于曉英，董 煜，董 昱

(1. 蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070;2.蘭州工業(yè)學(xué)院 電氣工程學(xué)院，甘肅 蘭州 730050)

軌道電路能夠檢測(cè)線路狀態(tài)、傳遞行車信息、監(jiān)督區(qū)間占用情況， 對(duì)確保列車的安全運(yùn)行發(fā)揮著極其重要的作用。然而軌道電路處于室外，自然環(huán)境等因素時(shí)常導(dǎo)致其發(fā)生故障，大大影響行車效率，甚至造成安全事故。目前，軌道電路故障后，大多依靠電務(wù)維修人員的經(jīng)驗(yàn)判斷給出故障類型結(jié)果，這種方式精度低、效率差[1]。

為了解決人工處理軌道電路故障存在的問題，國(guó)內(nèi)學(xué)者嘗試將人工智能應(yīng)用到軌道電路的故障診斷中。文獻(xiàn)[2]將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合用于25 Hz軌道電路的常見故障分類識(shí)別。文獻(xiàn)[3]中建立了基于反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)的25 Hz軌道電路分路不良預(yù)警系統(tǒng)。文獻(xiàn)[4]中使用Min-Ambiguity算法訓(xùn)練診斷決策表，并依此建立了模糊決策樹模型，對(duì)軌道電路進(jìn)行故障診斷。但由于軌道電路本身結(jié)構(gòu)復(fù)雜，導(dǎo)致其發(fā)生故障的原因很多，并且故障原因和故障特征參數(shù)之間也不存在明確的一一對(duì)應(yīng)關(guān)系。在不同環(huán)境下，軌道電路的相關(guān)參數(shù)在數(shù)值上的表現(xiàn)也會(huì)有所差異，數(shù)據(jù)本身存在模糊性和不確定性。由于單一故障診斷方法知識(shí)庫不完善且考慮角度的片面性[5]，在實(shí)際應(yīng)用中往往存在局限性，會(huì)導(dǎo)致部分故障診斷精度偏低，很難滿足軌道電路故障診斷的實(shí)際需求。

針對(duì)單一方法的不足，本文建立了基于多方法證據(jù)融合的25 Hz軌道電路故障診斷模型。通過灰色關(guān)聯(lián)分析、模糊綜合評(píng)判、BP神經(jīng)網(wǎng)絡(luò)三種方法的診斷輸出結(jié)果構(gòu)造基本概率賦值(Basic Probability Assignment, BPA)，然后利用各證據(jù)的可靠度和信任度確定權(quán)值并依此重構(gòu)證據(jù)，最后引入證據(jù)理論合成規(guī)則進(jìn)行融合得到軌道電路的最終診斷結(jié)果?；疑P(guān)聯(lián)分析以數(shù)據(jù)分析為基礎(chǔ)，通過建立故障診斷標(biāo)準(zhǔn)參考模型來確定含有故障模式的待檢測(cè)模型，達(dá)到準(zhǔn)確診斷故障類型的目的。模糊綜合評(píng)判建立了故障原因與特征參數(shù)對(duì)應(yīng)的關(guān)系矩陣，并選取合適的隸屬度權(quán)值，通過模糊變換實(shí)現(xiàn)故障的分類識(shí)別。BP神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練學(xué)習(xí)的方式解決軌道電路故障診斷的非線性問題。同時(shí)，證據(jù)理論對(duì)三種算法進(jìn)行融合，既能發(fā)揮證據(jù)理論處理不確定性問題的能力，又能發(fā)揮證據(jù)理論合成規(guī)則在數(shù)據(jù)融合方面的優(yōu)勢(shì)[6]。

1 初步診斷算法

1.1 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析是根據(jù)待檢測(cè)參數(shù)序列與標(biāo)準(zhǔn)參數(shù)序列的相關(guān)程度來判斷故障原因的方法。設(shè)XI為第I個(gè)標(biāo)準(zhǔn)參數(shù)序列，XI={XI(k)︱k=1,2,…,n}；YJ為第J個(gè)待檢測(cè)參數(shù)序列，YJ={YJ(k)︱k=1,2,…,n}[7]。則XI(k)和YJ(k)的關(guān)聯(lián)系數(shù)可以表示為

