CN110045672A - 一种皮带机的故障诊断方法及装置 - Google Patents

Abstract

本发明提供一种皮带机的故障诊断方法及装置，根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。本申请不是利用局部故障诊断结果对皮带机的故障进行诊断，而是根据故障融合系统对局部故障诊断结果进行融合诊断，能够避免局部故障诊断结果的误判，提高最终故障诊断结果的可信度和精确度。

Description

一种皮带机的故障诊断方法及装置

技术领域

本申请涉及故障诊断技术领域，特别是涉及一种皮带机的故障诊断方法及装置。

背景技术

皮带机是一种重要的连续运输机械，在散装物料的运输中扮演着十分重要的角色。由于皮带机通常所处的工作环境比较恶劣，且需要长时间运转，因此经常会发生故障，需要对这些故障进行及时地检测和排除，以避免事故的发生。但是，皮带机需要检测的故障点多，工作量大，同时要求检测的精度高，一般难以通过人的感觉器官和工程经验检测和排除故障，特别是长距离大运量的皮带机，不便于对故障做出准确的诊断，再加上技术和生产管理方面的欠缺，导致了皮带机事故时常发生。

现有技术中，主要采用以下几种方法进行皮带机的故障诊断：基于PLC的皮带机故障诊断方法、基于专家系统的故障诊断方法以及基于神经网络的故障诊断方法等。

基于PLC的皮带机故障诊断方法主要是利用不同的传感器(例如：速度传感器、张力传感器等)对皮带机工作状态下的性能指标数据(例如：速度、皮带表面的张力等)进行采集，然后通过PLC将采集到的性能指标数据整合在一起，将性能指标数据与故障类型一一对应，从而做出对故障的诊断。虽然基于PLC的皮带机故障诊断系统将皮带机故障时的性能指标数据都整合在了一起并与故障类型一一对应，但是其采用的是一种信号对应一种故障的处理方式(例如：跑偏信号对应跑偏故障，张力信号对应撕裂故障等)。这种诊断方式存在如下弊端：首先，单一的信号对单一的故障进行判断可能会出现误判(例如：当皮带机出现过载故障时，皮带表面的速度会下降，但是当托辊出现故障时，也会造成皮带表面的速度下降，而如果只采用速度信号判断，就难以判断出是过载故障还是托辊故障，会出现误判情况)；其次，PLC系统将皮带机发生故障时的各种性能指标数据整合了起来，如果不加以综合利用，会造成数据的极大浪费。

专家系统是一种具有大量专门知识与经验的程序系统，其工作过程实质就是一个类似于人脑推理的过程，基于专家系统的故障诊断方法是将皮带机发生故障时的性能指标输入专家系统，系统从故障类型的知识库出发，通过推理机利用储存的故障类型相关知识进行分析推理，给出推理结果。但是，由于皮带机的故障都不是单一发生的，某种故障可能导致多种性能指标的改变，同时某种性能指标的改变也可能反映多种故障。对于这种复杂系统，并不能单纯通过简单的专家经验叠加来获取诊断规则，在知识的获取上也十分有限。

基于神经网络的故障诊断方法是将皮带机发生故障时的异常性能指标作为样本，通过神经网络训练，使其具有联想记忆、自学习、自适应的能力，在下次皮带机发生故障时有相关的故障信号传入系统，系统能够根据样本的训练自动辨识并对故障类型做出诊断。但是，神经网络虽然可以对样本进行训练，提高诊断的效率和可靠性，但是系统所训练的样本集是有限制的，并不能适用于所有情况，而且神经网络并不具备对复杂系统的逻辑推理能力。

因此，现有技术无法精确地诊断皮带机的故障。

发明内容

有鉴于此，本发明的目的在于提供一种皮带机的故障诊断方法及装置，用于精确地诊断皮带机的故障。

本发明提供的技术方案如下：

一种皮带机的故障诊断方法，包括：

根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；

获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；

将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。

优选地，所述根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统，包括：

获取所述皮带机所有可能发生的y个故障信息，建立所述故障融合系统的识别框架；

获取与y个所述故障信息相对应的x个所述性能指标数据，根据y个所述故障信息与x个所述性能指标数据构建所述故障融合系统的信任分配函数分布矩阵其中，所述信任分配函数分布矩阵中的每一个元素m_ij代表第i个传感器得到的可能发生的第j种故障的信任分配函数，且同一个传感器得到的信任分配函数的总和为1；

