1.基于多传感器融合的机械故障诊断方法，其特征在于：具体包括如下步骤：步骤1、确定机械设备故障的辨识框架Θ＝{θ1,θ2,…,θl,…,θN}，l＝1,2,…,N，θl为第l种故障类型；

步骤2、通过放置在不同位置的传感器采集机械设备的相关运行数据，将采集到的数据分为训练集和测试集；通过区间数模型对采集的训练集样本进行建模，计算测试集样本与模型之间的相似度，构建验证样本的证据即基本概率指派函数；将每一个证据看作一个向T量，第i个证据的向量用mi＝(mi(θ1),…,mi(θr),…,mi(θk))表示，其中i＝1,2,...,n，n为证N据向量的总数，θr为焦元且 k为辨识框架Θ中的焦元个数，r＝1,2,…,k，k＝2 ；

步骤3、计算得到的第i个证据向量mi的各个焦元的信度函数Bel和似真函数Pl，构成支持区间[Beli(θr),Pli(θr)]；

N

其中， r＝1,2,…,k， mi(θe)≠0，e＝1,2,…,k，k＝2 ；

步骤4、由得到的第i个证据向量mi的各个焦元的支持区间和第j个证据向量mj的各个焦元的支持区间，通过下述公式计算证据向量mi和证据向量mj之间的区间距离，得到第i个证据向量mi和第j个证据向量mj之间的区间距离dX(mi,mj)；

其中， 且mi(θr)≠0或mj(θr)≠0；

步骤5、由步骤4中所求的第i个证据向量mi和第j个证据向量mj之间的区间距离dX(mi,mj)，构造n个证据之间的差异度矩阵D，差异度矩阵D公式如下：步骤6、计算第i个证据向量mi与其它n‑1个证据向量的平均区间距离步骤7、计算第i个证据向量mi的支持度

步骤8、通过下述公式计算第i个证据向量mi的改进的信度熵E′bel(mi)，用来量化证据的不确定性程度；

其中，|X|＝|θr∪θ|，θ＝θ1∪θ2∪…∪θt∪…∪θs，|X|表示X中元素的个数；|θr|表示θr中元素的个数，θr为辨识框架Θ中的一个焦元， θ为辨识框架Θ中除θr以外所有基本概率赋值非0的焦元之间的并集，t＝1,2,…,s， θt≠θr，m(θt)≠0；

步骤9、计算第i个证据向量mi的信息量

步骤10、根据所求的第i个证据向量mi的支持度 和第i个证据向量mi的信息量计算得到第i个证据mi的权重因子ωi，

步骤11、根据步骤10中所求的证据mi的权重因子ωi通过下述公式对原始证据向量mi进行加权平均，得到修正后的证据向量m′i；采用Dempster组合规则对修正后的证据向量m′i进行n‑1次融合，融合后基本概率赋值m(Ap)的最大值对应的焦元Ap即为机械故障诊断的决策结果对应的故障诊断类型，其中，m(Ap)表示焦N元Ap的基本概率赋值； p＝1,2,…,2。

2.根据权利要求1所述的基于多传感器融合的机械故障诊断方法，其特征在于：所述的步骤2的具体步骤为：‑

步骤2‑1、分别确定训练样本中属于焦元θr的样本在属性attj上的最小值ar和最大值ar+ ‑ + N，ar＝[ar ,ar ]即为焦元θr在属性atti下的区间数模型，其中 r＝1,2,…,2 ，i＝1,

2,…,n，对训练样本中的每一个属性进行建模，可以得到n个不同的属性模型；

步骤2‑2、计算测试样本的各个属性与对应的属性模型之间的区间数相似度S(ar,b)；

步骤2‑3：对步骤2‑2中获取的相似度进行归一化，归一化后的结果作为基本概率指派函数，mi(θr)表示为焦元θr在属性atti的基本概率赋值，属性atti下的所有焦元的基本概率T赋值组成一组证据，表示为：mi＝(mi(θ1),…,mi(θr),…,mi(θk)) ，其中i＝1,2,...,n，n为证N据向量的总数，θr为焦元且 k为辨识框架Θ中的焦元个数，r＝1,2,…,k，k＝2 ；

3.根据权利要求1所述的基于多传感器融合的机械故障诊断方法，其特征在于：所述的Dempster组合规则为：N N

其中，m(Ap)表示焦元Ap的基本概率赋值， p＝1,2,…,2 ，r,l＝1,2,…,2 ， 为空集。

4.根据权利要求2所述的基于多传感器融合的机械故障诊断方法，其特征在于：所述的步骤2‑2中区间数相似度具体内容为：‑ +

假设测试集中的一个测试样本ξ在属性atti下的区间数为b＝[b ,b]，通过下面区间数之间的相似度计算公式，计算测试样本与焦元θr在属性atti下的模型之间的区间数相似度S(ar,b)；

若 此时分母为0无意义，直接令S

(ar,b)＝1。