig.3 Combination of neural network information fusion fault diagnosis

不同于前面2種融合結構，組合神經網絡模型的明顯特征是運用了神經網絡，確切地說是利用了神經網絡的分類和自適應能力，因此為了能智能地解決故障診斷問題，人們對該方法進行了相關研究。例如：文獻[29]和文獻[30]分別利用組合神經網絡的方法解決裝載機和變壓器的故障診斷問題，均取得了良好的效果。從目前的文獻來看，有的研究并沒有很明確地使用組合神經網絡方法，但是在前述2種結構中，特別是在多級信息融合中，常涉及到組合神經網絡的結構，如文獻[15]和文獻[19]在決策層之前對信號的處理和結構的設計上都應用了組合神經網絡方法。

層次結構的信息融合故障診斷方法是一種比較通用的解決方案，因其3個層次和信息融合的3個層次關系緊密，大量文獻的研究表明，所有方法的本質都可以歸結到層次結構上，特別是特征和決策層融合。組合神經網絡的方法同多級信息融合的方法類似，均是通過對多個局部融合結果融合獲得全局性的決策，不同的是多級信息融合的方法先對傳感器的信號進行了分類，然后通過網絡分類器對所得特征信號進行組合，而組合神經網絡的方法是直接對輸入信號進行有效組合和分類得出初步融合結果，且2種方法的全局性決策算法也不一樣。從所查文獻來看，由于診斷問題的復雜性，在某一故障診斷領域，有時能用到2種或2種以上的診斷模型結構，比如文獻[15]就用到多級和組合神經網絡2種模型；文獻[19]甚至涉及到全部3種診斷模型。由于診斷策略均是提取特征信息、融合特征信息、做出決策的流程，所以在具體實施的時候，根據不同模型的特點，結合診斷的具體領域選擇合適的模型。一般對于較復雜的系統，很難用某一種結構模型解決，通常采用混合模型的診斷策略，較多采用的是將組合神經網絡方法同其他2種結合。

3 基于融合算法的信息融合故障診斷方法

由于各種診斷結構能夠實現的重要前提是算法的可行性，并且多源信息融合故障診斷方法是基于多源信息融合的一種診斷方法，因此可以從融合算法的角度對其進行劃分。通常在故障診斷領域使用的融合算法是比較固定的，結合近年相關文獻，可將其分為基于貝葉斯理論的信息融合故障診斷方法、基于DS證據理論的信息融合故障診斷方法、基于模糊集的信息融合故障診斷方法、基于粗糙集的信息融合故障診斷方法和基于人工神經網絡的信息融合故障診斷方法。

3.1基于貝葉斯理論的信息融合故障診斷方法

貝葉斯推斷存在著先驗似然函數定義困難、要求各證據之間不相容或獨立且缺乏分配總的不確定性的能力等問題。當然，貝葉斯推斷的方法是最早應用于信息融合故障診斷的方法之一。例如：文獻[9]和文獻[10]分別利用貝葉斯網絡模型解決了齒輪泵故障診斷和電機故障診斷的問題。另外，基于貝葉斯理論的信息融合故障診斷方法在電力系統中的應用比較多[11-14]。

3.2基于DS證據理論的信息融合故障診斷方法

證據理論又稱DS理論或信任函數理論，是經典概率理論的擴展，其滿足比貝葉斯理論更弱的公理系統，能夠解決貝葉斯方法無法解決的“不確定”和“不知道”問題。證據理論的信息融合故障診斷方法概括起來就是先對每個傳感器獲得的信息計算各個證據的信度函數值；然后根據DS證據方法的組合規則計算所有證據聯合作用下的信度函數值；最后根據給定的判決準則選擇信度函數值最大的假設作為系統最終的融合結果。DS證據理論的故障診斷原理框圖如圖4所示[7]。

圖4 DS證據理論故障診斷原理圖Fig.4 Principle diagram of fault diagnosis by the DS evidence theory

