故障诊断的信息融合方法,就是要对含有不确定性的多源故障特征进行综合处理,从而获得比任何单源特征信息更为准确和可靠的诊断结果。该类方法在实际应用中,需要注重两个问题,一是如何对多源故障特征属性进行约简(降维),力争用最少种类的特征诊断出所有的故障类型,从而满足设备故障诊断的实时性要求;二是如何对具有不确定性的特征数据进行建模与融合,使得融合结果最接近真实的设备故障状态,从而满足设备故障诊断的精准性需求。本文综合利用粗糙集理论和证据理论,在研究以上两个问题的同时,针对旋转机械故障诊断,给出了从故障特征提取、约简,故障特征的不确定性建模到特征的融合与故障决策,一体化设计下的信息融合方法。具体研究内容包括:(1)基于k均值与随机模糊变量(Random Fuzzy Variable,RFV)的故障特征数据离散化方法。利用k均值将某一故障特征下的所有历史故障样本数据划分为多个数簇,每个数簇对应一个离散值,建立每个数簇的RFV模型,在证据理论意义下,将历史样本数据与RFV模型匹配,即可获取每个样本的离散信度表示,并根据信度最大化原则确定其对应的离散值。以故障特征为条件属性,故障模式为决策属性,建立关于故障历史样本的决策信息系统。(2)基于信度区间的故障特征约简方法。针对(1)中得到的决策信息系统,建立相应的压缩二进制矩阵,获取核属性集。将其余每个属性与核属性集组合成新的属性集,利用每个新属性集计算得到关于决策属性所有等价类的上下近似,并结合粗糙集上下近似与证据理论信度测度的关联关系,获得对应的信度区间及其宽度,将具有最小区间宽度的属性加入核属性集,从而获取约简后的故障特征属性。(3)基于K近邻证据融合的故障诊断方法。针对(2)中约简后的故障特征,利用每种特征在不同故障下的历史样本数据构建RFV形式的故障样板模式,基于K近邻算法获得距待检样本最近的K个历史样本,并定义这K个历史样本的RFV型待检模式。通过匹配待检RFV和样板RFV,获取K条近邻证据,融合K条近邻证据,获取对应故障特征的局部诊断证据,再融合不同故障特征的局部诊断证据获得全局诊断证据,根据该结果对待检样本作出诊断。