1.一种提供准确诊断决策的基于多传感器信号分析的故障诊断方法，其特征是：

包括下列步骤：

(1)利用单片机驱动多个传感器收集机组数据，机组运行参数包括供水温度、回水温度、水箱水温以及水箱水位，并与PC机进行串口通讯，将所采集的数据发送到PC机；

(2)机组振动信号的采集，采用无线传感器，通过无线模块将振动数据传到电脑上；

(3)获取各个传感器测量的热泵机组在运行过程中不同转态下的压力、温度、流量参数，并进行融合操作，构成不同状态下的特征向量；

(4)将获取的多个时刻或是多个运行状态的传感器数据构成的特征向量与状态进行模式映射，得出故障与征兆之间的关系，以此设计和训练神经网络来进行故障分类，以便系统进行故障诊断时，可以根据不同的故障征兆来完成模式映射过程；

(5)根据数据融合的特征向量维数，确定遗传算法优化的BP神经网络的结构，完成神经网络的训练过程，根据神经网络的训练结果，进行相关的优化；

(6)采用遗传算法对BP神经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到BP神经网络的最优权值和阈值；在此利用测试数据对优化后的BP神经网络进行训练，获得最终优化好的BP神经网络故障分类器；

(7)对于相应机械状态下获得的振动信号，进行去噪相关操作后，采用小波包分析方法对振动波形进行小波分解，获取三层小波分解后各个节点的重构小波系数与重构小波能量谱；

(8)从获取的重构小波系数与重构小波能量谱中提取各个节点的能量、方差以及小波系数数据，同样地将这些数据融合后，作为该振动信号的特征向量；

(9)使用粗糙集理论对振动信号的特征向量进行特征约简，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则；

(10)根据粗糙集约简后的规则，设计和训练对向传播神经网络，训练成功后，获取振动信号的故障模式分类器；

(11)进入故障决策融合阶段，按S3获取的信号的特征向量作为输入，利用步骤(6)训练好的神经网络故障分类器获取故障结果，同时按步骤(8)获取的振动信号的特征向量利用步骤(10)获得的振动信号的故障模式分类器进行诊断，获取诊断结果；最后，将这两种不同信号的诊断结果进行D-S决策融合，最终融合结果即为诊断结果；

(12)最后，基于MATLAB语言，采用GUI设计方法，设计故障诊断信号处理平台；技术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数据，查看历史数据；

其中步骤(1)—(5)的具体步骤为：

首先将机组某一时刻运行的参数包括温度、压力等数据融合成这一时刻的特征向量，获取多个时刻或是多个机械状态的多个传感器数据，得出故障与征兆之间的关系，根据不同的故障征兆来完成模式映射过程；以此作为BP神经网络的训练集，确定BP神经网络的输入层节点数、输出层节点数，并根据经验公式 确定隐含层节点数；空气源热泵机组的常见软故障有：制冷剂泄露、压缩机排气阀泄露、液体管路受阻、冷凝器结垢和蒸发器结垢；首先确定网络的输入样本数据和目标输出；对于热泵机组来说有8个特征量：高压P1，低压P2，冷凝温度P3，蒸发温度P4，吸气过热温度P5，液体过冷温度P6，排气温度P7和通过冷凝器的水流温差P8；通过仿真试验获得的数据作为输入，输出为无故障T1，制冷剂泄露T2，压缩机排气阀泄露T3，液体管路受阻T4，冷凝器结垢T5和蒸发器结垢T6；然后确定网络结构，采用BP神经网络进行故障诊断，设计BP网络的输入层节点数为8，输出层节点数为6，确定隐含层节点数为13，确定BP神经网络的结构为8-13-6；

步骤(11)的具体步骤为：

进入故障决策融合阶段，使用Dempster-Shafer证据理论融合算法进行融合；决策级融合的核心思想是：各传感器根据各自的观测结果做出局部判决，然后将判决结果经由通信信道传送到融合中心，再由融合中心对各局部判决进行综合处理，做出最终判决；假设辨识框架Ω下两组证据E1和E2，对应的基本信任分配函数分别为m1和m2，焦元分别为Ai和Bj，D-S合成规则为：利用D-S合成规则可以结合若干条独立的证据；最终融合结果即为诊断结果。