CN103712702A - 一种机电设备温度预警方法 - Google Patents

Abstract

本发明公开了一种机电设备温度预警方法，包括步骤：一、机电设备运行温度的检测；二、温度时间序列的传输；三、温度时间序列的分析处理及温度预警，其具体过程如下：步骤301、预测下一采样时刻机电设备温度时间序列的温度预测值，步骤302、确定温度预警识别框架{1，…，k，θ}，步骤303、温度预警计算机根据预先建立并训练好的三层BP神经网络，确定出DS证据理论中证据源的基本概率分配；步骤304、温度预警计算机根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合，得到预警结果M（A）。本发明的方法实现简单，温度预警可靠性高，降低了预警的不确定性，实时性高，适用范围广，便于推广使用。

Description

一种机电设备温度预警方法

技术领域

本发明涉及机电设备故障监测技术领域，尤其是涉及一种机电设备温度预警方法。

背景技术

工业生产过程中，机电设备运行故障或有某些故障隐患时，经常会伴随着温度的上升，对这类设备运行过程中的温度进行监测记录是生产企业为了保证安全生产、避免设备故障经常采取的措施，尤其是在煤矿井下等特殊环境中。目前对设备的温度监测，一般采用红外探测枪逐点测温和光纤测温法等。对检测到的设备温度数据进行分析研究，通过对这些温度数据挖掘，可以发现其内在规律，进而预测温度未来的变化，实现设备的安全预警，以利于及时发现设备故障隐患，将设备故障控制在萌芽状态，从而有效避免因设备故障带来的损失。

现有的温度预警方法大多利用温度预测结果直接进行预警，即依据预先设置的温度预警阈值，当预测温度超过温度预警阈值，则进行相应报警，这种方法对于预测温度值处于预警阈值边界的情况，其预警可靠性较差。人工神经网络等基于人工智能的方法是目前预测预警方法的研究热点，人工神经网络预测在大样本情况下精度较高，而对于小样本情况精度不够，而且易陷入局部极小值。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种机电设备温度预警方法，其方法实现简单，温度预警可靠性高，降低了预警的不确定性，实时性高，适用范围广，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种机电设备温度预警方法，其特征在于该方法包括以下步骤：

步骤一、机电设备运行温度的检测：温度采集装置对机电设备的运行温度进行周期性检测，并将检测得到的温度采样值按照时间的先后顺序进行排列，形成温度时间序列；

步骤二、温度时间序列的传输：温度采集装置将所述温度时间序列通过数据通信模块实时传输给温度预警计算机；

步骤三、温度时间序列的分析处理及温度预警，其具体过程如下：

步骤301、温度预警计算机对其接收到的温度时间序列，应用自回归移动平均模型建立温度预测模型ARIMA(p,d,q)，并根据温度预测模型ARIMA(p,d,q)得到下一采样时刻的机电设备温度时间序列的温度预测值；其中，温度预测模型ARIMA(p,d,q)的表达式为：

$\begin{array}{cc}\mathrm{\Φ}\left(B\right){\▿}^d{X}_t=c+\mathrm{\Θ}\left(B\right){\mathrm{\ϵ}}_t& t=\mathrm{1,2},\·\·\·,T\end{array}$

其中，X_t为t时刻的温度预测值，T为样本容量，B为后移算子且BX_t=X_t-1，X_t-1为t-1时刻的温度采样值，B^k为k步后移算子且B^kX_t=X_t-k，X_t-k为t-k时刻的温度采样值，

为后向差分算子且

d为差分次数，c为常数，ε_t为t时刻的白噪声；Φ(B)为自回归算子且Φ(B)=1-φ₁B-φ₂B²-…-φ_pB^p，p为自回归阶数，φ₁,φ₂,…,φ_p为自回归系数；Θ(B)为移动平均算子且Θ(B)=1-θ₁B-θ₂B²-…-θ_qB^q，q为移动平均阶数，θ₁,θ₂,…,θ_q为移动平均系数；

步骤302、温度预警计算机根据机电设备运行的温度范围、温度预警等级和DS证据理论确定温度预警识别框架{1，…，k，θ}，预警等级编号j=1～k，其中，k为预警等级数，θ为预警结果不确定；