DS證據理論在多源信息融合故障診斷中應用十分廣泛，例如：文獻[16]利用證據理論對故障進行決策級融合處理，解決了船舶電力推進系統故障診斷的問題；文獻[17]采用加權證據理論對發動機進行故障診斷，大大提高了診斷結果的可信度；文獻[22]研究了證據理論在機械故障診斷中應用的可行性。證據理論在決策層診斷[15-19]中的應用尤為突出，因其有獨特的優勢[7]：其一，能將相互交叉的不確定數據信息合理地分配到不同模式類別中，減少模式識別的不確定性，提高識別精度；其二，DS信息融合不需要訓練樣本，且在少量傳感器的情況下，計算量小，識別率高。但是從文獻中也可以看出，DS證據理論也存在著諸多問題，比如：對高沖突證據會產生有悖常理的結果，并且要求證據是獨立的，等等。在實際應用中一般都是通過和其他算法融合或者改變權重[15，17]的方法解決上述問題。

3.3基于模糊集的信息融合故障診斷方法

模糊集理論是基于分類的局部理論，并具有良好的自適應能力[33]。其主要思想是將隸屬度從0和1擴充到[0,1]區間的任意數值，滿足對信息的不確定性描述。基于模糊集理論的信息融合故障診斷過程概括如下[7]：設A為故障診斷系統可能決策的集合，B為傳感器的集合，R為A和B的關系矩陣，R中的元素表示由傳感器推斷出某個決策的可能性，X表示各傳感器判斷的可信度，Y是經過模糊變換得到的融合后各決策的可能性，即Y就是融合結果，Y=X*R。其中*是模糊算子，其運算方法可以不同，因此可以形成多種模糊推理的方法。基于模糊集的信息融合故障診斷方法原理框圖如圖5所示。

圖5 模糊信息融合故障診斷Fig.5 Fuzzy information fusion fault diagnosis

基于模糊集的信息融合故障診斷方法可以用簡單的方式表示不確定性問題，特別是不確定性是根據主觀感受而非精確統計確定的，簡單實用。同時，正由于這種情況的出現，使得隸屬度函數的人為因素太大，在一定情況下影響診斷的準確性。文獻[23]探討了模糊故障樹分析的方法和步驟，并給出了相應的算例。文獻[24]提出一種將模糊集和模糊推理方法結合專家系統進行故障診斷的新方案。近年來，研究傾向于將模糊集和神經網絡相結合的方法，文獻[34]和文獻[35]分別利用模糊神經網絡對電動機和帶式輸送機的故障診斷進行了研究。

由于維生素E的不穩定性，牙膏中一般使用維生素E醋酸酯，以促進牙膏配方的穩定。維生素E醋酸酯經過口腔粘膜吸收后，在皮膚內轉化為生育酚的形式，可以保護牙周組織，避免提前老化。維生素E 醋酸酯有治療成人牙齦炎的作用，使用含0.2%的維生素E 醋酸酯能夠有效阻止牙周疾病的發展[22]。

3.4基于粗糙集的信息融合故障診斷方法

粗糙集是一種刻畫不完整性和不確定性的工具[36]，能夠有效地分析和處理不精確、不一致、不完整等不完備信息，并從中發現隱含的知識，揭示潛在的規律。因此，其在決策研究問題中有所應用[37]。粗糙集的主要思想就是在保持分類能力不變的前提下，通過知識約簡，導出問題的決策或分類規則。不同于模糊集理論注重描述信息隸屬的程度，粗糙集強調了數據的不可辨別、不精確和模棱兩可的性質，注重研究不同類中的對象組成的集合之間的關系。

在故障診斷領域，文獻[25]提出了一種基于粗糙集理論的診斷模型。該模型先從故障狀態的原始數據出發，通過對數據預處理，建立起故障診斷決策表，然后對故障征兆進行屬性約簡和值約簡，從而得到最大廣義決策規則，再利用置信度、覆蓋度及支持度3個指標對其進行評價，建立了精簡的融合決策規則知識庫。由于粗糙集只能處理離散數據，所以需對征兆屬性離散化處理，然后將離散化的征兆屬性與融合診斷決策規則知識庫中的規則進行推理與匹配，并對返回的診斷決策規則進行綜合評價，得出診斷結論。