用所述信任分配函数分布矩阵中的第i行的转置向量乘以第j行，得到所述故障融合系统的融合矩阵所述矩阵R中的每个主对角元素是两个信任分配函数的乘积，所述i、j均为小于或等于x的任意正整数。

优选地，所述将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果，包括：

从至少一个所述局部故障诊断结果中选择用于诊断所述皮带机的故障的证据体，并根据所述故障融合系统计算各个所述证据体的基本可信度；

根据所述融合矩阵以及预设的组合算法，对各个所述证据体进行组合，得到融合结果，并根据所述故障融合系统计算各个所述融合结果的基本可信度；

根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的所述最终故障诊断结果。

优选地，所述根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的最终故障诊断结果，包括：

将所述基本可信度最大的所述证据体或者所述融合结果确定为所述皮带机的所述最终故障诊断结果。

一种皮带机的故障诊断装置，包括：

建立模块，用于根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；

生成模块，用于获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；

输出模块，用于将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。

优选地，所述建立模块，包括：

获取单元，用于获取所述皮带机所有可能发生的y个故障信息，建立所述故障融合系统的识别框架；

构建单元，用于获取与y个所述故障信息相对应的x个所述性能指标数据，根据y个所述故障信息与x个所述性能指标数据构建所述故障融合系统的信任分配函数分布矩阵其中，所述信任分配函数分布矩阵中的每一个元素m_ij代表第i个传感器得到的可能发生的第j种故障的信任分配函数，且同一个传感器得到的信任分配函数的总和为1；

融合单元，用于用所述信任分配函数分布矩阵中的第i行的转置向量乘以第j行，得到所述故障融合系统的融合矩阵所述矩阵R中的每个主对角元素是两个信任分配函数的乘积，所述i、j均为小于或等于x的任意正整数。

优选地，所述输出模块，包括：

选择单元，用于从至少一个所述局部故障诊断结果中选择用于诊断所述皮带机的故障的证据体，并根据所述故障融合系统计算各个所述证据体的基本可信度；

组合单元，用于根据所述融合矩阵以及预设的组合算法，对各个所述证据体进行组合，得到融合结果，并根据所述故障融合系统计算各个所述融合结果的基本可信度；

确定单元，用于根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的所述最终故障诊断结果。

优选地，所述确定单元，具体用于：

将所述基本可信度最大的所述证据体或者所述融合结果确定为所述皮带机的所述最终故障诊断结果。

与现有技术相比，本发明提供的上述技术方案具有如下优点：

本发明根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。本申请不是利用局部故障诊断结果对皮带机的故障进行诊断，而是根据故障融合系统对局部故障诊断结果进行融合诊断，能够避免局部故障诊断结果的误判，提高最终故障诊断结果的可信度和精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的皮带机的故障诊断方法的一种流程示意图；

图2是本申请实施例提供的局部故障决策过程示意图；

图3是本申请实施例提供的故障诊断过程示意图；

图4是本申请实施例提供的D-S证据理论融合算法中对命题的不确定描述的示意图；

图5是本发明实施例提供的皮带机的故障诊断装置的一种结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明实施例提供的皮带机的故障诊断方法的一种流程图，用于对皮带机的故障进行精确诊断，可以包括以下步骤：

S101：根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；

在皮带机的故障诊断过程中，很多故障都不是单一发生的，一种故障的发生可能伴随多种故障的征兆，同样一些故障征兆可能是多种不同的故障所产生的，如何将多种采集到的故障信息融合起来，求出最大信任函数值，根据判断规则精确的诊断出故障类型是本发明要解决的主要技术问题。

在本申请实施例中，所述根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统，包括：

获取所述皮带机所有可能发生的y个故障信息，建立所述故障融合系统的识别框架；

获取与y个所述故障信息相对应的x个所述性能指标数据，根据y个所述故障信息与x个所述性能指标数据构建所述故障融合系统的信任分配函数分布矩阵其中，所述信任分配函数分布矩阵中的每一个元素m_ij代表第i个传感器得到的可能发生的第j种故障的信任分配函数，且同一个传感器得到的信任分配函数的总和为1；

用所述信任分配函数分布矩阵中的第i行的转置向量乘以第j行，得到所述故障融合系统的融合矩阵所述矩阵R中的每个主对角元素是两个信任分配函数的乘积，所述i、j均为小于或等于x的任意正整数。