(1)

ΔIJ(k)=|XI(k)-YJ(k)|

(2)

式中:Δmin為ΔIJ(k)的最小值；Δmax為ΔIJ(k)最大值；ρ為分辨系數(shù)，通常取值為ρ=0.5[8]。該序列對(duì)應(yīng)的灰色關(guān)聯(lián)度為

(3)

1.2 模糊綜合評(píng)判

模糊綜合評(píng)判是通過模糊數(shù)學(xué)對(duì)多種原因?qū)е鹿收线M(jìn)行分類評(píng)價(jià)的方法。設(shè)U=[x1x2…xn]為因素矩陣，表示決策可能發(fā)生的多種故障原因組成的矩陣；V=[v1v2…vm]為評(píng)語矩陣，表示用來決策故障原因的多種特征參數(shù)組成的矩陣。

用rji(0≤rji≤1)表示U中的第i種故障原因?qū)?yīng)V中第j個(gè)特征參數(shù)的隸屬度，其數(shù)值大小代表故障發(fā)生的可能性[9]。則U和V的模糊關(guān)系矩陣R為

(4)

U=V°R

(5)

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)[3]。本文以故障參數(shù)作為輸入神經(jīng)元，以故障原因作為輸出神經(jīng)元，構(gòu)建三層神經(jīng)網(wǎng)絡(luò)，并根據(jù)式(6)及其訓(xùn)練結(jié)果來確定隱含層神經(jīng)元的個(gè)數(shù)[11]。

(6)

式中：L為隱含層節(jié)點(diǎn)個(gè)數(shù)；P為輸入節(jié)點(diǎn)個(gè)數(shù)；Q為輸出節(jié)點(diǎn)個(gè)數(shù)；a(1≤a≤10)為常數(shù)。

BP學(xué)習(xí)算法的本質(zhì)就是求解式(7)誤差函數(shù)的最小值。在訓(xùn)練網(wǎng)絡(luò)時(shí)，通過誤差的逆向傳播對(duì)權(quán)值和閾值不斷進(jìn)行調(diào)節(jié)，使誤差滿足設(shè)定的精度要求，當(dāng)樣本的實(shí)際輸出與其期望輸出結(jié)果一致時(shí)，則訓(xùn)練過程結(jié)束[3]。記錄此時(shí)的權(quán)值，保存訓(xùn)練好的網(wǎng)絡(luò)。

(7)

式中：ti為期望輸出；td為實(shí)際輸出；N為學(xué)習(xí)樣本個(gè)數(shù)。

2 證據(jù)理論

2.1 證據(jù)理論

假設(shè)，m1和m2為同一識(shí)別框架Θ中的兩個(gè)獨(dú)立BPA函數(shù)，{A1,A2,…,An}為m1對(duì)應(yīng)的命題，{B1,B2,…,Bn}為m2對(duì)應(yīng)的命題，則證據(jù)理論合成規(guī)則如下

(8)

(9)

式中：k(0≤k≤1)為沖突因子，表示各證據(jù)間相互沖突的程度[13]。多個(gè)證據(jù)的合成規(guī)則建立在兩個(gè)證據(jù)合成規(guī)則的基礎(chǔ)上，n個(gè)證據(jù)的合成就是將這n個(gè)證據(jù)分成n-1次兩個(gè)證據(jù)的合成。若將兩個(gè)證據(jù)的合成記為m1?m2，則n個(gè)證據(jù)的合成可以記為m1?m2?…?mn。可以將多個(gè)證據(jù)合成規(guī)則進(jìn)行推廣，即

(10)

(11)

2.2 BPA的構(gòu)造

證據(jù)合成首先需要確定各證據(jù)BPA的分配[14]。本文分別采用三種單一方法對(duì)軌道電路故障數(shù)據(jù)進(jìn)行初步診斷，并根據(jù)各診斷輸出構(gòu)造BPA。由于三種單一方法的輸出結(jié)果均不符合各證據(jù)BPA的分配條件，因此，將三種方法的診斷輸出進(jìn)行歸一化處理并概率轉(zhuǎn)換后，用pij表示第i種故障診斷方法對(duì)第j個(gè)命題的診斷輸出，則

(12)