粗糙集理論雖然存在只能處理離散數據的局限性，但是其能夠有效解決故障診斷中常存在的冗余和信息不一致的問題。因此，近年來粗糙集理論在故障診斷領域有著廣泛應用。一般的，常將粗糙集理論和其他算法結合起來運用，如貝葉斯理論[12]、DS證據理論[18]、神經網絡[26]和專家系統[27]。

3.5基于人工神經網絡的信息融合故障診斷方法

該方法屬于人工智能的故障診斷領域，是將人工神經網絡引入信息融合故障診斷之中。由于模式識別和分類是神經網絡的強項，所以一般應用于初級融合，當用于決策層級融合時，通常是結合模糊集理論進行故障判斷[34-35]。先通過傳感器測試被診斷對象，獲得相關隸屬度值，將其作為神經網絡的輸入，經過融合輸出各故障的隸屬度值，最后對其決策判斷。其融合診斷的原理框圖如圖6所示[7]。

圖6 神經網絡融合故障診斷Fig.6 Neural network fusion fault diagnosis

神經網絡具有并行分布式處理、聯想記憶、自組織及自學習的能力，并有極強的非線性映射特性，已經廣泛應用于復雜系統的故障診斷。但是由于神經網絡需要樣本訓練，在故障樣本很難獲取或者實時性較高的情況下，很難滿足故障診斷的要求，而且還存在組合爆炸無窮遞歸等問題。當然用神經網絡進行信息融合故障診斷的研究也很多，例如：研究人員利用神經網絡的方法進行了故障診斷的研究[17，29-30，34]。

3.6其他融合算法

除了以上幾種常用融合算法以外，隨機集理論也是一種近年來較為常見的融合算法。隨機集理論是一種結合概率論和集合論的多源信息融合方法[38]。由于其能夠有效地統一諸如概率論、證據理論、模糊集理論、可能性理論和專家系統等幾種常用不確定性理論，因此利用它研究多源信息融合故障診斷成為了當前的熱點之一。例如：文獻[20]為實現模擬電路故障的準確定位，采用一種基于隨機集與條件證據的融合先驗知識的模擬電路故障診斷方法；文獻[39]為診斷并發故障，提出一種基于隨機集理論的信息融合方法，并應用到電機柔性轉子平臺上，該方法顯著提高了轉子系統故障診斷的精度。此外，隨機集理論常和證據理論結合起來進行故障診斷[40-41]。為了解決算法的局限性，人們在研究過程中也嘗試了一些新的算法。例如：文獻[21]采用了人工免疫算法，解決了PCB電路信息融合故障診斷的問題；文獻[31]使用了灰色系統理論，將其與神經網絡結合起來解決問題。

由于各種算法都有其局限性，因此在實際應用中更常見的是將兩種或兩種以上的算法結合起來用于故障診斷。例如，DS證據理論同神經網絡結合[15]；模糊集同神經網絡結合[17]；粗糙集或者模糊理論同貝葉斯網絡結合[13]；人工神經網絡同粗糙集結合[27-28]。

綜合相關文獻，基于貝葉斯理論的信息融合故障診斷方法在電力系統中的應用比較多，近年來，該算法的研究趨勢是將粗糙集或者模糊理論同貝葉斯網絡結合起來。DS證據理論應用的范圍很廣，在其應用研究中，需要解決高度沖突證據不能合成的問題，一般采用加權證據理論的方法對其進行處理。由于人工神經網絡是一種智能化的研究方法，一直都是研究熱點，并且由于神經網絡和模糊集之間存在互補性和關聯性，因此常將模糊集和人工神經網絡結合在一起，但是近些年越來越多的研究將人工神經網絡同粗糙集結合起來。多源信息融合故障診斷的方法有很多，各有各的優缺點，也沒有一個統一的通用理論或者結構解決一般性問題，其解決的問題多是系統性問題，結構復雜，理論性很強。目前，除了在旋轉機械結構、電力系統、船舶工業、液壓系統和電子電路等傳統領域之外，多源信息融合故障診斷方法在輸油管道、在軌航天器及水下機器人等領域也得到了較多的應用。

