该文的主要工作是在复杂旋转机械设备故障诊断中应用了数据融合方法.数据融合可以概括为:在一定准则的支配下,利用计算机技术对来自多方位多传感器的时序数据从不同层面进行抽象分析、综合、决策的处理过程.针对旋转机械的特点形成了旋转机械故障诊断的数据融合方法,并对该方法进行了验证. 1、提出了旋转机械融和诊断的功能模型和计算模型.2、在数据级信息的融合处理中,为提高数据的精确度、可靠性和信噪比,首先要对数据进行预处理.对同种类多个传感器测量的一点信号,采用加权自适应最小二乘估计的融合算法,产生比原始信号精确的新信号.3、在特征级融合层次上,由于故障和征兆之间呈现为典型的非线性关系,该文采用了BP神经网络的融合处理方法,将数据级融合的结果作为神经网络的输入,实现了故障分类和运行状态的估计,从而完成了特征级的融合处理功能.充分发挥了神经网络并行处理信息的能力、容错能力、自学习和自适应等能力.4、在设备故障信息的决策级上,该文采用D-S证据理论的方法,充分发挥了D-S推理中,用置信区间代替概率,用集合表示事件,能够很好地表示"不确定性"、"不知道"等优点.通过融合准则,将不同测点的特征级结果加以综合,对于各个测点特征级输出为不一致性结论的情况下,考虑了传感器的精度,给出了决定性判断.5、以Bently小转子实验台的故障数据和正常数据为实例,用MATLAB软件包,对BP神经网络结合D-S推理的数据融合方法进行了验证,获得了令人满意的结果,证明了该方法的有效性.6、最后,将以上理论研究编制成软件,研制并开发出数据融合故障诊断系统.该系统可以对汽轮机等旋转机械运行状态的实测数据,运用数据融合原理进行分析和诊断.