CN103616187B - 一种基于多维度信息融合的故障诊断方法 - Google Patents

Abstract

本发明提出了一种基于多维度信息融合的故障诊断方法，包括如下步骤：1）采集数据，组成敏感参数集，启动故障诊断；2）依据传统专家系统诊断推理规则，对报警敏感参数集进行诊断，获得初始诊断结论；3）依据故障机理和故障劣化规律，构建多维度敏感参数矩阵；4）依据传统专家系统推理规则，对敏感参数矩阵中各敏感参数集进行诊断，生成对应故障矩阵；5）依据不同故障类型故障劣化规律，设计权重矩阵；6）利用故障矩阵与权重矩阵求解融合后诊断结论；本发明可提高故障诊断准确率，同时能够排除单测点单时间点信号异常故障和依据故障劣化过程中不同时间点信息进行诊断所得结论冲突问题，对现场设备管理及监测人员具有积极的工程指导作用。

Description

一种基于多维度信息融合的故障诊断方法

技术领域

本发明属于设备故障诊断技术领域，涉及一种一种基于多维度信息融合的故障诊断方法。

背景技术

设备作为国民经济各行各业，尤其是石化行业中不可或缺的组成部分，一旦发生严重故障，必将给整个企业带来巨大的经济损失。因此研究设备故障诊断技术，提高故障诊断准确率，对减少企业的经济损失具有重要意义。自上世纪60年代以来，人们逐渐开展设备故障诊断技术研究。近年来，随着计算机技术及信号处理技术的发展，故障诊断向着自动化和智能化的方向发展，基于不同技术的诊断专家系统应运而生。目前开发并应用到现场的专家系统，通常是将报警时刻的数据经信号处理提取出的敏感参数集用专家依据多年诊断经验总结的推理规则进行诊断。然而，由于设备各故障间的模糊与交叉性，应用专家系统对测点单一时间点的敏感参数集进行分析诊断，得出的结论往往是片面的，且易出现漏诊、误诊及不同时间点诊断结论冲突问题。

为减少漏诊、误诊及诊断结论冲突问题，需将多测点、多时间点的信息融合进行诊断。目前研究较多的融合方法有：D-S证据理论、神经网络、支持向量机、模糊理论和粗糙集等。这些方法大多局限于对多测点、单一时间点的信息融合后进行诊断，缺少对故障劣化规律的考虑，诊断过程中易出现基于故障劣化过程中不同时间点信息诊断所得结论冲突问题。

已公开的本人的“基于专家思维的多维度故障诊断方法”专利申请(公开号CN103149046A)，是依据多测点多时间点信息进行融合诊断的雏形，但其较多细节问题并未明确，未给出三维敏感参数矩阵的详细描述及权重矩阵的设计规则，同时在其故障矩阵中未考虑所选择测点、时间点无数据情况。

发明内容

本文从诊断专家进行分析诊断时的思路出发，提出基于专家思维的多维度故障诊断方法，依据故障机理及设备上不同测点对故障的响应程度，选择相关测点，依据故障劣化规律选择多时间点的信息融合进行诊断，以提高故障诊断准确率，避免诊断结论冲突问题。为充分利用所采集的信息，提高诊断准确率，并使设备尽可能的减少误报，本发明提出了一种基于多维度信息融合的故障诊断方法，包括如下步骤：

1)通过在线监测系统采集设备各测点各时间点振动数据，通过信号处理，从各测点各时间点振动数据中提取敏感参数，将单一测点单一时间点数据提取出的所有敏感参数组成该测点该时间点的敏感参数集，若某一敏感参数集中的一个或多个特征参数超过报警值，即启动故障诊断；