3 證據(jù)理論的改進(jìn)方法

采用三種方法對(duì)故障進(jìn)行診斷，各方法的診斷結(jié)果必定存在一定的差異，產(chǎn)生證據(jù)沖突也是不可避免的，這也可能導(dǎo)致證據(jù)合成產(chǎn)生不合情理的結(jié)果。為了解決這個(gè)問題，研究者分別提出了基于證據(jù)加權(quán)平均[15]、Jousselme證據(jù)距離[16]、相對(duì)可信度[17]、支持度[18]、折扣因子[19]等方法。這些方法均以證據(jù)在數(shù)值上的某種可靠性因素為權(quán)值，對(duì)不同證據(jù)進(jìn)行加權(quán)重組[20]。但仍有很多其他因素會(huì)對(duì)證據(jù)的可靠性產(chǎn)生影響，需要納入考慮。

針對(duì)本研究的實(shí)際情況，要合理地確定權(quán)值，不僅要考慮各證據(jù)診斷結(jié)果數(shù)值上的差異，還需考慮診斷模型性能的區(qū)別。基于此，本文將可靠度和信任度相結(jié)合來確定權(quán)值并重構(gòu)各證據(jù)BPA。

3.1 可靠度

證據(jù)的可靠度用來衡量初步診斷的可靠程度[21]。設(shè)x(t)為診斷對(duì)象t(t=1,2,…,m)時(shí)刻的屬性值，若x(t)有n種診斷方法，xi(t)表示第i個(gè)診斷方法t時(shí)刻的診斷結(jié)果[19]，則第i個(gè)診斷方法t時(shí)刻的診斷誤差為

eit=x(t)-xi(t)

(13)

相應(yīng)的診斷誤差信息矩陣為

E=[(eit)n×m][(eit)n×m]T

(14)

用C=[c1c2…cn]T表示各診斷方法對(duì)應(yīng)的可靠度分配權(quán)值，將n個(gè)診斷方法進(jìn)行線性組合后，得到診斷模型為

(15)

且c1+c2+…+cn=1。則組合模型t時(shí)刻的診斷誤差為

(16)

計(jì)算并化簡(jiǎn)得到組合模型的診斷誤差平方和為

(17)

以S最小為約束條件，通過求解模型(18)來得到最優(yōu)權(quán)值作為各算法的可靠度

minS=CTEC

s.t.RT=[1 1 … 1]1×n

(18)

引入Lagrange算子λ求解該模型，得到

CTEC-2λ(RTC-1)=0

(19)

對(duì)C求導(dǎo),可得

C=λE-1R

(20)

對(duì)λ求導(dǎo)，可得

(21)

由式(20)、式(21)解出可靠度C為

(22)

3.2 信任度

證據(jù)的信任度用于衡量初步診斷結(jié)果構(gòu)造的證據(jù)BPA數(shù)值，可以通過證據(jù)距離和不確定度來獲取證據(jù)的信任度。

3.2.1 證據(jù)距離

在同一識(shí)別框架Θ中存在N個(gè)獨(dú)立的命題Aj(j=1,2,…,N)，且有n個(gè)BAP為mi(i=1,2,…,n)。首先，計(jì)算各命題BPA的離均差為

(23)

然后，根據(jù)離均差定義mi的證據(jù)距離為

(24)

dBPA越大，說明該證據(jù)與其他證據(jù)的差異越大，其信任度應(yīng)該越低；反之，dBPA越小，說明該證據(jù)與其他證據(jù)的差異越小，其信任度應(yīng)該越高[17]。

3.2.2 不確定度

本文選用多義度AM來進(jìn)行證據(jù)不確定度的計(jì)算[20]。假設(shè)Θ為辨識(shí)框架，m是BPA，則

(25)

3.2.3 信任度

證據(jù)的信任度與證據(jù)距離和不確定度變化方向相反，在構(gòu)造函數(shù)模型時(shí)，可取恰當(dāng)?shù)慕岛瘮?shù)，如求倒數(shù)，但是，當(dāng)AM和dBPA為0時(shí)無法進(jìn)行倒數(shù)求取運(yùn)算，因此，本文在構(gòu)建證據(jù)信任度模型過程中，采用的降函數(shù)為以e為底的負(fù)指數(shù)函數(shù)。