步骤303、温度预警计算机根据预先建立并训练好的三层BP神经网络，确定出DS证据理论中证据源的基本概率分配：首先，将步骤一中得到的温度采样值或步骤301中得到的温度预测值输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出；然后，以三层BP神经网络的输出作为DS证据理论的证据源并根据基本概率分配计算公式：

$\left\{\begin{array}{c}{M}_i\left(j\right)=\frac{B_i\left(j\right)\mathrm{\α}}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{B}_i\left(j\right)}\\ M_o\left(\mathrm{\θ}\right)=1-\mathrm{\α}\end{array}\right.$

确定出DS证据理论中证据源的基本概率分配；其中，i为机电设备的运行温度的采样时刻顺序且i=1,2,…,n，n为将要进行时域融合的连续采样时刻的个数；j为预警等级编号，k为预警等级数，α为对证据源的信任程度；B_i(j)为第i采样时刻的温度采样值或温度预测值对应的三层BP神经网络判断结果为j的输出；M_i(j)为对第i采样时刻的证据源判断结果为j的基本概率分配；M_i(θ)为对第i采样时刻的证据源判断结果为θ的基本概率分配；

其中，预先建立并训练三层BP神经网络的具体过程为：

步骤3031、建立三层BP神经网络：以步骤一中得到的温度采样值或步骤301中得到的温度预测值作为BP神经网络的输入，输入节点数为1，以预警等级数k作为BP神经网络的输出节点数，以预警等级对应的期望输出矩阵作为BP神经网络的输出，隐层节点数为输入节点数与输出节点数之和，建立三层BP神经网络；其中，所述期望输出矩阵为k行1列矩阵，预警等级为j时第j行的矩阵元素为1，其余k-1行的矩阵元素均为0；

步骤3032、训练三层BP神经网络：在机电设备运行温度的可能取值范围内，随机提取m个温度值作为所述三层BP神经网络的输入，并以m个温度值分别对应的m个期望输出矩阵作为所述三层BP神经网络的输出，构建训练样本，对所述三层BP神经网络进行训练并得到训练好的三层BP神经网络；

步骤304、温度预警计算机根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合，得到预警结果M（A）；所述证据组合规则为：

$M\left(A\right)=\frac{1}{1-K}\×\underset{a\∩b=A}{\mathrm{\Σ}}{M}_1\left(a\right)\×M_2\left(b\right)$ 其中，K为M₁（a）对应的证据源与M₂（b）对应的证据源的不一致因子，且A为温度预警识别框架{1，…，k，θ}的任意一个元素且A=1，…，k或θ，a为M₁对应的焦元且a=1，…，k或θ，b为M₂对应的焦元且b=1，…，k或θ；M₁（a）和M₂（b）为两个独立的证据源对应的基本概率分配。

上述的一种机电设备温度预警方法，其特征在于：步骤303中所述α的取值为0.7～0.95。

上述的一种机电设备温度预警方法，其特征在于：步骤304中温度预警计算机根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合的具体过程为：先融合第n采样时刻的温度预测值对应的证据源的基本概率分配和第n-1采样时刻的温度采样值对应的证据源的基本概率分配，得到第一级新证据源的基本概率分配；再融合第一级新证据源的基本概率分配与第n-2采样时刻的温度采样值对应的证据源的基本概率分配，得到第二级新证据源的基本概率分配；以此类推，直到将n个证据源的基本概率分配全部进行了时域融合，最终得到了第n-1级新证据源的基本概率分配。

本发明与现有技术相比具有以下优点：

1、本发明采用ARIMA模型对下一时刻的温度进行预测，由于ARIMA模型是根据历史温度采样值建立的温度预测模型，因此可以将温度时间序列代入ARIMA模型，直接得到温度预测值，预测计算简单，实时性高。

2、本发明将BP神经网络应用到了基本概率分配（BPA）的确定过程中，且预先建立并训练好的三层BP神经网络能够在测试条件未发生变化的一段时间内多次使用，在需要确定基本概率分配（BPA）时，直接输入三层BP神经网络进行计算即可，不需要在线训练网络，使得基本概率分配（BPA）的确定效率高，实时性好，能够快速获得温度预警结果。