2)依据传统专家系统诊断推理规则，对报警敏感参数集进行诊断，获得初始诊断结论；

3)依据故障机理及各测点对故障的响应明显程度，选择相关测点，依据故障劣化规律，选择多个时间点，用相关测点多时间点敏感参数集构建多维度敏感参数矩阵；

4)依据传统专家系统推理规则，对敏感参数矩阵中各敏感参数集进行诊断，生成对应故障矩阵；

5)依据不同故障类型故障劣化规律，设计权重矩阵；

6)将故障矩阵与权重矩阵对应位置数据相乘，求解融合后诊断结论R并对R进行归一化处理，处理后当R大于等于一设定值R₀时，则说明该设备确实存在故障矩阵所代表的故障，否则说明设备不存在故障矩阵所代表的故障；

7)给出融合后诊断结论，即设备是否存在某一故障类型。

其中，步骤1)中的敏感参数集为：

S_ij＝[s_ij1，s_ij2，...，s_ijk]

上式中各参数意义：

i：第i个时间点；

j：第j个测点；

k：敏感参数的个数；

S_ij：测点j，时间点i的敏感参数集；

S_ijk；测点j，时间点i的第k个敏感参数。

对于旋转设备，将采集到的数据经信号处理，提取出的敏感参数有通频、主导频率、幅值、相位、轴心轨迹等；对于往复设备，将采集到的数据经信号处理，提取出的敏感参数有温度、活塞杆沉降、缸体振动、曲轴箱振动等。

其中，步骤3)中建立的多维度敏感参数矩阵为：

上式中各参数意义：

S：多维度敏感参数矩阵；

m：依据故障劣化规律，选择的m个时间点；

n：依据故障机理及对故障的响应程度，选择的n个相关测点。

其中，步骤4)中生成的故障矩阵为：

上式中各参数意义：

F：故障矩阵；

F_ij：故障矩阵中第i行第j列的元素。

其中，故障矩阵中各元素的求解方法为：F_ij＝P_ij＆P₀

上式中各参数意义：

P₀：依据传统专家系统推理规则，对报警敏感参数集进行诊断，获得的初始诊断结论；

P_ij：依据传统专家系统推理规则，对敏感参数矩阵中第i行第j列的敏感参数集进行诊断，获得的诊断结论；

若P_ij与P₀相同，则F_ij为1，若P_ij与P₀不相同，则F_ij为-1；而当所选时间点i无数据，无法进行诊断时，F_ij为0。

其中，步骤5)中设计的权重矩阵为：

上式中各参数意义：

W：权重矩阵；

W_ij：F_ij的影响因子。

其中，权重矩阵的设计规则为依据故障不同测点对故障响应程度，设计不同测点影响因子，

51)对于对故障响应程度最明显的报警测点，以报警测点对故障响应程度为底，其它相关测点影响因子为： $w_j=\left\{\begin{array}{c}{\left(d\right)}^j(0<j<n)\\ {\left(d\right)}^{n-1}(j=n)\end{array}\right.$

其中，依据报警测点对故障响应程度选取影响因子d，0＜d＜1；

52)对于劣化缓慢，持续时间超过一周的故障类型，影响因子为：w_i＝1/m；

53)对于劣化较快，持续时间在几分钟到一周内的故障，以报警时刻影响因子c为底，其它时间点影响因子是以c为底的指数函数，其它时间点影响因子为：

$w_i=\left\{\begin{array}{c}{\left(c\right)}^i(0<j<m)\\ {\left(c\right)}^{m-1}(j=m)\end{array}\right.;$

其中报警时刻影响因子c反映报警时间点对故障的响应程度，0＜c＜1；

得到F_ij的影响因子w_ij＝w_i×w_j，

其中，w_i代表时间点i的影响因子，w_j代表测点j的影响因子。

进一步，步骤6)中求解融合后诊断结论R的方法为权重加和法，将故障矩阵与权重矩阵对应位置数据相乘，并把所有非负值相加，求得R：

$R=F\&CircleTimes;W=(F_{11}\&times;W_{11}+F_{21}\&times;W_{21}+\&CenterDot;\&CenterDot;\&CenterDot;+F_{m1}\&times;W_{m1})+\&CenterDot;\&CenterDot;\&CenterDot;+(F_{1n}\&times;F_{1n}+F_{2n}\&times;W_{2n}+\&CenterDot;\&CenterDot;\&CenterDot;+F_{\mathrm{mn}}\&times;W_{\mathrm{mn}}),$