Q(mi)=exp(-α·dBPA·AM)

(26)

圖1中負(fù)指數(shù)函數(shù)曲線表明，在定義域[0，+∞)上，該函數(shù)為單調(diào)遞減函數(shù)，值域?yàn)閇0,1]。證據(jù)距離dBPA和不確定度AM均大于零，所以dBPA·AM也大于零，dBPA·AM數(shù)值越大，則證據(jù)信任度越小，滿足信任度與證據(jù)距離和不確定度間的逆向關(guān)系。α為負(fù)指數(shù)函數(shù)系數(shù)，那么，α值越大，對(duì)證據(jù)信任度的抑制作用就越明顯。但是因?yàn)槿魏巫C據(jù)都會(huì)保留一定的有用信息，α值不宜過大從而造成過度抑制[22]。

圖1 負(fù)指數(shù)函數(shù)曲線

3.3 證據(jù)重構(gòu)

可靠度體現(xiàn)的是各診斷模型在性能上的可靠程度；信任度體現(xiàn)的是各證據(jù)BPA在數(shù)值上的差異情況，將可信度和確定度結(jié)合，進(jìn)行歸一化后得到各證據(jù)BPA的重構(gòu)權(quán)值為

(27)

以ωi為加權(quán)系數(shù)進(jìn)行證據(jù)加權(quán)重構(gòu)，m為各證據(jù)進(jìn)行重構(gòu)后的BPA值。

(28)

按照證據(jù)理論合成規(guī)則將證據(jù)重構(gòu)得到的BPA進(jìn)行n-1次融合，根據(jù)最大隸屬原則決策故障結(jié)論[17]。

4 故障診斷模型建立

4.1 模型參數(shù)的確定

本文以25 Hz相敏軌道電路作為研究對(duì)象，總結(jié)其常見故障類型，選取5種典型故障類型作為診斷模型的輸出參數(shù)，如表1所示。

表1 故障類型及現(xiàn)象

4.2 故障參數(shù)預(yù)處理

為了保證各特征參數(shù)在進(jìn)行不同方法診斷時(shí)的同序性和等效性，對(duì)各故障特征參數(shù)進(jìn)行歸一化處理

(29)

式中：T為變換數(shù)據(jù)，即目標(biāo)數(shù)據(jù)；X為原始數(shù)據(jù)；Xmax為原始數(shù)據(jù)的最大值；Xmin原始數(shù)據(jù)的最小值。

4.3 故障診斷步驟

本文提出的基于多方法證據(jù)融合的軌道電路故障診斷方法的診斷過程見圖2，具體診斷步驟為：

圖2 診斷流程

Step1故障數(shù)據(jù)特征量的提取，數(shù)據(jù)預(yù)處理，并進(jìn)行三種方法的初步診斷。

Step2以各算法的診斷輸出結(jié)果構(gòu)造三組證據(jù)的BPA，并計(jì)算可靠度和信任度。

Step3確定各證據(jù)的分配權(quán)重，進(jìn)行證據(jù)重構(gòu)得到BPA，再利用證據(jù)理論合成規(guī)則進(jìn)行n-1次融合，以最大隸屬原則決策故障結(jié)論。

4.4 初步診斷

4.4.1 灰色關(guān)聯(lián)分析

本文采用專家打分的方法建立各故障狀態(tài)下的標(biāo)準(zhǔn)模式軌道電路故障特征參數(shù)序列，首先，選取10位專家為每種故障狀態(tài)下的特征參數(shù)值打分，然后，對(duì)打分結(jié)果進(jìn)行加權(quán)平均，求得各故障狀態(tài)下的特征參數(shù)平均值，最后進(jìn)行歸一化得到各故障標(biāo)準(zhǔn)特征序列如表2所示。其中，特征輸入?yún)?shù)Ub為送電端扼流變壓器二次側(cè)電壓，Uz為受電端軌面電壓，Ug為二元二位繼電器軌道線圈電壓。

表2 各故障標(biāo)準(zhǔn)特征序列

將待測(cè)樣本數(shù)據(jù)與標(biāo)準(zhǔn)特征參數(shù)進(jìn)行灰色關(guān)聯(lián)度計(jì)算，得到灰色關(guān)聯(lián)分析的診斷結(jié)果。

