CN113159138B - 一种基于数据融合的燃气锅炉故障诊断方法及装置 - Google Patents

Abstract

本发明提供了一种基于数据融合的燃气锅炉故障诊断方法和装置。所述方法包括：获取与N个不同信号对应的N组传感器的输出数据，分别对每组同源传感器的输出数据进行融合；对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D‑S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率；基于D‑S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。本发明在数据层、特征层和决策层同时进行数据融合，大大提高了数据融合的效能，提高了故障识别的准确度。

Description

一种基于数据融合的燃气锅炉故障诊断方法及装置

技术领域

本发明涉及燃气锅炉故障诊断技术领域，具体涉及一种基于数据融合的燃气锅炉故障诊断方法及装置。

背景技术

随着国家对环保要求的提高，锅炉行业和其他企业一样面临着严峻的挑战。为了更好地践行环保政策要求，实施绿色发展，燃气锅炉已逐步替代燃煤锅炉。同其它种类锅炉一样，燃气锅炉在使用过程也经常发生各种故障。燃气锅炉故障的诊断通常是通过设置多个传感器，对输出的数据处理、提取故障特征并按照一定的故障诊断策略进行判断实现的。由于涉及多个传感器的输出数据，因此一般需要对多个传感器的输出数据进行融合，以提高故障诊断的准确度。

传统的数据融合方法一般只是对多个传感器的输出数据直接进行融合，或对多个传感器的输出数据进行一定的预处理后再进行融合，然后对融合后的数据进行故障特征提取和决策判断。这种数据融合方法的优点是简便可行、计算量小，但存在精度不高、不利于有效提高故障诊断准确度的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种基于数据融合的燃气锅炉故障诊断方法及装置，在数据层、特征层和决策层均进行数据融合，可有效提高故障诊断的准确度。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种基于数据融合的燃气锅炉故障诊断方法，包括：

获取与N个不同信号对应的N组传感器的输出数据，每组传感器包含多个同源传感器，分别对每组同源传感器的输出数据进行融合，N≥2；

对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D-S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率，M≥2；

基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。

进一步地，在分别对每组同源传感器的输出数据进行融合之前，还包括对每组同源传感器的输出数据进行预处理：补充缺失数据，平滑处理，FCM降噪处理。

进一步地，采用自适应加权法对每组同源传感器的输出数据进行融合，数据融合公式为：

式中，

为融合结果；x_i为第i个同源传感器的输出数据；w_i为x_i的加权系数，s(x_i)为第i个同源传感器的不确定度；x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量；i＝1,2,…,n，n为同源传感器的数量。

进一步地，N＝5，M＝3，5个不同信号为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅，3种可能的故障种类为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄；基于D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率的方法包括：

设定由T_i导致F_j的基本概率p_ij，0<p_ij<1，

1≤i≤5，1≤j≤4；

计算归一化系数：

计算每种故障发生的概率：

更进一步地，基于D-S证据理论的判决规则对3种故障和未知故障发生概率进行融合，识别出燃气锅炉的故障种类，判决规则为：

如果

成立，则故障种类为F_s，其中，P_s、P_t分别为将P_j从大到小排序排在第一位和第二位的值，1≤j≤4，ε₁、ε₂为设定的阈值。

第二方面，本发明提供一种基于数据融合的燃气锅炉故障诊断装置，包括：

数据层融合模块，用于获取与N个不同信号对应的N组传感器的输出数据，每组传感器包含多个同源传感器，分别对每组同源传感器的输出数据进行融合，N≥2；

特征层融合模块，用于对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D-S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率，M≥2；

决策层融合模块，用于基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。

进一步地，所述装置还包括预处理模块，用于在分别对每组同源传感器的输出数据进行融合之前，对每组同源传感器的输出数据进行预处理：补充缺失数据，平滑处理，FCM降噪处理。

进一步地，所述数据层融合模块采用自适应加权法对每组同源传感器的输出数据进行融合，数据融合公式为：

式中，

为融合结果；x_i为第i个同源传感器的输出数据；w_i为x_i的加权系数，s(x_i)为第i个同源传感器的不确定度；x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量；i＝1,2,…,n，n为同源传感器的数量。