求得R后，再对其进行归一化处理即：R＝R/W_总，

W_总：代表所有有效权重之和，即将所有有数据测点、时间点处权重相加所得。

本发明提供的多维度信息融合故障诊断方法，从故障诊断专家对设备异常进行分析诊断的思路出发，针对不同故障类型，综合考虑故障机理、故障响应特点及故障劣化规律，选择对故障有较明显响应的相关测点及故障劣化过程中的多个时间点的数据构建敏感参数矩阵，依据专家推理规则生成故障矩阵，依据劣化规律设计权重矩阵，并将故障矩阵和权重矩阵结合求解融合后诊断结论。利用相关测点多时间点数据融合进行诊断，可提高故障诊断准确率，同时能够排除单测点单时间点信号异常故障和依据故障劣化过程中不同时间点信息进行诊断所得结论冲突问题，对现场设备管理及监测人员具有积极的工程指导作用。

附图说明

图1是本发明的流程图；

图2是本发明的故障矩阵中各元素具体数值求解流程示意图；

图3是本发明的融合后诊断结论求解流程示意图；

图4某石化异常设备概貌及测点布置图；

图5某石化异常设备3H、3V、4H、4V测点通频历史趋势图；

图6某石化异常设备3H测点报警时间点时域波形图；

图7某石化异常设备3H测点报警时间点频谱图。

下面结合附图对本发明进行具体说明。

结合图1-3，本发明的多维度信息融合的故障诊断方法包括以下步骤：

1)应用在线监测系统采集设备各测点运行状态信息，并通过一定的数据处理手段，从采集到的数据中提取敏感参数，组成敏感参数集，对于离心设备，提取出的敏感参数为通频、幅值、相位、轴心轨迹等，对于往复设备，提取出的敏感参数为温度、活塞杆沉降、缸体振动等特征参数。当敏感参数中有超过报警值的数据时，即启动故障诊断；

组成的敏感参数集为：

S_ij＝[s_ij1，s_ij2，...，s_ijk]

上式中各参数意义：

S_ij：测点j，时间点i的敏感参数集；

i：第i个时间点；

j：第j个测点；

k：敏感参数的个数；

S_ijk；测点j，时间点i的第k个敏感参数。

2)应用传统专家系统推理规则，对报警测点报警时间点敏感参数进行诊断，初步判定设备可能存在的故障类型，获得初始诊断结论。

3)依据故障机理和响应特点，选择相关测点，依据故障劣化规律，选择多时间点，利用相关测点、多时间点敏感参数集建立敏感参数矩阵；

由于故障发生的部位不同、或是故障类型不同，导致设备各测点对故障响应不同，即设备不同测点敏感参数变化不同。故障类型不同，其劣化规律不同，故障劣化过程中不同时间点敏感参数变化不同。依据初步诊断出的故障类型，结合故障机理、响应特点、故障劣化规律，建立多维度敏感参数矩阵。

该步骤中建立的多维度敏感参数矩阵为：

上式中各参数意义：

S：多维度敏感参数矩阵；

m：依据故障劣化规律，选择的m个时间点；

n：依据故障机理及对故障的响应程度，选择的n个相关测点。

故障不同，选择的相关测点和时间点不同，则所建立的多维度敏感参数矩阵不同，譬如：对于发展较慢、趋势缓变的故障，可选择少量、间隔较长的时间点，即多维度敏感矩阵的行数m较小，且包含时间范围较宽；对于发展较快、特征值变化剧烈的故障，则尽量选择间隔较短的多个时间点，即m值较大，但包含时间可能较短。