4.4.2 模糊綜合評(píng)判

模糊綜合評(píng)判故障診斷模型的評(píng)語集為特征參數(shù)，因素集為故障分類。軌道電路特征參數(shù)對(duì)應(yīng)的故障隸屬度分為4個(gè)等級(jí)，分別為0.8(很有可能)、0.6(比較可能)、0.4(有可能)、0.2(不太可能)，建立隸屬度模型。通過層次分析法得到各故障特征參數(shù)在各故障狀態(tài)下的權(quán)值分配，如表3所示。最后進(jìn)行模糊變換得到診斷結(jié)果。

表3 特征參數(shù)權(quán)值分配

4.4.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入神經(jīng)元為故障特征參數(shù)，輸出神經(jīng)元為軌道電路故障類型。隱含層傳輸函數(shù)為雙向正切S型函數(shù)tansig，輸出層傳輸函數(shù)為線性函數(shù)purelin，系統(tǒng)輸出誤差ε<10-5，學(xué)習(xí)函數(shù)為L(zhǎng)-M優(yōu)化函數(shù)trainlm，學(xué)習(xí)速率為0.05，訓(xùn)練網(wǎng)絡(luò)，建立故障診斷數(shù)據(jù)庫。

5 故障實(shí)例分析

5.1 初步診斷

引入由灰色關(guān)聯(lián)分析、模糊綜合評(píng)判和BP神經(jīng)網(wǎng)絡(luò)三種方法建立的故障診斷模型，對(duì)191組軌道電路故障樣本數(shù)據(jù)進(jìn)行初步診斷，其診斷結(jié)果如表4所示。

表4 單一方法診斷結(jié)果

另外再針對(duì)每種故障類型各選取一組樣本數(shù)據(jù)作為故障診斷實(shí)例進(jìn)行分析，預(yù)處理后的數(shù)據(jù)如表5所示。

表5 各故障類型示例數(shù)據(jù)

經(jīng)過三種方法初步診斷后，診斷輸出構(gòu)造的BPA如表6～表8所示。

表6 灰色關(guān)聯(lián)分析診斷結(jié)果構(gòu)造的BPA

表7 模糊綜合評(píng)判診斷結(jié)果構(gòu)造的BPA

表8 BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果構(gòu)造的BPA

對(duì)以上數(shù)據(jù)分析，計(jì)算第五組數(shù)據(jù)中三組證據(jù)的沖突程度，沖突系數(shù)k12=0.796 388，k13=0.734 399，k23=0.728 1049，說明這三組證據(jù)之間存在較大沖突，需要消除沖突再進(jìn)行證據(jù)融合。

5.2 權(quán)值的確定

5.2.1 可靠度計(jì)算

由表2可得誤判率矩陣e為

由式(14)計(jì)算得出信息誤差矩陣E為

根據(jù)式(22)則可解得三種方法對(duì)應(yīng)的可靠度為

5.2.2 信任度計(jì)算

根據(jù)各證據(jù)的BPA計(jì)算出對(duì)應(yīng)的證據(jù)距離矩陣為

根據(jù)各證據(jù)的BPA計(jì)算出對(duì)應(yīng)的不確定度矩陣為

通過對(duì)系數(shù)α取不同數(shù)值對(duì)其進(jìn)行確定，分別取α=1、α=5、α=10對(duì)5組數(shù)據(jù)進(jìn)行計(jì)算分析，對(duì)各證據(jù)信任度的計(jì)算對(duì)比如表9所示。

表9 不同系數(shù)信任度計(jì)算結(jié)果對(duì)比

由表9可以看出，當(dāng)α=1時(shí)，獲得的證據(jù)可信度都有較大的取值，但三組證據(jù)之間的信任度差別不大，因?yàn)橥ㄟ^歸一化的方法求權(quán)值分配，此時(shí)三者之間的比例關(guān)系不太明顯，說明對(duì)可信證據(jù)的支持作用以及不可信證據(jù)的抑制作用并不明顯。當(dāng)α=5時(shí)，獲得證據(jù)的信任度都比較小，但是三組證據(jù)之間的信任度具有一定的差距，此時(shí)三者之間的比例關(guān)系比較明顯，說明對(duì)可信證據(jù)具有一定的支持作用以及對(duì)不可信證據(jù)具有一定的抑制作用。當(dāng)α=10時(shí)，獲得證據(jù)的信任度都非常小，三組證據(jù)之間的信任度具有很大的差距，此時(shí)三者之間的比例關(guān)系非常大，說明對(duì)可信證據(jù)的支持作用以及不可信證據(jù)的抑制作用非常大，可能造成過度抑制或支持。所以，選取α=5較為合理。