进一步地，N＝5，M＝3，5个不同信号为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅，3种可能的故障种类为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄；基于D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率的方法包括：

设定由T_i导致F_j的基本概率p_ij，0<p_ij<1，

1≤i≤5，1≤j≤4；

计算归一化系数：

计算每种故障发生的概率：

更进一步地，决策融合层模块基于D-S证据理论的判决规则对4种故障发生的概率进行融合，识别出燃气锅炉的故障种类，判决规则为：

如果

成立，则故障种类为F_s，其中，P_s、P_t分别为将P_j从大到小排序排在第一位和第二位的值，1≤j≤4，ε₁、ε₂为设定的阈值。

与现有技术相比，本发明具有以下有益效果。

本发明通过对同源传感器的输出数据进行融合，对经数据层融合后的非同源数据进行故障特征提取得到的多个故障特征数据，并基于D-S证据理论进行融合，得到多种故障和未知故障发生的概率，基于D-S证据理论的判决规则对多种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类，实现了数据层、特征层和决策层同时进行数据融合，大大提高了数据融合的效能，提高了故障识别的准确度。

附图说明

图1为本发明实施例一种基于数据融合的燃气锅炉故障诊断方法的流程图。

图2为数据层、特征层和决策层同时进行数据融合的结构示意图。

图3为本发明实施例一种基于数据融合的燃气锅炉故障诊断装置的方框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅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作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。

图1为本发明实施例一种基于数据融合的燃气锅炉故障诊断方法的流程图，所述方法包括以下步骤：

步骤101，获取与N个不同信号对应的N组传感器的输出数据，每组传感器包含多个同源传感器，分别对每组同源传感器的输出数据进行融合，N≥2；

步骤102；对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D-S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率，M≥2；

步骤103，基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。

本实施例中，步骤101主要用于进行数据层的数据融合。为了提高数据融合的效果，本实施例在数据层、特征层和决策层三个层次进行数据融合。三个层次进行数据融合的原理示意图如图2所示。图2中，有N个不同的信号需要由传感器转换成电信号，与N个不同的信号对应的传感器之间称为非同源传感器，如图2中的同源传感器之间就称为非同源传感器。为了提高信号采集的精度，一般在不同位置安装多个传感器采集同一信号，这样的多个传感器之间称为同源传感器，如图2所示，图中的每个同源传感器方框都由多个传感器组成。数据层的数据融合是指对传感器输出的信号直接进行融合，或先对传感器输出的信号进行一定的预处理后再进行融合。就像质量和长度不能直接相加一样，不同信号的数据不适合直接进行融合，因此，数据层的数据融合只适合同源传感器的输出数据，如图2所示，每个同源传感器方框后面紧跟的一个数据融合方框，其功能就是实现数据层的数据融合。数据层的数据融合，也是一般意义上的数据融合，常用的融合方法是直接求均值法或加权求均值法，本实施例不对具体的融合方法进行限制。

本实施例中，步骤102主要用于进行特征层的数据融合。相对数据层的数据融合，特征层的数据融合是较高级别的数据融合。如前述，非同源传感器由于对应不同的信号，因此一般不能在数据层直接进行融合。虽然质量和长度不能直接相加，但是，对质量和长度进行特征提取后却有一定的共性，比如，多数物体一般情况下都是质量越大、长度越长体积也越大，即质量和长度都与体积有关，因此它们对体积的影响特征就可能进行融合。对于不同的燃气负荷信号也是一样，它们都有可能导致相同的故障，即具有同种故障特征。因此，对每组同源传感器融合后的数据进行故障特征提取后，就可以进行特征层的数据融合了。本实施例就是通过特征提取得到N个故障特征数据，然后基于D-S证据理论对N个故障特征数据进行融合，得到M种故障发生的概率(可信度)和未知故障发生的概率即不确定度。

D-S证据理论是对贝叶斯推理方法推广，不需要知道先验概率，能够很好地表示“不确定”，被广泛用来处理不确定数据。D-S证据组合规则是反映证据联合作用的一个原理。在统一的识别框架上给定几个基于不同证据的信度函数，如果这几批证据不是完全冲突，就可以利用D-S证据组合规则计算出一个信度函数，作为在那几批证据的联合作用下产生的信度函数，称为原来那几个信度函数的直和。下面介绍一下D-S证据理论的基本概念。