4)应用传统专家系统推理规则，对敏感参数矩阵中不同敏感参数集进行诊断，生成对应故障矩阵。

该步骤中生成的故障矩阵为：

上式中各参数意义：

F：故障矩阵；

F_ij：故障矩阵中第i行第j列的元素。

故障矩阵中各元素具体求解流程如附图2所示。

故障矩阵中各元素的求解方法为：

F_ij＝P_ij＆P₀

上式中各参数意义：

P₀：依据传统专家系统推理规则，对报警敏感参数集进行诊断，获得的初始诊断结论；

P_ij：依据传统专家系统推理规则，对敏感参数矩阵中第i行第j列的敏感参数集进行诊断，获得的诊断结论；

若P_ij与P₀相同，则F_ij为1，若P_ij与P₀不相同，则F_ij为-1；而当所选时间点i无数据，无法进行诊断时，F_ij为0。

考虑到在实际监测系统中，传感器异常或设置不完善状态下，某些测点某一时刻无数据现象，将初始诊断结论与依据其它测点时间点诊断结论相与的结果用1、0、-1三个数字表示，其中0代表该测点该时刻无数椐，因此无诊断结论，在最终融合后诊断结论的求解中也就不考虑该点的影响。

5)依据故障劣化规律，设计不同故障权重矩阵。

不同故障类型，其故障发展变化过程不同，对设备损害也不同，如油膜涡动，其故障劣化迅速，对设备损害较大，而渐变不平衡故障，故障劣化较慢，对设备损害较小。故障劣化过程中，不同时间点敏感参数对故障响应程度不同，因此依据不同时间点敏感参数集进行诊断，所得故障类型的可信度不同。

该步骤中设计的权重矩阵为：

上式中各参数意义：

W：权重矩阵；

W_ij：F_ij的影响因子。

权重矩阵的设计规则为：

51)对故障响应越明显的测点，依据其敏感参数集诊断出的故障类型的可信度越大，则其影响因子也相对较大；不同测点对故障响应程度与其距故障源的距离有关，假设报警测点对故障响应最明显，选取0.5为报警测点影响因子d，其余测点对故障响应程度按指数规律变化。则不同测点的影响因子为：

$w_j=\left\{\begin{array}{c}{\left(0.5\right)}^j(0<j<n)\\ {\left(0.5\right)}^{n-1}(j=n)\end{array}\right.$

52)对于劣化缓慢，持续时间超过一周的故障类型，各时间点数据对故障反映程度相同，则依据不同时间点敏感参数集进行诊断的影响因子一致，为：w_i＝¹/_m

53)对于劣化较快，持续时间在几分钟到一周内的故障，不同时间点敏感参数集的影响因子以指数规律变化，选择0.5作为指数的底，并且使第m个时间点和第m-1个时间点诊断结论的影响因子相同，则不同时间点的影响因子为：

$w_i=\left\{\begin{array}{c}{\left(0.5\right)}^i(0<j<m)\\ {\left(0.5\right)}^{m-1}(j=m)\end{array}\right.$

最后得到F_ij的影响因子 $w_{\mathrm{ij}}=w_i\&times;w_j$ ，

其中，w_i代表时间点i的影响因子，w_j代表测点j的影响因子。

权重矩阵的合理设计，是提高故障诊断准确率及排除不同时间点诊断结论冲突问题的关键。依据单时间点敏感参数集进行诊断，可能得出较多可能故障类型，同时依据多个测点、多个时间点进行诊断，得出的可能故障类型更多，若想从众多可能故障类型中，识别设备最可能存在的故障类型，就需要将不同测点不同时间点敏感参数集对故障的反映程度进行排序，即为每一个测点每一个时间点敏感参数集设定一个影响因子，代表其对故障的响应程度。此时，依据不同测点不同时间点敏感参数集进行诊断，得到的可能故障类型就会存在不同的可信度，从中选择可信度最大的故障类型即设备最可能存在的故障类型，而可信度在一定值以下的故障类型，为设备不存在的故障，即排除其它故障类型。