5.2.3 權(quán)值計(jì)算

根據(jù)所得的可靠度和信任度歸一化可得五組數(shù)據(jù)的證據(jù)重構(gòu)權(quán)值為

5.3 重構(gòu)證據(jù)合成

根據(jù)以上確定的權(quán)值，對(duì)三種不同方法初步診斷所得到的BPA進(jìn)行重構(gòu)，可得重構(gòu)的BPA如表10所示。

表10 重構(gòu)BPA

利用證據(jù)理論合成規(guī)則對(duì)重構(gòu)BPA進(jìn)行兩次合成，結(jié)果如表11所示。引入文獻(xiàn)[15]中提出的加權(quán)平均組合法和文獻(xiàn)[18]中提出的證據(jù)距離組合法重組本文初步診斷所構(gòu)造的BPA，并對(duì)比檢驗(yàn)本文所采用的方法的融合效果。從試驗(yàn)數(shù)據(jù)可明顯看出，表6中灰色關(guān)聯(lián)分析初步診斷結(jié)果的第3組FC類故障數(shù)據(jù)被錯(cuò)誤診斷為FA類故障，表8中BP神經(jīng)網(wǎng)絡(luò)初步診斷結(jié)果的第1組FA類故障數(shù)據(jù)被錯(cuò)誤診斷為FD類故障。在經(jīng)過本文方法融合之后，表11中的診斷結(jié)果正確，說明本文提出故障診斷方法能夠有效地糾正單一方法錯(cuò)誤的診斷結(jié)果。為了更加直觀地進(jìn)行比較分析，在圖3中分別描繪了5組示例數(shù)據(jù)的各方法診斷結(jié)果對(duì)應(yīng)的BPA對(duì)比圖，對(duì)比文獻(xiàn)[15]組合方法和文獻(xiàn)[18]組合方法，本文方法具有更高的辨識(shí)度。綜上所述，本文證據(jù)組合方法符合三種方法診斷結(jié)果構(gòu)造BPA的影響要素和邏輯推理，另外其收斂速度也高于文獻(xiàn)[15]和文獻(xiàn)[18]的方法，組合結(jié)果的準(zhǔn)確性也得以提高。

表11 合成結(jié)果

圖3 各方法診斷結(jié)果BPA對(duì)比

根據(jù)3種單一方法和本文改進(jìn)證據(jù)理論診斷方法對(duì)192組軌道故障進(jìn)行診斷，將得到的診斷結(jié)果的誤判個(gè)數(shù)和誤判率列于表12中。

表12 診斷結(jié)果對(duì)比

由表12比較結(jié)果可以看出，本文所提出的多方法證據(jù)融合故障診斷方法只有11組數(shù)據(jù)診斷錯(cuò)誤，并將誤判率降低到了5.759 2，相比單一方法，軌道電路故障診斷的準(zhǔn)確度明顯提高，從而證明了本文方法的有效性。

6 結(jié)論

(1) 提出可靠度和信任度相結(jié)合的權(quán)值確定方法，不僅考慮了初步診斷方法性能上的差異，還考慮了初步診斷輸出結(jié)果數(shù)值上的差異，對(duì)影響證據(jù)權(quán)值分配的因素進(jìn)行了全面的衡量，合理消除了各證據(jù)之間存在的沖突。

(2) 本文提出了基于多方法證據(jù)融合的故障診斷方法，為多種方法的組合以及證據(jù)理論的實(shí)際應(yīng)用提供了新的思路。試驗(yàn)結(jié)果表明，該方法的診斷準(zhǔn)確度高于初步診斷的3種單一方法，診斷穩(wěn)定，具有良好的應(yīng)用前景。