4 結 語

近年來，多源信息融合故障診斷技術已取得了長足的發展，但從故障診斷的角度仍然有很多問題要解決，比如：傳感器的選擇和分布、數據的采集等，但是這類問題屬于和具體問題密切相關的內容，不具有一般性。由于多源信息融合故障診斷方法的核心是信息融合，因此從信息融合的角度來看，未來發展趨勢可能會集中在以下3個方向。

1)簡潔有效的快速融合算法 目前大多數的故障診斷使用的融合算法都是幾種算法的集合，通過互補來得到較精確的融合結果，這就直接導致算法結構復雜、運行速度下降，因此需要尋找簡潔、有效的新算法來滿足故障診斷快速性、精確可靠性的技術要求。

2)融合結果評價規則 目前大多數故障判斷規則采用了最大閾值的原則，這種判斷在單故障的情況下有效，但是當多故障并發時，不能得出完全的診斷結果。因此，對融合結果評價規則的研究將是未來重要的方向。

3)智能化的數據融合技術 隨著技術的發展，需要診斷的對象會越來越復雜，新的故障形式也會出現，為滿足這些診斷工況，必須采用一種智能化的融合技術。因此，以神經網絡和專家系統為主體，配合其他融合算法的方法將會是未來重要的研究趨勢。

/

[1]何富君，劉小磊，盧曉昭，等．傳感器的故障診斷技術研究[J]．科學技術與工程，2010, 10(26)：6481-6487． HE Fujun，LIU Xiaolei，LU Xiaozhao，et al. A research on fault detection diagnosis technology for sensor[J]. Science Technology and Engineering，2010，10(26)：6481-6487.

[2]郭 敏．多源信息融合在故障診斷技術中的應用研究[J]．計算機與數字工程，2011，39(3)：1-4． GUO Min.Application research on fault diagnosis using multi-sensor information fusion[J].Computer and Digital Engineering，2011，39(3)：1-4.

[3]呂 琛.故障診斷與預測——原理、技術及應用[M].北京：北京航空航天大學出版社，2012. LYU Chen.Fault Diagnosis and Prediction:Principles，Techniques and Application [M].Beijing：Beihang University Press，2012.

[4]趙 蕊.信息融合在水輪發電機組故障診斷系統中的應用研究[D].長沙：中南大學，2007. ZHAO Rui.Application of Information Fusion in Hydraulic Generator Set Fault Diagnosis System [D].Changsha：Central South University，2007.

[5]覃祖旭，張洪鉞.信息融合的一般過程及在故障診斷中的應用[J].測控技術，1995，14(3)：15-18. QIN Zuxu，ZHANG Hongyue.The general process of information fusion and its application in faults diagnosis [J].Measurement and Control Technology,1995，14(3)：15-18.

[6]王志鵬.基于信息融合技術的故障診斷方法的研究及應用[D].大連：大連理工大學，2001. WANG Zhipeng.Research and Application of Fault Diagnosis Method Based on Information Fusion Technology [D].Dalian：Dalian University of Technology，2001.

[7]朱大奇，劉永安.故障診斷的信息融合方法[J].控制與決策，2007，22(12)：1321-1328. ZHU Daqi，LIU Yongan.Information fusion method for fault diagnosis [J].Control and Decision，2007，22(12)：1321-1328.

[8]尚朝軒，毛二可，胡文華.基于多源信息融合的雷達裝備故障診斷決策研究[J].計算機測量與控制，2011，19(2)：344-346. SHANG Chaoxuan，MAO Erke，HU Wenhua.Fault diagnosis and strategy research on radar equipment based on multisource information fusion [J].Computer Measurement & Control，2011，19(2):344-346.

