随着工业系统向着高速度、高功率、高可靠性和大型化的方向发展,其构件之间以及构件内部存在很多错综复杂、关联耦合的相互关系,不确定因素和不确定信息充斥其间。当系统发生故障时,一种故障可能会有多种征兆表现,而一种征兆表现又常常由多种故障引起。因此,仅仅依靠单一的理论方法和单一的信息源对故障难于做出准确的诊断。由于被诊工业系统的复杂性和故障原因的多样性,这使得目前的故障诊断理论还远不能满足实用化的要求,故障诊断理论亟待进一步完善。本文进行的研究正是着眼于解决以上问题,使故障诊断技术能更好地应用于实际的工业系统。本文在汲取了前人研究成果的基础上,对信息融合技术和贝叶斯网络方法进行了深入的分析和研究,提出了这两种理论方法相结合的故障诊断新方法。多传感器信息融合方法能够增加故障信息的完备性,克服单一传感器信息不足的弊端;贝叶斯网络作为当前处理不完整、不确定信息的最有效手段之一,不仅能克服故障信息模糊性的影响,而且它的并行推理方式还能提高故障诊断的速度。最后对液压系统的重要元件——液压泵进行故障诊断实验研究,验证了本文所提出理论方法的有效性。该方法丰富了故障诊断的理论体系,提高了故障诊断方法的实用价值。本文主要进行了以下几个方面的工作:(1)根据液压泵的结构特点和工作条件,设计了液压泵故障多源信号的采集方法,重点介绍了振动信号和声音信号的采集过程。针对故障信号的特点,提出采用带通滤波、消噪和包络解调的信号处理方法。该方法利用小波理论的分解和重构算法对信号进行带通滤波处理,利用小波包消噪法完成对信号的消噪。采用基于Hilbert变换的包络解调算法对滤波消噪后的信号进行包络解调处理。最后利用振动信号和声音信号的包络谱来分析各故障模式特定频率成分的变化特征。(2)介绍了信号幅值域分析的各种特征参数指标,重点对幅值域中无量纲的参数指标进行了细致的分析。以泵端盖振动信号为例,研究了各无量纲指标对每种故障的敏感性。从时频域的角度研究了基于小波包分解频带能量的特征提取方法。为增加故障特征信息的完备性,采用从幅值域和时频域两个角度提取特征向量的方法,对液压泵故障诊断实验中的特征提取过程有非常重要的指导意义。(3)针对故障特征集合中存在冗余属性的现象,研究了基于粗糙集理论的属性约简算法。为获取“最佳属性约简”,基于方法互补融合的思想,提出了基于主元模型的粗糙集理论启发式属性约简算法。针对高维数据处理困难的问题,提出了基于粗糙集理论多变量决策树的构造方法。(4)针对故障特征向量集中、特征向量维数多和特征间存在相关性的特点,研究了基于主元分析的特征降维解耦方法。为实现液压泵实时故障诊断,提出了基于主元分析的故障检测方法。通过对轴向柱塞泵中心弹簧失效、单柱塞脱靴、滑靴磨损以及单柱塞松靴四种故障的检测,得到各种故障的检测结果。为实现液压泵多故障模式的实时故障诊断提供了理论指导。(5)阐述了多传感器信息融合技术的基本概念、融合结构及融合方法,重点研究了基于贝叶斯参数估计的信息融合算法。对贝叶斯网络的原理和贝叶斯网络分类器的几种构造方法进行了详尽的阐述。针对液压泵故障特征信息不完备性和模糊性的特点,利用多传感器信息融合的广义定义,以振动诊断技术为基础,提出了单振动传感器多特征信息融合贝叶斯网络的故障诊断方法。通过采集液压泵端盖振动信号而进行的故障诊断实验,证明了该方法的有效性并提出了利用多传感器信息对液压泵进行故障诊断的设想。(6)针对液压泵故障特征信息不完备性和模糊性的特点,提出并建立了多传感器信息融合贝叶斯网络方法的故障诊断模型。提出了基于虚拟仪器的实验系统组成方案,选择泵三个方向相互垂直的振动信号、声音信号及出口压力信号作为监测信号。通过人为模拟柱塞泵的松靴、脱靴、滑靴磨损、斜盘磨损以及中心弹簧失效这些故障进行故障样本采集,利用提出的信号预处理方案对监测信号进行前期处理,再利用多传感器信息融合贝叶斯网络方法建立的故障诊断模型进行诊断实验,验证了所创理论方法的有效性。最后将该方法与本文提出的基于粗糙集模型的诊断方法和基于主元分析模型的故障检测方法进行比较,证明所创方法更适用于液压泵的故障诊断。