发动机作为一种典型的往复动力机械,结构复杂决定了其故障呈现出复杂性和多样性的特点,运行环境、系统噪声及传感器精度等带来的不确定性因素的影响,导致发动机故障诊断准确率降低,多源信息融合为解决发动机本身结构复杂及这些不确定因素带来的问题提供了一条新的途径。在此背景下,本文研究了基于多源信息融合的发动机故障诊断。本文首先介绍了发动机故障诊断的国内外研究现状及典型方法,以及将多源信息融合技术应用到发动机故障诊断中的必要性和可行性。其次重点描述了多源信息融合的三种典型方法:D-S证据理论、模糊集合理论、人工神经网络。由于传统BP神经网络存在局限性,本文将多种改进方法应用到发动机故障诊断中,将输出结果进行比较,验证了共轭梯度法改进BP神经网络的优越性;为了避免单一传感器带来的信息不准确性,将改进BP神经网络和D-S证据理论相结合进行决策层融合的发动机故障诊断,大大提高了诊断结果的可信度。最后针对D-S证据理论无法解决证据冲突问题,采用加权证据理论;由于主观确定隶属函数具有一定的困难,将改进BP神经网络和模糊集合理论相结合进行决策层融合的故障诊断。对比这几种方法的融合结果,可以看出改进BP神经网络和D-S证据理论相结合的方法诊断结果更加准确,但是计算量比较大。