本申请实施例在建立故障融合系统时，依据的是证据理论融合算法：

建立识别框架：收集所有可能发生的故障信息，建立故障信息的识别框架。设皮带机上安装了x个测试故障的传感器，收集到了y个故障症状，且相互独立(每个传感器只检测一种故障)。

构建信任函数分布矩阵：将x个传感器和y个故障构成信任分配函数矩阵M：表示为：

式中：每一个元素m_ij代表第i个传感器得到可能发生的第j种故障的信任分配函数，同一个传感器得到的信任分配函数总和为1。

即：m_i1+m_i2+m_i3+...+m_ix＝1i＝1,2,...,y

用某一行的转置向量乘以另一行，得到一个新的矩阵R：

这样每个主对角元素是两个信任分配函数的乘积，不确定因子K等于各非对角元素的总和。

S102：获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；

参照图2所示，为本申请实施例提供的局部故障决策过程示意图；在本申请实施例中，皮带机上设置有多个传感器，当后台的监控系统向皮带机故障诊断装置的控制器如PLC发送数据采集指令时，PLC开始存储各个传感器采集到的异常信号并对异常信号进行滤波、去噪、模数转换等一系列预处理，得到征兆明显的特征信号，之后利用局部故障决策系统对提取到的特征信号进行局部故障决策，生成至少一个局部故障诊断结果。

S103：将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。

本申请实施例中，所述将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果，包括：从至少一个所述局部故障诊断结果中选择用于诊断所述皮带机的故障的证据体，并根据所述故障融合系统计算各个所述证据体的基本可信度；根据所述融合矩阵以及预设的组合算法，对各个所述证据体进行组合，得到融合结果，并根据所述故障融合系统计算各个所述融合结果的基本可信度；根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的所述最终故障诊断结果。

进一步的，所述根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的最终故障诊断结果，包括：将所述基本可信度最大的所述证据体或者所述融合结果确定为所述皮带机的所述最终故障诊断结果。

参照图3所示，为本申请实施例提供的故障诊断过程示意图；按照上文中的证据理论融合算法中的融合矩阵以及预设的组合算法，对三个以及三个以上的证据体进行组合时，先选取两个证据体进行组合，再将组合后的结果与第三个证据体组合，之后再依次与后续的证据体进行两两组合，总是将前一次的组合结果与一个剩余的新证据体组合起来，最终得出融合结果，多个证据体的组合算法用公式表示为：

根据D-S证据理论融合算法，在事件发生后利用事件结果返回找出事件原因，先将结果对原因做出判断，得出假设的原因，使得每个结果都有独立的概率分布，再将这些数据融合，导出融合事件发生的概率，有多个结果的时候，就先将其中的两个结果的判断融合再和其他的结果融合，求出此概率，然后再找出其中概率最大的，即可确定最终的原因，具体到本发明的技术方案：

①设某条件V下所有假设的有限集合Θ＝{x₁,x₂,...x_n}为识别框，Θ的所有子集构成的集合是幂集，记为2^Θ。

设Θ为识别框架，如果集函数m:2^Θ→[0,1](2^Θ为Θ的幂集)满足：

其中m为框架Θ上的基本可信度分配：m(A)为A的基本可信数。

②信度函数和似然函数：

设Θ为识别框架，m:2^Θ→[0,1]为框架上的Θ上的可信度分配，

则称由：

所定义的函数Bel：2^Θ→[0,1]为Θ的信度函数。

设Θ为识别框架：称为A的似然函数，记为：Pl(A)，即

常用证据区间如下表1所示：

对命题的不确定描述如图4所示。

③D-S证据理论组合规则

设识别框架Θ下的2个证据分别为V₁,V₂对应的基本信任度分配函数数值分别是m₁,m₂，焦元分别是A_i,B_j。则由下定义函数m:2^Θ→[0,1]是融合后的信度函数分配：

式中，为不确定因子，反映证据的冲突程度；φ为空集；m_i(·)是第i个证据体的基本信任函数值。

可将上述两个融合规则扩展为多个有限证据体融合的情况

式中，为证据体间的冲突系数，为归一化因子，可以防止融合时给空集分配信任度。

④D-S证据理论抉择过程

首先计算出各证据体的基本可信度、置信函数和似然函数然后利用上述描述的D-S融合规则，求得所有证据下的基本可信数、置信函数和似然函数，根据证据融合算法中的公式(1)组合算法中的公式(3)以及D-S融合算法中的公式(7)(8)对传感器在皮带机上采集的故障信息输入到故障融合系统加以并行数据融合，得到故障特征量，最后在预设的抉择规则下，可以选择概率最大的作为最终故障诊断结果。

