机械装备广泛运用于关乎国民生计的各个环节中,对机械故障诊断的研究在避免灾难性事故和巨额经济损失方面具有重要的意义。现代机械装备正向着高速化、高功率、大型化等趋势发展,这些新趋势对故障诊断技术提出了新的要求。过去仅借助单一信息源进行诊断的方法已经不能全面地反映系统整体的状态,也难以实现对具体部件的诊断,所以有必要充分利用各种检测手段来获取各种状态信息,将全面的信息运用到基于融合的智能诊断策略中。数据融合技术是一种具有广阔前景的故障诊断方法,近年来该技术已逐渐在故障诊断研究中得到应用,并成为这一领域新的研究热点。　　本文对基于数据融合的机械故障诊断技术做了深入研究,主要工作如下:　　(1)在对数据融合基础理论研究的基础上,构建了采用局部神经网络与证据理论相结合的数据融合机械故障诊断通用框架。　　(2)研究了故障信息的特征提取,提出将小波包分解提取的各频率能量作为局部神经网络的输入向量,并构造实验平台,对采集数据进行分析,对采样神经网络进行设备故障诊断提供理论指导依据。　　(3)分析了BP神经网络在故障模式识别中的优缺点,对比RBF神经网络,提出了将RBF神经网络作为局部神经网络,对各传感器采集的信号分别做特征级融合。通过验证分析,结果充分验证此方法的有效性。　　(4)通过对神经网络和证据理论优缺点的分析研究,给出了神经网络与D-S证据理论结合使用的算法和原理。结果证明,使用D-S理论对神经网络给出的证据进行融合后,对机械状态判别的结果更为准确。　　(5)提出了一套综合神经网络和证据理论的虚拟仪器智能诊断系统的设计与实现方法。该系统采用模块化设计,主要设计模块包括:信号发生模块、数据采集模块、时域分析模块、频域分析模块、故障诊断模块。文中对各个模块的设计过程做出了详细介绍。经实验证明,该系统功能全、精度高、界面友好、具有一定的通用性,为今后机械装备故障诊断的进一步开发应用打下了基础。　　本文通过理论与实验相结合的方法,对神经网络和证据理论在机械装备故障诊断中的应用进行了较为深入地研究,并搭建了一套基于虚拟仪器的智能诊断系统。实验结果的数据分析,充分验证了理论的正确性与系统的实用性。