设Θ为识别框架，Θ的幂集2^Θ表示所有可能的命题集，称m为框架Θ上的基本可信度分配函数，

使其满足：

m(φ)＝0

则m(A)称为A的基本可信度。基本可信度反映了对A本身的可信度大小，m(φ)＝0说明对于空命题不产生任何信度，

说明框架中所有命题的总信度等于1。

假设两个独立证据中的命题分别为A₁,A₂,…,A_k和B₁,B₂,…,B_j，其对应的基本可信度分配函数分别为m₁和m₂，则D-S证据组合的结果为：

K值反映了证据间的冲突程度，称为冲突权值。其值越大说明证据之间的冲突越大，若K＝1，则认为m₁和m₂完全矛盾，不能对基本可信度分配进行组合。

本实施例中，步骤103主要用于通过进行决策层数据融合识别出故障种类。决策层融合高于特征层融合，其融合对象为具体的决策目标，考虑特征量与决策的对应关系，综合特征级融合的融合结果。决策级融合具有数据量小、实时性好的优点，同时因为数据传输量小的特征，其对信息传输的宽带要求也较低。此外，决策层融合在容错方面也具有很大的优势，即使部分甚至几个传感器不能正常工作，决策级融合仍能给出正确的决策或判断。本实施例基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。D-S的判决规则如下：

设

满足：

满足上述关系的A₁即为判决结果。其中ε₁和ε₂为决策判断的门限值。最大的基本概率赋值与第二大的基本概率赋值的差值要大于ε₁，而且判决的不确定性的基本概率赋值m(Θ)要小于ε₂。此外，不确定性的基本概率赋值要小于判决结果的基本概率赋值。因此，ε₁越大，ε₂越小，则判决结果也越准确。

本实施例在数据层、特征层和决策层均进行数据融合，可大大提高数据融合的性能，提高故障识别的准确度。

作为一可选实施例，在分别对每组同源传感器的输出数据进行融合之前，还包括对每组同源传感器的输出数据进行预处理：补充缺失数据，平滑处理，FCM(Fuzzy C-Means，模糊C均值聚类)降噪处理。

在本实施例中，为了提高数据层数据融合的效果，在数据融合前先进行预处理。由于燃气系统工作的性常使传感器输出的原始数据中产生很多不良数据。比如：缺失数据，单个、连续多个和间隔数值为空或零的现象；毛刺，相邻的历史负荷数据骤然变大或变小，表现在负荷曲线上就是急剧上升或下降；异常极大、极小负荷，负荷曲线中会存在多个波峰、波谷，由于负荷具有周期性，极大值和极小值的出现时间段存在一定的相似性，若在其他时间段内出现极值就视为需要修正的数据；噪声干扰数据：由周围环境中其它电子设备发射的无线电干扰信号。针对上述异常数据，本实施例采取以下预处理步骤：补充缺失数据，平滑处理，FCM降噪处理。

数据缺失表现为某一天、连续几天和间隔几天的数据为空值或零值。按下式计算第d天的缺失值：

x(d)＝w₁x(d₁)+w₂x(d₂)+…+w_kx(d_k)

其中，x(d)为第d天的缺失值，x(d_i)(i＝1,2,…,I)为距离缺失数据x(d)最近I天的数据，且第d_i天与第d天的日期类型相同，例如，都是工作日的负荷，w_i是权重；s_i是欧氏距离。由公式知，s_i越小，权重就越大，这说明距离缺失值近的数据对其影响较大，符合实际情况。

平滑处理对消除毛刺、突变类异常数据有很好的效果。平滑处理还包括横向平滑处理和纵向平滑处理。这里对平滑处理的具体流程不作详细介绍。

目前常用的去噪算法大概可以分为五种：基于统计，基于邻近性，基于可视化，基于分类以及基于聚类。本实施例采用最后一种去噪方法即FCM聚类算法。FCM是一种以隶属度来确定每个数据点属于某个聚类的程度的算法，其聚类结果是每一个数据点对聚类中心的隶属程度，该隶属程度用一个数值来表示。算法思想是通过循环更新隶属度矩阵，使得聚类之后划分在同一簇的样本之间具有最大的相似度大，而不同簇之间的相似度最小。