一种故障对应一个敏感参数矩阵，一个敏感参数矩阵可生成一个故障矩阵和一个权重矩阵，故障矩阵和权重矩阵维数相同。故障矩阵是由数值0、1和-1组成的矩阵，其行数m与选取的时间点数相同，其列数n与相关测点数相同。权重矩阵是由绝对值加和结果为1的m×n个实数值组成的矩阵，各元素数值大小代表了故障矩阵中对应元素对诊断结论的影响因子。

6)将故障矩阵与权重矩阵对应位置数据相乘，求解融合后诊断结果R，并对其进行归一化处理，当R≥R0时，则说明该设备确实存在故障矩阵所代表的故障，否则说明设备不存在故障矩阵所代表的故障；

该步骤中求解融合后诊断结论的方法为权重加和法：

$R=F\&CircleTimes;W=(F_{\mathrm{np}1}\&times;W_{\mathrm{np}1}+F_{\mathrm{np}1}+\&CenterDot;\&CenterDot;\&CenterDot;F_{\mathrm{mp}1}\&times;W_{\mathrm{mp}1})+\&CenterDot;\&CenterDot;\&CenterDot;+(F_{\mathrm{npn}}\&times;W_{\mathrm{npn}}+W_{\mathrm{npn}}\&times;W_{\mathrm{npn}}+\&CenterDot;\&CenterDot;\&CenterDot;F_{\mathrm{mpn}}\&times;W_{\mathrm{mpn}})$

上式中各参数意义：

R：融合后诊断结论。

求将R后，再对其进行归一化处理，即：R＝R/W_总

W_ij：代表所有有效权重之和，即将所有有数据测点、时间点处权重相加所得。

权重加和法流程如附图3所示。

7)给出融合后诊断结论，即设备是否存在某一故障。

实施例

下面选择某石化企业一设备为对象对该方法进行检验。如图4所示，102设备为透平+压缩机两轴连接式设备，每一轴都由两个滑动轴承支撑，轴与轴之间用刚性联轴节连接。该设备压缩机侧4测点3H、3V、4H、4V在2012年4月20日7:30至8:30之间出现多次较大幅值波动，现针对这四个测点对设备一样进行分析。

具体实施措施如下：

1、采用在线监测系统，实时采集该设备所有测点的振动数据，并用一定信号处理方法，从其原始信号中，提取敏感参数。提取出的敏感参数有：通频值、波形、频谱等。3H测点通频趋势首先超过报警值(60um)，启动故障诊断。

依据传统专家系统诊断推理规则，对3H测点报警时间点的各敏感参数进行诊断，所得结论为旋转失速故障类型。

旋转失速是压缩机进气不足所致，一般发展过程较迅速。依据其故障机理及各测点响应特性，选择压缩机两侧轴承上的4个测点，即3H、3V、4H、4V，并分别将其设为测点1、测点2、测点3、测点4；依据旋转脱离故障劣化规律，从报警时间点开始，选择报警后半小时内的7个振动幅值较大的时间点，按距报警时间点远近关系，分别设为时间点1、时间点2，…，时间点7。用4个测点7个时间点的敏感参数集构建旋转失速多维度敏感参数矩阵。

$S_{\mathrm{rotatestall}}={\left[\begin{array}{cccc}{S}_{11}& S_{12}& S_{13}& S_{14}\\ S_{21}& S_{22}& S_{23}& S_{24}\\ S_{31}& S_{32}& S_{33}& S_{34}\\ S_{41}& S_{42}& S_{43}& S_{44}\\ S_{51}& S_{52}& S_{53}& S_{54}\\ S_{61}& S_{62}& S_{63}& S_{64}\\ S_{71}& S_{72}& S_{73}& S_{74}\end{array}\right]}_{7\&times;4}$