3、DS证据理论综合考虑不同证据来得出结论，具有直接表达“不知道”和“不确定”的能力，并在证据源时域融合的过程中保留了这些信息，采用DS证据理论的方法对证据源进行时域融合，计算量不大，且由于综合考虑了连续多个时刻的温度采样数据进行温度预警，考虑到了多个温度的变化趋势，而机电设备温度在时间上具有相关性，因此较单独利用预测值进行温度预警更为可靠，克服了单独利用预测值直接预警在预警阈值边界预警可靠性差的问题，降低了预警的不确定性。

4、本发明对小样本的机电设备温度采样数据，也能够得到准确的温度预警结果，适用范围广，实时性高，温度预警效果好，便于推广使用。

综上所述，本发明的方法实现简单，温度预警可靠性高，降低了预警的不确定性，实时性高，适用范围广，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明机电设备温度预警方法的方法流程框图。

图2为对离心泵电机的前轴温度每小时进行一次采样得到的113个采样点的采样温度值。

图3为本发明所采用的硬件系统的电路原理框图。

附图标记说明:

1—温度采集装置；  2—数据通信模块；  3—温度预警计算机。

具体实施方式

如图1和图3所示，本发明一种机电设备温度预警方法，包括以下步骤：

步骤一、机电设备运行温度的检测：温度采集装置1对机电设备的运行温度进行周期性检测，并将检测得到的温度采样值按照时间的先后顺序进行排列，形成温度时间序列；

本实施例中，所述机电设备为矿井中央水泵房的离心泵电机，温度采集装置1对离心泵电机的前轴温度进行周期性检测，每小时进行一次采样得到的113个采样点的采样温度值如图2所示，图2中，横轴为采样点，纵轴为采样温度值，单位为℃；

步骤二、温度时间序列的传输：温度采集装置1将所述温度时间序列通过数据通信模块2实时传输给温度预警计算机3；

步骤三、温度时间序列的分析处理及温度预警，其具体过程如下：

步骤301、温度预警计算机3对其接收到的温度时间序列，应用自回归移动平均模型（ARIMA模型）建立温度预测模型ARIMA(p,d,q)，并根据温度预测模型ARIMA(p,d,q)得到下一采样时刻的机电设备温度时间序列的温度预测值；其中，温度预测模型ARIMA(p,d,q)的表达式为：

$\begin{array}{cc}\mathrm{\Φ}\left(B\right){\▿}^d{X}_t=c+\mathrm{\Θ}\left(B\right){\mathrm{\ϵ}}_t& t=\mathrm{1,2},\·\·\·,T\end{array}$

其中，X_t为t时刻的温度预测值，T为样本容量，B为后移算子且BX_t=X_t-1，X_t-1为t-1时刻的温度采样值，B^k为k步后移算子且B^kX_t=X_t-k，X_t-k为t-k时刻的温度采样值，

为后向差分算子且d为差分次数，c为常数，ε_t为t时刻的白噪声；Φ(B)为自回归算子且Φ(B)=1-φ₁B-φ₂B²-…-φ_pB^p，p为自回归阶数，φ₁,φ₂,…,φ_p为自回归系数；Θ(B)为移动平均算子且Θ(B)=1-θ₁B-θ₂B²-…-θ_qB^q，q为移动平均阶数，θ₁,θ₂,…,θ_q为移动平均系数；

本实施例中，取p为9，d为1，q为1，温度预测模型为ARIMA(9,1,1)，将步骤一中得到的采样温度值的第1～107个数据作为样本区间，代入温度预测模型中，得到温度预测模型ARIMA(9,1,1)的表达式为：

X_t=X_t-1-0.2503X_t-2+0.2503X_t-3-0.3336X_t-9+0.3336X_t-10+ε_t-0.2033ε_t-1，其中，X_t-1为t-1时刻的温度采样值，X_t-2为t-2时刻的温度采样值，X_t-3为t-3时刻的温度采样值，X_t-9为t-9时刻的温度采样值，X_t-10为t-10时刻的温度采样值，ε_t-1为t-1时刻的白噪声；

根据步骤一中得到的113个采样点的采样温度值与温度预测模型ARIMA(9,1,1)的表达式，对离心泵电机的前轴温度时间序列中的第108～113个采样点进行预测，温度预测值与温度采样值的比较如表1所示：