下面以举例的形式对本申请实施例的内容进行进一步说明：

利用上述融合系统，假定用于判断皮带机故障的三个信号(速度传感器、温度传感器、张力传感器)作为判别，m₁表示速度传感器的信任度，m₂表示温度传感器的信任度，m₃表示张力传感器的信任度。来判别皮带机出现的三种故障(过载、跑偏、撕裂)。A₁表示打滑故障，A₂表示跑偏故障，A₃表示撕裂故障。建立可识别框架Θ＝{A₁,A₂,A₃}，三个传感器的可信度分配如下表2所示。

	A<sub>1</sub>	A<sub>2</sub>	A<sub>3</sub>
				m<sub>1</sub>	0.46	0.28	0.26
m<sub>2</sub>	0.69	0.18	0.13
				m<sub>3</sub>	0.85	0.10	0.05

从表中可看出各个传感器所判断故障的的可信度相差不大，所以不能对故障进行判断容易出现误判。从温度传感器和张力传感器的可信度来看，打滑故障的可信度较高，但是不确信度也较高，如果皮带机发生多个故障也无法判断。所以有必要将两个传感器测得数据进行融合。

根据上述公式(7)求出K值，融合两种传感器的m₁₂(A₁)，m₁₂(A₂)，m₁₂(A₃)可信度结果如下表3所示：

代入公式计算K值：

K＝0.19+0.18+0.08+0.05+0.06+0.04＝0.6

与表2相比，表3中的m₁₂(A₁),m₁₂(A₂),m₁₂(A₃)比A₁,A₂,A₃的可信度更加明显，不确定度大大降低。

同理，将此次融合的结果再与第三种传感器融合如下表4所示：

K＝0.08+0.04+0.11+0.006+0.06+0.007＝0.303

可见，与表2中的两种传感器融合后的数据相比，表4中的可信度再一次增大了，也就意味着故障类型判断的精度增大了。

因此，根据本申请采用的D-S证据理论融合算法，数据越多，判断的结果就会越精确，但也要根据实际情况不能再设备上无限制的增加传感器。

综上所述，本发明是一种基于多源信息融合的故障诊断方法，基本原理是充分整合传感器资源，利用不同的传感器(或智能开关)尽可能多角度全方位的获取皮带机的各种故障信息，对皮带机发生故障时的各种异常信号进行融合分析，并且对获取的信息进行算法的优化，建立一种诊断模型，求出最大信任函数，在数据充分利用的情况下对皮带机发生的故障进行诊断，目的在提高诊断精度的同时提高数据的利用率。

对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

与上述方法实施例相对应，本发明实施例还提供一种皮带机的故障诊断装置，其可选结构如图5所示，可以包括：建立模块11、生成模块12和输出模块13。

建立模块11，用于根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；

优选地，所述建立模块11，可以包括：

获取单元，用于获取所述皮带机所有可能发生的y个故障信息，建立所述故障融合系统的识别框架；

构建单元，用于获取与y个所述故障信息相对应的x个所述性能指标数据，根据y个所述故障信息与x个所述性能指标数据构建所述故障融合系统的信任分配函数分布矩阵其中，所述信任分配函数分布矩阵中的每一个元素m_ij代表第i个传感器得到的可能发生的第j种故障的信任分配函数，且同一个传感器得到的信任分配函数的总和为1；

融合单元，用于用所述信任分配函数分布矩阵中的第i行的转置向量乘以第j行，得到所述故障融合系统的融合矩阵所述矩阵R中的每个主对角元素是两个信任分配函数的乘积，所述i、j均为小于或等于x的任意正整数。

生成模块12，用于获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；

输出模块13，用于将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。

优选地，所述输出模块13，可以包括：

选择单元，用于从至少一个所述局部故障诊断结果中选择用于诊断所述皮带机的故障的证据体，并根据所述故障融合系统计算各个所述证据体的基本可信度；

组合单元，用于根据所述融合矩阵以及预设的组合算法，对各个所述证据体进行组合，得到融合结果，并根据所述故障融合系统计算各个所述融合结果的基本可信度；

确定单元，用于根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的所述最终故障诊断结果。

优选地，所述确定单元，具体用于：

将所述基本可信度最大的所述证据体或者所述融合结果确定为所述皮带机的所述最终故障诊断结果。

本申请实施例提供的皮带机的故障诊断装置所实现的是上述方法实施例中的方法，对于上述皮带机的故障诊断装置中各个步骤的实施过程以及解释等请参阅上述方法实施例中的相关说明，对此本发明实施例不再阐述。

