一、建立診斷模型
　　數據融合分為像素級融合、特征級融合和決策級融合。本文采用特征級數據融合，其結構如圖1。它既可以有效利用信息又可以減少信息損失。

　　設有M個傳感器監視系統運行，每個傳感器可以提取不同的特征信號，如：電壓、頻率、功率譜等。融合中心的輸入為：

　　R=[S1，S2,……SM]

　　Si [Si1，Si2，……SiN]其中：Si 為第i個傳感器的輸出特征向量，Sij為第i個傳感器第j個特征值，Ni為第I個傳感器的特征向量維數，通常，Ni各不相同。系統中還有一些重要信息是不可測的，可以將他們以觀察、記錄的形式輸入融合中心。

　　融合中心對不同傳感器的不同特征向量的敏感度是不同的，對不同傳感器的不同特征分別賦予不同的權值：

　　wij為融合中心對第i個傳感器第j個特征值的敏感度，I為M個傳感器中最大特征維數。w ij,可由專家打分、統計試驗等方法確定。對于特征維數小于l的傳感器，用0補齊。

　　數據融合推理方式主要有貝葉斯推理、證據推理、模糊推理等。本文采用模糊推理技術，其結構如圖2。

　　首先將不同的特征值進行模糊化處理，對應得到一個隸屬度，模糊化處理可以采用不同的函數，本文采用正態函數：

　　μ（x）=exp｛-[（x-a）/b]2｝ （l）

　　模糊推理器由模糊推理規則組成，推理規則的一般模型為：

　　Y=R·X （2）

　　Y為故障原因向量，X為故障特征向量，R為推理矩陣或推理器。模糊推理的關鍵就在于R的獲取，其一般表達形式為：

　　if（sl1，and s12） then f1

　　if（s21 and S22） then f2 and f3

　　if（s11 and s12 and s31） then f1 and f2這種形式易于表達專家知識，解釋性強。

　　最后經過去模糊化，輸出診斷結果。去模糊化方法主要有重心法、最大隸屬度法、簡單平均法、水平重心法等。下面僅列出本文采用的重心法：

　　二、應用實例

　　以某系統加溫系統為例。主要測試項目有平臺臺體加溫檢查、陀螺加速度計加溫檢查、溫控電路檢查。分別用3個溫度傳感器測量3個部位的溫度。硬件連接結構如圖3。

　　將各個傳感器的輸出信號模糊化處理。由傳感器技術指標及專家經驗確定模糊化函數的參數。傳感器1的模糊化函數為：

　　根據專家經驗和故障分析得到部分推理規則，見表1。

　　反模糊化函數采用中心平均反模糊函數。部分實驗數據及診斷結果見表2。

　　由表2可知，對于符合已有規則的診斷結果完全正確，對于不在規則范圍內的數據，診斷結果也令人滿意，只是診斷隸屬度有所降低。

　　三、結束語

　　采用多傳感器數據融合技術有以下優勢：

　　1．充分利用傳感器信息，提高診斷可靠性；

　　2．利用模糊推理技術可以實現多故障同時性診斷，且可以充分利用專家知識；

　　3．規則易修改。專家知識的各個規則是相互獨立的，當發現不正確的規則時，只需刪除或修改錯誤規則，其他規則不受影響。

　　應用中注意的問題：

　　1．專家知識的獲取。專家知識在融合過程中起關鍵作用，錯誤的專家知識將導致錯誤的診斷結果；

　　2．傳感器特征信號的選擇和提取是診斷的依據，應充分分析傳感器信號形式。