基于异类多传感器数据融合的机械设备健康状态评估方法

摘要

本发明公开了一种基于异类多传感器数据融合的机械设备健康状态评估方法，包括如下步骤：首先对异类多传感器的信号分别去噪，然后提取出各种信号的敏感特征量，构造敏感特征量集，再将敏感特征量集作为BP神经网络的训练样本，建立基于BP神经网络故障诊断模型实现故障分离和诊断，并得出每个传感器对每一种的故障的识别率，构造成D‑S证据框架，最后利用D‑S证据理论的Dempster合成公式，求解得出了最大的可能性故障类型。本发明基于D‑S决策层的融合，使得分类诊断精度高、效率高，有效的提升了裂纹的诊断效果，便于工程实践中使用。