1.基于复杂网络的电梯曳引机转子故障诊断信息融合方法，其特征在于该方法包括以下步骤：(1)设定电梯曳引机转子的故障集合Θ＝{F1,…,Fi,…,FN|i＝1,2,…,N}，Fi表示故障集合Θ中的第i个故障，N为电梯曳引机转子所含故障模式的个数；

(2)设f1,i，f2,i和f3,i为能够反映故障集合Θ中每个故障Fi的故障特征参数，该特征参数为加速度信号，分别由风扇端、电机基座和电机壳体驱动端的加速度传感器提供；

将f1,i，f2,i，f3,i和Fi表示成样本集合Mi＝{[f1,i,f2,i,f3,i Fi]|t＝1,2,3,…,Si}，其中[f1,i(t),f2,i(t),f3,i(t),Fi]为一个样本向量，Si表示故障为Fi状态下的样本数据，并将其表示为Fi状态下的采样个数，取Si≥100；分别采样各个故障状态下的样本数据，并将其表示为集合形式 共计可获得δ个样本， |M|表示集合M中的个数；

(3)将故障Fi状态下获取的f1,i(t)、f2,i(t)和f3,i(t)表示成样本集合Mi′＝{[f1,i(t),f2,i(t),f3,i(t)]|t＝1,2,…,Si}，分别采样各个故障状态下的样本数据，并将其表示为集合形式 满足δ＝|M|＝|Mi′|，|Mi′|表示集合Mi′中元素的个数；

(4)对样本故障特征参数进行相关性分析，得到Pearson系数；将Pearson系数较大的两个特征参数归为同一组，记为GA，与其相关性较小特征参数归为另一组，记为GB；

(5)对步骤(4)得到的两组特征数据GA和GB分别构建数据复杂网络NetA和NetB，以相似度矩阵A和B描述，ai,j，bi,j分别是矩阵A和B中的元素，表示各组特征数据中样本xi和xj间距离di,j的函数；

(6)利用复杂网络社团划分原理，将数据复杂网络NetA和NetB划分成K1和K2类，记为将M个样本向量归入 得到K1类对应的样本Qk1＝{[f1,k1(uk1),f2,k1(uk1),f3,k1(uk1),Fk1(uk1)]|uk1＝1,2,…,Uk1}，Uk1表示Tk1类中归入的样本向量个数，并有Qk1∈M， Fk1(uk1)∈Θ，同时可由K1类样本向量各取均值得到样本集M所对应的K1个参考中心向量，可表示为Ck1＝[ck1,1,ck1,2,ck1,3]，其中k1＝1,2,…,K1；

同理可将M中的样本向量归入 中，得到K2类对应的样本Qk2＝{[f2,k2(uk2),f2,k2(uk2),f3,k2(uk2),Fk2(uk2)]|uk2＝1,2,…,Uk2}，Uk2表示Tk2类中归入的样本向量个数，并有Qk2∈M， Fk2(uk2)∈Θ，同时可由K2类样本向量各取均值得到样本集M所对应的K2个参考中心向量，可表示为Ck2＝[ck2,1,ck2,2,ck2,3]，其中k2＝1,2,…,K2；

(7)根据步骤(2)、步骤(3)、步骤(5)和步骤(6)获取的Fi和Tk1、Tk2，构造如表1与表2的关系表来表示Fi和Tk1、Fi和Tk2之间的对应关系；Nk1,i、Nk2,i分别表示Tk1、Tk2类所对应的样本集中故障 为Fi的 个数，并 有 和 和其中0≤Nk1,i、Nk2,i≤Si；

表1 Fi和Tk1之间的对应关系表

表2 Fi和Tk2之间的对应关系表

(8)根据步骤(7)中获取的对应关系表，当故障为Fi时，相应的样本数据归入第k1、k2类的似然函数为：并有 则定义第k1、k2类对应的第i类故障的参考证据

为：

得到两部分的故障诊断参考证据为

ep1＝[ep1,1,ep1,2,…,ep1,N]，ep2＝[ep2,1,ep2,2,…,ep2,N]构造如表3、表4所示的似然信度表来描述Tk1、Tk2和Fi之间的关系；

表3 Tk1类似然信度表

表4 Tk2类似然信度表

(9)当在线监测获取t时刻的故障特征参数向量X(t)＝[f1,i(t),f2,i(t),f3,i(t)]之后，定义证据的重要性权重wk描述证据ek相较与其他证据的相对重要性，分别求取故障特征参数向量与K1、K2个参考中心向量 之间的欧式距离并将其归一化得到Disk1与Disk2，定义wk1＝Disk1，wk2＝Disk2；

(10)利用证据的重要性权重wk来激活参考证据ep，得到ep_1、ep_2，将ep_1、ep_2分别进行归一化得到诊断证据ep1′、ep2′；

(11)利用Dempster组合规则对ep1′、ep2′进行融合，得到融合后的诊断结果为：式中m1、m2为两个定义在Θ上的质量函数，令参考证据m1＝ep1′，m2＝ep2′定义m＝m1⊕m2为组合后的质量函数，⊕表示Dempster组合规则可作用于两个或多个质量函数上，A、B、C均为故障类型模式；

融合后的诊断证据为：

ep＝[m(1),m(2),…,m(N)]              (9)式中m(1)，m(2)，m(N)分别代表融合后进行归一化的故障类型为F1、F2、FN信度；

(12)利用步骤(11)得到的诊断证据ep，对电梯曳引机转子的故障进行诊断：ep中信度取值最大的所对应的Fi即为故障特征参数向量X(t)真实发生的故障模式。

2.根据权利要求1所述的基于复杂网络的电梯曳引机转子故障诊断信息融合方法，其特征在于：步骤(5)中ai,j，bi,j定义如下：ai,j＝exp(-15×di,j)，bi,j＝exp(-15×di,j)式中，di,j采用欧式距离度量，定义样本自身的相似度为0，即当i＝j时ai,j＝0，bi,j＝0。

3.根据权利要求1所述的基于复杂网络的电梯曳引机转子故障诊断信息融合方法，其特征在于：步骤(10)中ep_1、ep_2的计算如下：ep_1＝wk1*ep1＝[ep1,1′,ep1,2′,…,ep1,N′]，ep_2＝wk2*ep2＝[ep2,1′,ep2,2′,…,ep2,N′]。