与现有技术相比，本发明提供的上述技术方案具有如下优点：

本发明根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。本申请不是利用局部故障诊断结果对皮带机的故障进行诊断，而是根据故障融合系统对局部故障诊断结果进行融合诊断，能够避免局部故障诊断结果的误判，提高最终故障诊断结果的可信度和精确度。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种皮带机的故障诊断方法，其特征在于，包括：

根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；

获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；

将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统，包括：

获取所述皮带机所有可能发生的y个故障信息，建立所述故障融合系统的识别框架；

获取与y个所述故障信息相对应的x个所述性能指标数据，根据y个所述故障信息与x个所述性能指标数据构建所述故障融合系统的信任分配函数分布矩阵其中，所述信任分配函数分布矩阵中的每一个元素m_ij代表第i个传感器得到的可能发生的第j种故障的信任分配函数，且同一个传感器得到的信任分配函数的总和为1；

用所述信任分配函数分布矩阵中的第i行的转置向量乘以第j行，得到所述故障融合系统的融合矩阵所述矩阵R中的每个主对角元素是两个信任分配函数的乘积，所述i、j均为小于或等于x的任意正整数。

3.根据权利要求2所述的方法，其特征在于，所述将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果，包括：

从至少一个所述局部故障诊断结果中选择用于诊断所述皮带机的故障的证据体，并根据所述故障融合系统计算各个所述证据体的基本可信度；

根据所述融合矩阵以及预设的组合算法，对各个所述证据体进行组合，得到融合结果，并根据所述故障融合系统计算各个所述融合结果的基本可信度；

根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的所述最终故障诊断结果。

4.根据权利要求3所述的方法，其特征在于，所述根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的最终故障诊断结果，包括：

将所述基本可信度最大的所述证据体或者所述融合结果确定为所述皮带机的所述最终故障诊断结果。

5.一种皮带机的故障诊断装置，其特征在于，包括：

建立模块，用于根据皮带机所有可能发生的故障信息以及与所述故障信息相对应的性能指标数据，建立故障融合系统；

生成模块，用于获取所述皮带机的各个传感器在所述皮带机发生故障时检测得到的异常信号，根据所述异常信号进行局部故障决策，生成至少一个局部故障诊断结果；

输出模块，用于将至少一个所述局部故障诊断结果输入到所述故障融合系统中进行数据融合，利用所述故障融合系统输出最终故障诊断结果。

6.根据权利要求5所述的装置，其特征在于，所述建立模块，包括：

获取单元，用于获取所述皮带机所有可能发生的y个故障信息，建立所述故障融合系统的识别框架；

构建单元，用于获取与y个所述故障信息相对应的x个所述性能指标数据，根据y个所述故障信息与x个所述性能指标数据构建所述故障融合系统的信任分配函数分布矩阵其中，所述信任分配函数分布矩阵中的每一个元素m_ij代表第i个传感器得到的可能发生的第j种故障的信任分配函数，且同一个传感器得到的信任分配函数的总和为1；

融合单元，用于用所述信任分配函数分布矩阵中的第i行的转置向量乘以第j行，得到所述故障融合系统的融合矩阵所述矩阵R中的每个主对角元素是两个信任分配函数的乘积，所述i、j均为小于或等于x的任意正整数。

7.根据权利要求6所述的装置，其特征在于，所述输出模块，包括：

选择单元，用于从至少一个所述局部故障诊断结果中选择用于诊断所述皮带机的故障的证据体，并根据所述故障融合系统计算各个所述证据体的基本可信度；

组合单元，用于根据所述融合矩阵以及预设的组合算法，对各个所述证据体进行组合，得到融合结果，并根据所述故障融合系统计算各个所述融合结果的基本可信度；

确定单元，用于根据各个所述证据体的基本可信度和各个所述融合结果的基本可信度，确定所述皮带机的所述最终故障诊断结果。

8.根据权利要求7所述的装置，其特征在于，所述确定单元，具体用于：

将所述基本可信度最大的所述证据体或者所述融合结果确定为所述皮带机的所述最终故障诊断结果。