[9]劉希亮，陳桂明，李方溪，等.多源信息融合及其在齒輪泵故障診斷中的應用[J].液壓與氣動，2012(6)：118-122. LIU Xiliang，CHEN Guiming，LI Fangxi，et al.Multi-source information fusion and its application to gear pump fault diagnosis [J].Chinese Hydraulics & Pneumatics，2012 (6):118-122.

[10]高媛媛.多信息融合技術在電機故障診斷中的應用研究[D].沈陽：沈陽工業大學，2009. GAO Yuanyuan.Application of Technology in the Motor Fault Diagnosis Information Fusion [D].Shenyang：Shenyang University of Technology，2009.

[11]周 曙.基于貝葉斯網的電力系統故障診斷方法研究[D].成都：西南交通大學，2010. ZHOU Shu.Research on Power System Fault Diagnosis Method based on Bayesian Network [D].Chengdu：Southwest Jiaotong University，2010.

[12]栗 然，高聰穎，張烈勇.基于粗糙集-貝葉斯方法的分布式電網故障診斷[J].華北電力大學學報，2010，37(2)：1-7. SU Ran，GAO Congying，ZHANG Lieyong.The distributed fault diagnosis of power networks based on Bayesian rough set method[J].Journal of North China Electric Power University，2010，37(2):1-7.

[13]張樂信.基于粗糙集和貝葉斯的電網故障診斷系統的研究應用[D].成都：電子科技大學，2012. ZHANG Lexin.Application of Power Networks Fault Diagnosis System Based on Rough Set and Bayesian [D].Chengdu：University of Electronic Science and Technology，2012.

[14]ZHU Yongli，HUO Limin，LU Jinling.Bayesian networks-based approach for power systems fault diagnosis [J].IEEE Transactions on Power Delivery，2006，21(2)：634-639.

[15]鄧麗君.基于多傳感器信息融合的液壓系統故障診斷方法研究[D].太原：太原理工大學，2013. DENG Lijun.Study of the Hydraulic System Fault Diagnosis Method based on Multi-Sensor Data Fusion [D].Taiyuan：Taiyuan University of Technology，2013.

[16]華云鵬.基于多源信息融合技術的船舶電力推進系統故障診斷研究[D].大連：大連海事大學，2012. HUA Yunpeng.Research of Ship Electric Propulsion System Fault Diagnosis Based on Multi-Source Information Fusion Technology [D].Dalian：Dalian Maritime University，2012.

[17]嚴 莉.基于多源信息融合的發動機故障診斷研究[D].太原：中北大學，2010. YAN Li.Engine Fault Diagnosis Based on Multi-Source Information Fusion [D].Taiyuan：North University of China，2010.

[18]楊志榮.基于多源信息融合的水電機組故障診斷與軸心軌跡識別技術研究[D].武漢：華中科技大學，2011. YANG Zhirong.Recognition Technology Based on Multi-source Information Fusion Fault Diagnosis of Hydropower and Axis Trajectory [D].Wuhan：Huazhong University of Science and Technology，2011.

[19]饒 泓.基于多源信息融合與Rough集理論的液壓機故障診斷方法研究[D].南昌：南昌大學，2009. RAO Hong.Research of Hydraulic Machine Fault Diagnosis Method Based on Multi-Source Information Fusion and Rough Set Theory [D].Nanchang：Nanchang University，2009.

[20]劉殿劍，張志利，周召發，等.基于隨機集與條件證據理論的模擬電路故障診斷方法[J].計算機測量與控制，2012，20(12)：3186-3189. LIU Dianjian，ZHANG Zhili，ZHOU Zhaofa，et al.Analog circuit fault diagnosis method base on random set and conditional evidence theory [J].Computer Measurement & Control，2012，20(12)：3186-3189.

[21]郭朝有，歐陽光耀，李雁飛.基于人工免疫的PCB電路信息融合故障診斷[J].信息與電子工程，2011，9(2)：215-218. GUO Chaoyou，OUYANG Guangyao，LI Yanfei.Non-intrusive information fusion fault diagnosis of printed circuit board based on artificial immune system[J].Information and Electronic Engineering，2011，9(2)：215-218.

