1.一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法，其特征在于该方法包括以下步骤：(1)设定电力推进船舶轴系推进系统机械故障集合Θ＝{F1,…,Fi,…,FN}，Fi代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数；设定安装在基座和支架位置上的振动位移传感器获得所在位置的时域振动加速度信号为{S1(r),…Sm(r),…SM(r)}，电机以

150r/min-200r/min的转速转动，每次采集8s的时域振动加速度信号，在每种故障模式下分别采集n次，则共采集sum＝N*n次，采样次数r＝1,2,...,sum，M为传感器个数；

(2)将步骤(1)中每次采样的时域振动加速度信号{S1(r),…Sm(r),…SM(r)}进行快速傅里叶变换，变换为相应的频域信号，然后选取1倍基频、2倍基频和3倍基频的幅值作为故障特征信号{x1(r),…xj(r),…xJ(r)}，故障特征信号个数J＝3*M；将{x1(r),…xj(r),…xJ(r)}表示成样本集合U＝{[x1(r),…xj(r),…xJ(r)]|r＝1,2,…,sum}，其中x(r)＝[x1(r),…xj(r),…xJ(r)]为一个样本向量；

(3)利用K均值算法将这sum个向量样本中每一个信号源的输入特征信号xj(r)按照从小到大的顺序划分为K个数据簇{X1,j,...Xk,j,...,XK,j}，数据簇对应的聚类中心按从小到大排序为 设定特征数据离散后的取值集合V＝{1,...t,...,K}，每一个数据簇对应V中的一个离散值t，数据簇里面的所有输入特征信号xj(r)对应该数据簇的离散值t，具体步骤如下：(3-1)在输入特征信号xj下的数据集合{xj(1),...xj(r),...,xj(sum)}中随机选取K个数据 分别作为数簇{X1,j,...Xk,j,...,XK,j}的中心；

(3-2)对于剩余的数据xj(r)，计算其到每一个中心的距离dk(r)，t＝1,2,...K,并将该值分配至最近的中心所在的数簇Xk,j；

(3-3)重新计算各数簇中心

其中|Xk,j|代表数簇Xk,j的元素个数；

(3-4)若各中心不再改变，即聚类准则函数收敛，得到划分完成的数据簇，每一个数据簇对应V中一个离散值；否则，重复步骤(3-2)和步骤(3-3)；

(4)设定Aj＝{a1,j,a2,j,...ak,j,...,aK+1,j,aK+2,j}为输入特征信号xj(r)的输入参考值集合，{a1,j，aK+2,j}分别为输入特征信号xj(r)的最小值和最大值，{a2,j,...,aK+1,j}为步骤(3)中输入特征信号xj的按照从小到大排列的聚类中心(5)将sum个样本向量中的每一个输入特征信号xj(r)附上对应的故障种类变成二元样本对(xj(r),Fi)；分别用定性信息转换方法变化为关于参考值相似度的形式，并构造所有二元样本对以相似度形式进行投点的统计表，具体步骤如下：(5-1)二元样本对(xj(r),Fi)的输入值xj(r)匹配参考值ak,j的相似度分布为UT(xj(r))＝{(ak,j,vk,j)|j＝1,...,J；k＝1,...,K+2}     (2a)其中

vk',j＝0 k'＝1,...,K+2,k'≠k,k+1    (2c)vk,j表示输入值xj(r)匹配参考值ak,j的相似度；

(5-2)根据步骤(5-1)，二元样本对(xj(r),Fi)可以被转化为相似度分布的形式(vk,j,vk+1,j)，其中vk,j表示二元样本对(xj(r),Fi)中输入值匹配参考值ak,j，同时结果值为Fi的相似度；

(5-3)根据步骤(5-1)和(5-2)，将样本集U中的所有二元样本对转化为相似度的形式，用它们可构造所有二元样本对以相似度形式进行投点的统计表，如下表1所示，其中bi,k,表示所有输入值xj(r)匹配参考值ak,j并且故障种类为Fi的二元样本对(xj(r),Fi)相似度的和， 表示所有结果值为Fi的二元样本对相似度的和， 表示所有输入值xj(r)匹配参考值ak,j的二元样本对相似度的和，并有

表1 二元样本对(xj(r),Fi)的投点统计表

(6)根据步骤(5)中的投点统计表，可获得当输入值xj(r)取参考值ak,j时，结果值为Fi的信度为并有 则可定义对应于参考值ak,j的证据为

因此，可构造出如表2所示的证据矩阵表来描述信息源输入值xj(r)和结果Fi之间的关系；

表2 输入信息源xj的证据矩阵表

(7)定义客观可靠性因子RSj描述输入信息源xj分辨故障种类的客观能力，具体获取步骤如下：(7-1)经过步骤(3)后的所有的样本构成用于粗糙集处理的决策表形式，如表3所示，此时输入特征信号为条件属性，故障模式为决策属性；

表3 经离散化处理后的决策表

U x1 … xj … xJ D

x(1) t1,1 … t1,j … t1,J F1

… … …   … … …

x(r) tr,1 … tr,j … tr,J Fi

… … … … … … …

x(sum) tsum,1 … tsum,j … tsum,J FN决策表中离散值tr,j∈V，D代表样本的决策属性；

(7-2)根据离散化后的决策表可以构造决策属性D的等价关系

RD＝{(x,y)∈U×U|D(x)＝D(y)}     (5)已知等价关系可以推导出等价类[x]D＝{y∈U|(x,y)∈RD}，最后由故障模式D对样本集合U的划分为：U/RD＝{[x]D,x∈U}    (6)

更直观地表示为U/RD＝{Y1,...,Yi,...,YN}，Yi分别是样本集U的子集，且Yi中样本决策属性都相同；输入信息源xj关于Yi的上近似和下近似分别为(7-3)经过步骤(7-2)获得 和xj(Yi)，可由下式计算输入信息源xj的客观可靠性因子其中

card()代表集合元素个数；

(8)定义证据的可靠性Rj描述输入信息源xj评估故障种类的能力；定义证据的权重Wj描述证据ej相较于其他证据的相对重要性,具体获取步骤如下：(8-1)定义信息源xj信度的总体不确定度为

(8-2)根据步骤(6)获得的客观可靠性因子RSj，(8-1)获得的信息源xj的总体不确定度，可由下式计算输入信息源xj的可靠性(8-3)设定证据ej的权重Wj等于对应的可靠性Rj，这是因为可靠性较高的证据理应对应有较高的证据权重，证据的权重可以利用数据驱动的优化方法训练；

(9)给定样本集中的任意一组输入样本向量x(r)＝[x1(r),…xj(r),…xJ(r)]，根据步骤(6)获得的输入证据矩阵表和步骤(8)获得的输入信息源可靠性Rj和证据权重Wj，可利用证据推理规则推理出故障种类Fi，具体步骤如下：(9-1)对于输入值xj(r)，其必然落入某两个参考值构成的区间[ak,j,ak+1,j]，此时这两个参考值对应的证据 和 被激活，则输入值xj(r)的证据可由参考值证据 和 以加权和的形式获得ej＝{(Fi,pi,j),i＝1,...,N}     (11a)(9-2)利用式(11a)和式(11b)获得x1(r)和x2(r)的证据e1和e2，通过证据推理规则对它们进行融合，得到融合结果为O＝{(Fi,pi,e(2)),i＝1,...,N}     (12a)(9-3)利用步骤(9-1)和步骤(9-2)递归地求出J条证据的融合结果为O(x(r))＝{(Fi,pi,e(J)),i＝1,...,N}，取值最大的pi,e(J)所对应的Fi即为真实发生的故障类型。