表1第108～113个采样点的温度预测值与温度采样值的比较表

步骤302、温度预警计算机3根据机电设备运行的温度范围、温度预警等级和DS证据理论确定温度预警识别框架{1，…，k，θ}，预警等级编号j=1～k，其中，k为预警等级数，θ为预警结果不确定；

本实施例中，在对离心泵电机的前轴温度进行采样期间，离心泵电机的前轴温度的温度范围为30℃～42℃，确定温度在0℃～34℃范围内时为1级（安全），温度在34℃～38℃范围内时为2级（存在隐患），温度大于38℃时为3级（危险），取k为3，温度预警识别框架{1，2，3，θ}；

步骤303、温度预警计算机3根据预先建立并训练好的三层BP神经网络，确定出DS证据理论中证据源的基本概率分配（BPA）：首先，将步骤一中得到的温度采样值或步骤301中得到的温度预测值输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出；然后，以三层BP神经网络的输出作为DS证据理论的证据源并根据基本概率分配计算公式：

$\left\{\begin{array}{c}{M}_i\left(j\right)=\frac{B_i\left(j\right)\mathrm{\α}}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{B}_i\left(j\right)}\\ M_o\left(\mathrm{\θ}\right)=1-\mathrm{\α}\end{array}\right.$

确定出DS证据理论中证据源的基本概率分配；其中，i为机电设备的运行温度的采样时刻顺序且i=1,2,…,n，n为将要进行时域融合的连续采样时刻的个数；j为预警等级编号，k为预警等级数，α为对证据源的信任程度；B_i(j)为第i采样时刻的温度采样值或温度预测值对应的三层BP神经网络判断结果为j的输出；M_i(j)为对第i采样时刻的证据源判断结果为j的基本概率分配；M_i(θ)为对第i采样时刻的证据源判断结果为θ的基本概率分配；

其中，预先建立并训练三层BP神经网络的具体过程为：

步骤3031、建立三层BP神经网络：以步骤一中得到的温度采样值或步骤301中得到的温度预测值作为BP神经网络的输入，输入节点数为1，以预警等级数k作为BP神经网络的输出节点数，以预警等级对应的期望输出矩阵作为BP神经网络的输出，隐层节点数为输入节点数与输出节点数之和，建立三层BP神经网络；其中，所述期望输出矩阵为k行1列矩阵，预警等级为j时第j行的矩阵元素为1，其余k-1行的矩阵元素均为0；

步骤3032、训练三层BP神经网络：在机电设备运行温度的可能取值范围内，随机提取m个温度值作为所述三层BP神经网络的输入，并以m个温度值分别对应的m个期望输出矩阵作为所述三层BP神经网络的输出，构建训练样本，对所述三层BP神经网络进行训练并得到训练好的三层BP神经网络；

本实施例中，所述α的取值为0.7～0.95，优选为0.85，从步骤一中得到的113个采样点的采样温度值中取T1～T3时刻对应的第110～112个采样点，根据基本概率分配计算公式计算得到T1～T3时刻温度采样值的基本概率分配以及T4时刻温度预测值的基本概率分配如表2所示：

表2T1～T3时刻温度采样值的基本概率分配

以及T4时刻温度预测值的基本概率分配表

	1	2	3	θ
					T1	0.5842	0.1494	0.1164	0.1500
T2	0.5942	0.1453	0.1105	0.1500
					T3	0.7046	0.1001	0.0453	0.1500
T4	0.7317	0.0891	0.0292	0.1500

基本概率分配（BPA）的确定是应用DS证据理论的关键之一，常见的确定方法有根据目标类型和环境加权系数来确定，利用统计证据来获得，大部分确定方法受到专家知识或偏好影响较大，难以反映客观情况，本发明将BP神经网络应用到了基本概率分配（BPA）的确定过程中，且预先建立并训练好的三层BP神经网络能够在测试条件未发生变化的一段时间内多次使用，在需要确定基本概率分配（BPA）时，直接输入三层BP神经网络进行计算即可，不需要在线训练网络，使得基本概率分配（BPA）的确定效率高，实时性好，能够快速获得温度预警结果。