作为一可选实施例，采用自适应加权法对每组同源传感器的输出数据进行融合，数据融合公式为：

式中，

为融合结果；x_i为第i个同源传感器的输出数据；w_i为x_i的加权系数，s(x_i)为第i个同源传感器的不确定度；x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量；i＝1,2,…,n，n为同源传感器的数量。

本实施例给出了实现数据层数据融合的一种技术方案。直接求均值法和加权求均值法是数据融合最常用的两种方法。加权求均值法要优于直接求均值法，但这两种方法都可归于均值法。本实施例给出了一种比加权求均值法更优的方法，即自适应加权法。传感器输出数据一般都有较大的不确定度，数据的不确定度在很大程度上决定着测量结果的可用性。而对于燃气锅炉来说，其传感器测量数据的相对偏差量与传感器测量不确定度近似在一个数量级之内，所以在故障诊断中应充分考虑传感器测量不确定度的影响。本实施例采用自适应加权融合算法，以最小化传感器不确定度为约束条件，根据各个传感器所得到的测量值以自适应的方式寻找其对应的加权系数进行同源传感器测量数据的融合，从而使融合后的数据信息达到最优。下面给出算法原理。

设第i个同源传感器的输出数据为x_i，融合结果表示为：

w_i为x_i的加权系数，

i＝1,2,…,n，n为同源传感器的数量。

同源传感器的测量总不确定度为：

假设各同源传感器的测量值x_i相互独立，且是x的无偏估计，则：

E[w_iw_j(x-x_i)(x-x_j)]＝0

总不确定度化简为：

式中，s(x_i)为第i个同源传感器的不确定度，可由贝塞尔公式计算:

式中，x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量。

通过解方程

可得到

取极小值

时的加权系数w_i'：

w_i'就是本实施例自适应加权求和法数据融合的加权系数w_i，只要用实时计算的w_i'更新w_i，就能使数据融合的不确定度始终保持最小。

作为一可选实施例，N＝5，M＝3，5个不同信号为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅，3种可能的故障种类为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄；基于D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率的方法包括：

设定由T_i导致F_j的基本概率p_ij，0<p_ij<1，

1≤i≤5，1≤j≤4；

计算归一化系数：

计算每种故障发生的概率：

本实施例给出了燃气锅炉故障诊断的一种具体应用实例。在本实施例中，共有5个故障特征，分别为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅；3种可能的故障种类，分别为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄。未知故障对应故障不确定度，常用Θ表示，本实施例为了计算方便，与其它故障统一采用下标编号用F₄表示。提取的故障特征(或证据特征)的表现形式为不同信号对不同故障的基本可信度分配值(或基本概率赋值)p_ij，1≤i≤5，1≤j≤4。基本可信度分配值可通过训练神经网络模型(输入为经数据层融合后的值，输出为故障的可信度或概率)得到。p_ij的值如表1所示。

表1基本可信度p_ij

	F<sub>1</sub>	F<sub>2</sub>	F<sub>3</sub>	F<sub>4</sub>
					T<sub>1</sub>	0.194	0.257	0.429	0.120
T<sub>2</sub>	0.281	0.512	0.148	0.059
					T<sub>3</sub>	0.238	0.258	0.403	0.101
T<sub>4</sub>	0.470	0.134	0.153	0.243
					T<sub>5</sub>	0.732	0.038	0.045	0.185