[22]FAN Xianfeng，ZUO Mingj.Fault diagnosis of machines based on D-S evidence theory(Part 1)：D-S evidence theory and its improvement [J].Pattern Recognition Letter，2006，27：366-376.

[23]顧冰芳，龔烈航，高久好．基于模糊集合論的故障樹分析[J]．機床與液壓，2004(3)：174-176． GU Bingfang，GONG Liehang，GAO Jiuhao.Fault tree analysis based on fuzzy set theory[J].Machine Tool and Hydraulics，2004(3)：174-176.

[24]周 明，任建文，李庚銀，等．基于模糊推理的分布式電力系統故障診斷專家系統[J]．電力系統自動化，2001，25(24)：33-36． ZHOU Ming，REN Jianwen，LI Gengyin，et al.Distributed power system fault diagnosis expert system based on fuzzy inference[J].Automation of Electric Power Systems，2001，25(24)：33-36.

[25]楊 廣，吳曉平，宋業新，等.基于粗糙集理論的多源信息融合故障診斷方法[J].系統工程與電子技術，2009，31(8)：2013-2019. YANG Guang，WU Xiaoping，SONG Yexin，et al.Multi-sensor information fusion fault diagnosis method based on rough set theory [J].Systems Engineering and Electronics，2009，31(8)：2013-2019.

[26]曾建武.粗糙集理論及故障診斷應用研究[D].杭州：浙江大學，2006. ZENG Jianwu.Rough Set Theory and Application Research of Fault Diagnosis [D].Hangzhou：Zhejiang University，2006.

[27]鄧 武，楊鑫華，趙慧敏，等.粗糙集、神經網絡和專家系統模型用于電力系統故障診斷[J].高壓電技術，2009，35(7)： 1624-1628. DENG Wu，YANG Xinhua，ZHAO Huimin，et al.Application of rough sets，neural network and expert system to power system fault diagnosis[J].High Voltage Engineering，2009，35(7)：1624-1628.

[28]尚志信，周 宇，葉慶衛，等.基于粗糙集和BP神經網絡算法的網絡故障診斷模型研究[J].寧波大學學報(理工版)，2013，26(2)：45-48. SHANG Zhixin，ZHOU Yu，YE Qingwei，et al.Research of network fault diagnosis model based on rough sets and BP neural network algorithm [J].Journal of Ningbo University (Natural Science and Engineering Edition)，2013，26(2):45-48.

[29]孫 涌，芮延年，崔志明.基于組合神經網絡模型的遠程裝載機故障診斷系統的設計與實現[J].中國制造業信息化，2007，36(9)：54-58． SUN Yong，RUI Yannian，CUI Zhiming.Design and implementation of fault diagnosis system for loading machines based on assembled neural network model[J].China Manufacturing Industry Informationization，2007，36(9)：54-58．

[30]張偉政，汪曉明，吳曉輝，等.組合神經網絡在變壓器故障診斷中的應用[J].高壓電器，2007，43(5)：364-367. ZHANG Weizheng，WANG Xiaoming，WU Xiaohui，et al.Application of compound networks in fault diagnosis of power transformer [J].High Voltage Apparatus，2007，43(5):364-367.

[31]任翠蕾.基于多源信息融合的傳感器故障診斷技術的研究[D].保定：華北電力大學，2012. REN Cuilei.Research on Sensor Fault Diagnosis Technique Based on Multi-Source Information Fusion [D].Baoding：North China Electric Power University，2012.

[32]趙中敏.基于多傳感器信息融合的加工過程監控[J].化工自動化及儀表，2008，35(3)：1-5. ZHAO Zhongmin.Processing process monitoring based on multi-sensor information fusion [J].Control and Instruments in Chemical Industry，2008，35(3):1-5.

[33]郝莉紅，王志騰，陳 洪.基于MatlabSimulink對半主動懸架的Fuzzy-PID控制仿真研究[J].河北工業科技，2013，30(1)：42-46. HAO Lihong,WANG Zhiteng,CHEN Hong.Simulation of Fuzzy-PID control of semi-active suspension based on MatlabSimulink[J].Hebei Journal of Industrial Science and Technology,2013,30(1):42-46.