步骤304、温度预警计算机3根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合，得到预警结果M（A）；所述证据组合规则为：

$M\left(A\right)=\frac{1}{1-K}\×\underset{a\∩b=A}{\mathrm{\Σ}}{M}_1\left(a\right)\×M_2\left(b\right)$

其中，K为M₁（a）对应的证据源与M₂（b）对应的证据源的不一致因子，即M₁（a）对应的证据源与M₂（b）对应的证据源的相互冲突程度，A为温度预警识别框架{1，…，k，θ}的任意一个元素且A=1，…，k或θ，a为M₁对应的焦元且a=1，…，k或θ，b为M₂对应的焦元且b=1，…，k或θ；M₁（a）和M₂（b）为两个独立的证据源对应的基本概率分配。

本实施例中，步骤304中温度预警计算机3根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合的具体过程为：先融合第n采样时刻的温度预测值对应的证据源的基本概率分配和第n-1采样时刻的温度采样值对应的证据源的基本概率分配，得到第一级新证据源的基本概率分配；再融合第一级新证据源的基本概率分配与第n-2采样时刻的温度采样值对应的证据源的基本概率分配，得到第二级新证据源的基本概率分配；以此类推，直到将n个证据源的基本概率分配全部进行了时域融合，最终得到了第n-1级新证据源的基本概率分配。

本实施例中，取n为4，先融合T4采样时刻的温度预测值的对应的证据源的基本概率分配和T3采样时刻的温度采样值对应的证据源的基本概率分配，得到第一级新证据源T4⊕T3的基本概率分配，再融合第一级新证据源的基本概率分配与T2采样时刻的温度采样值对应的证据源的基本概率分配，得到第二级新证据源T4⊕T3⊕T2的基本概率分配；最后融合第二级新证据源的基本概率分配与T1采样时刻的温度采样值对应的证据源的基本概率分配，得到了第三级新证据源的基本概率分配，即最终新证据源T4⊕T3⊕T2⊕T1的基本概率分配，根据第一级新证据源的基本概率分配和第二级新证据源的基本概率分配以及DS证据理论的证据组合规则确定出最终新证据源的基本概率分配如表3所示：

表3新的证据源的基本概率分配表

实际上，步骤一中得到的T4采样时刻的温度采样值为30.00℃，小于34℃，实际的预警等级编号为1，从表3可以看出，如果单独考虑T4采样时刻对应的第113个采样点的温度预测结果，其预警以0.7317的概率信任预警结果为1级；而T1～T4时刻的时域融合结果以0.9960的概率信任预警结果为1级，而且预警结果的不确定度θ由0.15降低到了0.0028，提高了预警的可靠性，体现出了步骤304中的时域融合在解决不确定性问题中的优势，降低了预警的不确定性。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (3)

1.一种机电设备温度预警方法，其特征在于该方法包括以下步骤：

步骤一、机电设备运行温度的检测：温度采集装置（1）对机电设备的运行温度进行周期性检测，并将检测得到的温度采样值按照时间的先后顺序进行排列，形成温度时间序列；

步骤二、温度时间序列的传输：温度采集装置（1）将所述温度时间序列通过数据通信模块（2）实时传输给温度预警计算机（3）；

步骤三、温度时间序列的分析处理及温度预警，其具体过程如下：

步骤301、温度预警计算机（3）对其接收到的温度时间序列，应用自回归移动平均模型建立温度预测模型ARIMA(p,d,q)，并根据温度预测模型ARIMA(p,d,q)得到下一采样时刻的机电设备温度时间序列的温度预测值；其中，温度预测模型ARIMA(p,d,q)的表达式为：

$\begin{array}{cc}\mathrm{\Φ}\left(B\right){\▿}^d{X}_t=c+\mathrm{\Θ}\left(B\right){\mathrm{\ϵ}}_t& t=\mathrm{1,2},\·\·\·,T\end{array}$

其中，X_t为t时刻的温度预测值，T为样本容量，B为后移算子且BX_t=X_t-1，X_t-1为t-1时刻的温度采样值，B^k为k步后移算子且B^kX_t=X_t-k，X_t-k为t-k时刻的温度采样值，