应用传统专家系统，对上述敏感参数矩阵中不同敏感参数集进行诊断，所得诊断结论见下表：

依据旋转失速多维度敏感参数矩阵生成的旋转失速故障矩阵为：

$F_{\mathrm{rotatestall}}={\left[\begin{array}{cccc}{F}_{11}& F_{12}& F_{13}& F_{14}\\ F_{21}& F_{22}& F_{23}& F_{24}\\ F_{31}& F_{32}& F_{33}& F_{34}\\ F_{41}& F_{42}& F_{43}& F_{44}\\ F_{51}& F_{52}& F_{53}& F_{54}\\ F_{61}& F_{62}& F_{63}& F_{64}\\ F_{71}& F_{72}& F_{73}& F_{74}\end{array}\right]}_{7\&times;4}$

将专家系统不同测点不同时间点诊断结论与3H测点报警时间点诊断结论相与，求解故障矩阵中对应元素具体数值，其求解流程如附图2所示。可求得故障矩阵中各数值为：

$F_{\mathrm{rotatestall}}={\left[\begin{array}{cccc}1& 1& 0& 0\\ 1& 0& 1& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 1\\ 1& 0& 1& 1\\ 1& 1& 1& 1\\ 1& 1& 1& 1\end{array}\right]}_{7\&times;4}$

依据旋转失速故障劣化规律，设计的权重矩阵，为：

$W_{\mathrm{rotatestall}}={\left[\begin{array}{cccc}\frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\\ \frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\\ \frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\\ \frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\\ \frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\\ \frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\\ \frac{1}{14}& \frac{1}{28}& \frac{1}{56}& \frac{1}{56}\end{array}\right]}_{7\&times;4}$

将故障矩阵与权重矩阵结合，求解融合后诊断结论R，将R0设定为0.6，若R≥0.6，则说明该设备确实旋转失速故障，否则说明设备不存在旋转失速故障；

$\begin{array}{c}R=F\&CircleTimes;W=(F_{\mathrm{np}1}\&times;W_{\mathrm{np}1}+F_{\mathrm{np}1}{\&times;W}_{\mathrm{np}1}+\&CenterDot;\&CenterDot;\&CenterDot;F_{\mathrm{mp}1}\&times;W_{\mathrm{mp}1})+\&CenterDot;\&CenterDot;\&CenterDot;+(F_{\mathrm{npn}}\&times;W_{\mathrm{npn}}+F_{\mathrm{npn}}\&times;W_{\mathrm{npn}}+\&CenterDot;\&CenterDot;\&CenterDot;+F_{\mathrm{mpn}}\&times;W_{\mathrm{mpn}})\\ =1\&times;\frac{1}{14}+0\&times;\frac{1}{28}+\&CenterDot;\&CenterDot;\&CenterDot;+1\&times;\frac{1}{56}+1\&times;\frac{1}{56}\\ =0.64\end{array}$

对R进行归一化处理。因本例中所有测点所有时间点均有数据，W_总＝1；

R＝R/W_总＝0.64

R＝0.64＞0.6，说明设备存在旋转矢速故障

因传统专家系统诊断结论中，同时存在不平衡及碰磨故障类型，利用4个测点7个时间点的数据分别生成不平衡和碰磨故障矩阵，求解对应融合后诊断结论，分别为：

R_unbalance＝0.28＜0.6；R_rub＝0.19＜0.6

说明不存在不平衡及碰磨故障类型。

经现场人员维修反馈，测试当天7:30-8:30之间由于压缩机进气口压力不足，导致设备发生旋转失速故障，改变流量后，设备恢复正常运行。证明了多维度信息融合故障诊断方法的准确性和有效性。

Claims (7)

1.一种基于多维度信息融合的故障诊断方法，其特征在于包括如下步骤：

1）通过在线监测系统采集设备各测点各时间点振动数据，通过信号处理，从各测点各时间点振动数据中提取敏感参数，将单一测点单一时间点数据提取出的所有敏感参数组成该测点该时间点的敏感参数集，若某一敏感参数集中的一个或多个特征参数超过报警值，即启动故障诊断；