[34]蘆 斌.基于模糊神經網絡的電動機故障診斷技術研究[D].太原：中北大學，2013. LU Bin.Motor Fault Diagnosis Based on Fuzzy Neural Network Technology Research [D].Taiyuan:North University of China，2013.

[35]趙肖敏.基于模糊神經網絡的帶式輸送機故障診斷研究[D].太原：太原科技大學，2013. ZHAO Xiaomin.Research of Belt Conveyor Fault Diagnosis Based on Fuzzy Neural Network [D].Taiyuan:Taiyuan University of Science and Technology，2013.

[36]PAWLAK Z.Rough sets[J].International Journal of Computer & Information Sciences，1982，11(5)：341-356.

[37]蘇國振，何 娟.基于粗糙集的銀行存貨質押業務投資決策研究[J].河北工業科技，2013，30(6)：414-420. SU Guozhen,HE Juan.Rough sets-based investment decision-making research of inventory financing business [J].Hebei Journal of Industrial Science and Technology,2013,30(6)：414-420.

[38]文成林，徐曉濱.多源不確定信息融合理論及應用[M].北京：科學出版社，2012. WEN Chenglin，XU Xiaobin.Uncertain Multisource Information Fusion Theory and Its Application [M].Beijing：Science Press，2012.

[39]徐曉濱，文成林，蔣海娜，等.基于隨機集理論的并發故障診斷信息融合方法[J].儀器儀表學報，2010，31(2)：334-340. XU Xiaobin，WEN Chenglin，JIANG Haina，et al.Information fusion method of simultaneous fault diagnosis based on random set theory [J].Chinese Journal of Scientific Instrument，2010，31(2)：334-340.

[40]ZHU Yunmin，XIAO Rongli.Extended dempster-shafer combination rules based on random set theory[J].SPIE,2004，5434：112-120.

[41]WEN Chenglin，XU Xiaobin，LI Zhiliang.Research on unified description and extension of combination rules of evidence based on the random set theory [J].Chinese Journal of Electronics，2008，17(2)：279-284.

Research progress in fault diagnosis methods based on multi-source information fusion

ZHANG Chengjun， YIN Yan， BAO Jiusheng，JI Yangyang

(College of Mechanical and Electrical Engineering, China University of Mining and Technology, Xuzhou Jiangsu 221116, China)

The relationship between the multi-source information fusion and the fault diagnosis is briefly presented, and the general approach of multi-source information fusion based fault diagnosis is introduced. From the viewpoint of fusion structure and algorithms, the classified presentation is given about the multi-source information fusion based fault diagnosis method, and the diagnosis principle and the research status are also described, respectively. It is pointed out that the information fusion fault diagnosis method can be divided into hierarchy, multi-level and combination of neural network information fusion fault diagnosis from the aspect of fusion architecture. From the fusion algorithms, it can be divided into the Bayesian theory, DS evidence theory, fuzzy sets theory, rough sets theory and artificial neural network fault diagnosis methods of multi-source information fusion. Finally, some future development trends of information fusion based fault diagnosis methods are given.

fault diagnosis; multi-source information fusion; fusion structure; fusion algorithm

2014-02-24；

2014-03-18；責任編輯：馮 民

國家自然科學基金(51205393)；中央高校基本科研業務費專項資金(2013QNB13)

張成軍(1990-)，男，江蘇鹽城人，碩士研究生，主要從事故障診斷方面的研究。

陰 妍講師。E-mail：cumtyinyan@126.com

1008-1542(2014)03-0213-09

10.7535/hbkd.2014yx03001

TP206+．3

A

張成軍，陰 妍，鮑久圣，等.多源信息融合故障診斷方法研究進展[J].河北科技大學學報,2014,35(3):213-221.

ZHANG Chengjun， YIN Yan， BAO Jiusheng,et al.Research progress in fault diagnosis methods based on multi-source information fusion[J].Journal of Hebei University of Science and Technology,2014,35(3):213-221.