该文的主要工作是系统的学习了设备故障诊断的数据融合方法及融合功能的实现技术,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、提出了在旋转机械故障诊断中实际融合系统的功能模型和计算模型.在分析故障诊断中测量数据的特点、数据源、数据抽象级别和融合任务特点的基础上,建立故障诊断的数据融合的功能模型,明确融合任务使该模型能够更好地智能模拟诊断过程.2、对由同种类的多个传感器测量的一个信号,该文采用最小二乘估计的融合处理算法,用以产生比任何原始信号更为精确的新信号.最后将此信号通过快速傅立叶变换得到8个振幅特征和2个相位特征,用以寻找故障征兆.3、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,将数据级融合的结论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.充分发挥神经网络的并行处理信息的能力、容错能力、自学习、自适应等能力.4、在决策级的融合处理中,该文采用D-S证据理论的方法,通过融合准则,将不同测点的特征级诊断结论加以融合,从整体上对设备的故障状态作出全面的分析,获得了比原来单一测点的诊断结论更为精确可靠的结论,对于各个测点特征级输出不能给出一致性结论的情况下,作者提出,在融合过程中应当考虑传感器的精度.5、最后以50MW的汽轮发电机组的故障数据和正常数据为例,以MAT1AB为工具,对BP神经网络结合D-S推理的数据融合方法进行了验证.