为后向差分算子且

d为差分次数，c为常数，ε_t为t时刻的白噪声；Φ(B)为自回归算子且Φ(B)=1-φ₁B-φ₂B²-…-φ_pB^p，p为自回归阶数，φ₁,φ₂,…,φ_p为自回归系数；Θ(B)为移动平均算子且Θ(B)=1-θ₁B-θ₂B²-…-θ_qB^q，q为移动平均阶数，θ₁,θ₂,…,θ_q为移动平均系数；

步骤302、温度预警计算机（3）根据机电设备运行的温度范围、温度预警等级和DS证据理论确定温度预警识别框架{1，…，k，θ}，预警等级编号j=1～k，其中，k为预警等级数，θ为预警结果不确定；

步骤303、温度预警计算机（3）根据预先建立并训练好的三层BP神经网络，确定出DS证据理论中证据源的基本概率分配：首先，将步骤一中得到的温度采样值或步骤301中得到的温度预测值输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出；然后，以三层BP神经网络的输出作为DS证据理论的证据源并根据基本概率分配计算公式：

$\left\{\begin{array}{c}{M}_i\left(j\right)=\frac{B_i\left(j\right)\mathrm{\α}}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{B}_i\left(j\right)}\\ M_o\left(\mathrm{\θ}\right)=1-\mathrm{\α}\end{array}\right.$

确定出DS证据理论中证据源的基本概率分配；其中，i为机电设备的运行温度的采样时刻顺序且i=1,2,…,n，n为将要进行时域融合的连续采样时刻的个数；j为预警等级编号，k为预警等级数，α为对证据源的信任程度；B_i(j)为第i采样时刻的温度采样值或温度预测值对应的三层BP神经网络判断结果为j的输出；M_i(j)为对第i采样时刻的证据源判断结果为j的基本概率分配；M_i(θ)为对第i采样时刻的证据源判断结果为θ的基本概率分配；

其中，预先建立并训练三层BP神经网络的具体过程为：

步骤3031、建立三层BP神经网络：以步骤一中得到的温度采样值或步骤301中得到的温度预测值作为BP神经网络的输入，输入节点数为1，以预警等级数k作为BP神经网络的输出节点数，以预警等级对应的期望输出矩阵作为BP神经网络的输出，隐层节点数为输入节点数与输出节点数之和，建立三层BP神经网络；其中，所述期望输出矩阵为k行1列矩阵，预警等级为j时第j行的矩阵元素为1，其余k-1行的矩阵元素均为0；

步骤3032、训练三层BP神经网络：在机电设备运行温度的可能取值范围内，随机提取m个温度值作为所述三层BP神经网络的输入，并以m个温度值分别对应的m个期望输出矩阵作为所述三层BP神经网络的输出，构建训练样本，对所述三层BP神经网络进行训练并得到训练好的三层BP神经网络；

步骤304、温度预警计算机（3）根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合，得到预警结果M（A）；所述证据组合规则为：

$M\left(A\right)=\frac{1}{1-K}\×\underset{a\∩b=A}{\mathrm{\Σ}}{M}_1\left(a\right)\×M_2\left(b\right)$ 其中，K为M₁（a）对应的证据源与M₂（b）对应的证据源的不一致因子，A为温度预警识别框架{1，…，k，θ}的任意一个元素且A=1，…，k或θ，a为M₁对应的焦元且a=1，…，k或θ，b为M₂对应的焦元且b=1，…，k或θ；M₁（a）和M₂（b）为两个独立的证据源对应的基本概率分配。

2.按照权利要求1所述的一种机电设备温度预警方法，其特征在于：步骤303中所述α的取值为0.7～0.95。

3.按照权利要求1所述的一种机电设备温度预警方法，其特征在于：步骤304中温度预警计算机（3）根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合的具体过程为：先融合第n采样时刻的温度预测值对应的证据源的基本概率分配和第n-1采样时刻的温度采样值对应的证据源的基本概率分配，得到第一级新证据源的基本概率分配；再融合第一级新证据源的基本概率分配与第n-2采样时刻的温度采样值对应的证据源的基本概率分配，得到第二级新证据源的基本概率分配；以此类推，直到将n个证据源的基本概率分配全部进行了时域融合，最终得到了第n-1级新证据源的基本概率分配。

Images