工程机械内部由大量的摩擦学系统组成,机械零部件之间的摩擦磨损随机械运动持续发生,因此摩擦磨损是造成工程机械故障的主要原因之一。为了避免机械设备异常磨损带来的严重后果,需对工程机械磨损故障诊断进行研究,判断磨损故障的严重程度,辨识磨损故障模式,并以此为依据实现对设备的早期、快速维修保养。本文以工业机器人和柴油机两种复杂工程机械为研究对象,针对当前工程机械磨损故障诊断中存在的缺乏定量和定性信息的综合应用、信息不确定性、诊断模型复杂性和容错性需进一步改善等问题,基于置信规则库推理(BRB)方法和证据推理(ER)规则,开展智能诊断方法研究,主要工作如下:(1)基于BRB推理的工业机器人曲柄轴磨损故障诊断方法。针对工业机器人曲柄轴磨损特征和磨损严重程度之间存在着非线性映射关系的问题,综合利用定性和定量的信息,建立了基于BRB推理的工业机器人曲柄轴磨损故障诊断模型。以置信度的形式表示磨损故障信息中的模糊不确定性和未知不确定性,并利用解析证据推理对不确定信息进行融合与推理。相较于仅基于定量数据建模的方法,基于BRB推理的磨损故障诊断模型准确性高,模型可解释性好。(2)基于改进ER规则的柴油机磨损故障诊断方法。针对数据缺失而导致的诊断模型失效和线性加权融合不能准确拟合故障特征和故障模式间关系的问题,建立了基于改进ER规则的柴油机磨损故障诊断模型,使用ER算法对被激活的子证据进行非线性融合,替代原有线性加权求和的方式,更为准确的拟合了磨损故障特征与故障模式之间的非线性关系。为进一步有效确定证据的可靠性因子和重要性因子,本文提出一种基于信息熵的证据重要性因子确定方法和基于主成分分析(PCA)的证据可靠性因子确定方法,使得模型可以更客观、准确的确定证据初始的可靠性因子和重要性因子。(3)基于多分类器融合的柴油机磨损故障诊断方法。针对单个模型可能出现的诊断准确性低、容错性差等问题,构建了多分类器融合的磨损故障诊断模型,基于ER规则对改进ER规则模型、BRB模型、ANN模型在决策层进行融合。融合过程中,综合考虑各单个模型的准确性和稳定性确定各个模型的可靠性因子,通过GA优化各个模型的重要性因子,提高了模型的准确性和容错性。