2）依据传统专家系统诊断推理规则，对报警敏感参数集进行诊断，获得初始诊断结论；

3）依据故障机理及各测点对故障的响应明显程度，选择相关测点，依据故障劣化规律，选择多个时间点，用相关测点多时间点敏感参数集构建多维度敏感参数矩阵；

4）依据传统专家系统推理规则，对敏感参数矩阵中各敏感参数集进行诊断，生成对应故障矩阵，生成的故障矩阵为：

上式（1）中各参数意义：

F：故障矩阵；

F_ij：故障矩阵中第i行第j列的元素，

故障矩阵中各元素的求解方法为：（2）

上式（2）中各参数意义：

P₀：依据传统专家系统推理规则，对报警敏感参数集进行诊断，获得的初始诊断结论；

P_ij：依据传统专家系统推理规则，对敏感参数矩阵中第i行第j列的敏感参数集进行诊断，获得的诊断结论；

若P_ij与P₀相同，则F_ij为1，若P_ij与P₀不相同，则F_ij为-1；而当所选测点j时间点i时无数据，无法进行诊断，F_ij为0；

5）依据不同故障类型故障劣化规律，设计权重矩阵；

6）将故障矩阵与权重矩阵对应位置数据相乘，求解融合后诊断结论R并对R进行归一化处理，处理后当R大于等于一设定值R₀时，则说明该设备确实存在故障矩阵所代表的故障，否则说明设备不存在故障矩阵所代表的故障；

7）给出设备是否存在某一故障类型的结论。

2.根据权利要求1所述的基于多维度信息融合的故障诊断方法，其特征在于，步骤1）中的敏感参数集为：

上式中各参数意义：

i：第i个时间点；

j：第j个测点；

k：敏感参数的个数；

S_ij：测点j，时间点i的敏感参数集；

S_ijk；测点j，时间点i的第k个敏感参数。

3.根据权利要求1或2所述的基于多维度信息融合的故障诊断方法，其特征在于，对于旋转设备，将采集到的数据经信号处理，提取出的敏感参数有通频、主导频率、幅值、相位、轴心轨迹；对于往复设备，将采集到的数据经信号处理，提取出的敏感参数有温度、活塞杆沉降、缸体振动、曲轴箱振动。

4.根据权利要求1或2所述的基于多维度信息融合的故障诊断方法，其特征在于，步骤3）中建立的多维度敏感参数矩阵为：

上式中各参数意义：

S：多维度敏感参数矩阵；

m：依据故障劣化规律，选择的m个时间点；

n：依据故障机理及对故障的响应程度，选择的n个相关测点。

5.根据权利要求1或2所述的基于多维度信息融合的故障诊断方法，其特征在于，步骤5）中设计的权重矩阵为：

上式中各参数意义：

W：权重矩阵；

W_ij：F_ij的影响因子。

6.根据权利要求5所述的基于多维度信息融合的故障诊断方法，其特征在于，权重矩阵的设计规则为依据故障不同测点对故障响应程度，设计不同测点影响因子，

51）对于对故障响应程度最明显的报警测点，以报警测点对故障响应程度为底，其它相关测点影响因子为：

其中，依据报警测点对故障响应程度选取影响因子，；

52）对于劣化缓慢，持续时间超过一周的故障类型，影响因子为：；

53）对于劣化较快，持续时间在几分钟到一周内的故障，以报警时刻影响因子为底，其它时间点影响因子是以为底的指数函数，其它时间点影响因子为：

其中报警时刻影响因子反映报警时间点对故障的响应程度，0<c<1；

得到F_ij的影响因子

其中，w_i代表时间点i的影响因子，w_j代表测点j的影响因子。

7.根据权利要求1、2或6所述的基于多维度信息融合的故障诊断方法，其特征在于，步骤6）中求解融合后诊断结论R的方法为权重加和法，将故障矩阵与权重矩阵对应位置数据相乘，并把所有非负值相加，求得R：

求得R后，再对其进行归一化处理即：R=R/Wa，

W_总：代表所有有效权重之和，即将所有有数据测点、时间点处权重值相加所得。