根据D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率，计算公式为：

计算结果P₁～P₄分别为：0.920，0.036，0.037，0.007。

值得说明的是，上面是为了说明如何应用D-S证据理论给出的一个简化的实例，实际的信号种类和故障种类要更复杂。

作为一可选实施例，基于D-S证据理论的判决规则对3种故障和未知故障发生概率进行融合，识别出燃气锅炉的故障种类，判决规则为：

如果

成立，则故障种类为F_s，其中，P_s、P_t分别为将P_j从大到小排序排在第一位和第二位的值，1≤j≤4，ε₁、ε₂为设定的阈值。

本实施例给出了应用D-S证据理论的判决规则在决策层进行数据融合识别故障种类的一种技术方案。沿用上面的例子，P₁～P₄中的最大值和次大值分别为P₁＝0.920，P₃＝0.037，不确定度P₄＝0.007。如果ε₁＝0.8，ε₂＝0.008，则P₁-P₃>ε₁，P₁>P₄，P₄<ε₂，满足判决规则，故障种类为炉启停F₁。

图3为本发明实施例一种装置的组成示意图，所述装置包括：

数据层融合模块11，用于获取与N个不同信号对应的N组传感器的输出数据，每组传感器包含多个同源传感器，分别对每组同源传感器的输出数据进行融合，N≥2；

特征层融合模块12，用于对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D-S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率，M≥2；

决策层融合模块13，用于基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。

本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。

作为一可选实施例，所述装置还包括预处理模块，用于在分别对每组同源传感器的输出数据进行融合之前，对每组同源传感器的输出数据进行预处理：补充缺失数据，平滑处理，FCM降噪处理。

作为一可选实施例，所述数据层融合模块11采用自适应加权法对每组同源传感器的输出数据进行融合，数据融合公式为：

式中，

为融合结果；x_i为第i个同源传感器的输出数据；w_i为x_i的加权系数，s(x_i)为第i个同源传感器的不确定度；x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量；i＝1,2,…,n，n为同源传感器的数量。

作为一可选实施例，N＝5，M＝3，5个不同信号为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅，3种可能的故障种类为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄；基于D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率的方法包括：

设定由T_i导致F_j的基本概率p_ij，0<p_ij<1，

1≤i≤5，1≤j≤4；

计算归一化系数：

计算每种故障发生的概率：

作为一可选实施例，决策层融合模块13基于D-S证据理论的判决规则对3种故障和未知故障发生概率进行融合，识别出燃气锅炉的故障种类，判决规则为：

如果

成立，则故障种类为F_s，其中，P_s、P_t分别为将P_j从大到小排序排在第一位和第二位的值，1≤j≤4，ε₁、ε₂为设定的阈值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.一种基于数据融合的燃气锅炉故障诊断方法，其特征在于，包括：

获取与N个不同信号对应的N组传感器的输出数据，每组传感器包含多个同源传感器，分别对每组同源传感器的输出数据进行融合，N≥2；

对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D-S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率，M≥2；当N＝5、M＝3时，5个不同信号为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅，3种可能的故障种类为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄；基于D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率的方法包括：

设定由T_i导致F_j的基本概率p_ij，0<p_ij<1，

1≤i≤5，1≤j≤4；

计算归一化系数：

计算每种故障发生的概率：

基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。

2.根据权利要求1所述的基于数据融合的燃气锅炉故障诊断方法，其特征在于，在分别对每组同源传感器的输出数据进行融合之前，还包括对每组同源传感器的输出数据进行预处理：补充缺失数据，平滑处理，FCM降噪处理。

3.根据权利要求1所述的基于数据融合的燃气锅炉故障诊断方法，其特征在于，采用自适应加权法对每组同源传感器的输出数据进行融合，数据融合公式为：

式中，

为融合结果；x_i为第i个同源传感器的输出数据；w_i为x_i的加权系数，s(x_i)为第i个同源传感器的不确定度；x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量；i＝1,2,…,n，n为同源传感器的数量。

4.根据权利要求1所述的基于数据融合的燃气锅炉故障诊断方法，其特征在于，基于D-S证据理论的判决规则对3种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类，判决规则为：

如果

成立，则故障种类为F_s，其中，P_s、P_t分别为将P_j从大到小排序排在第一位和第二位的值，1≤j≤4，ε₁、ε₂为设定的阈值。

5.一种基于数据融合的燃气锅炉故障诊断装置，其特征在于，包括：

数据层融合模块，用于获取与N个不同信号对应的N组传感器的输出数据，每组传感器包含多个同源传感器，分别对每组同源传感器的输出数据进行融合，N≥2；

特征层融合模块，用于对每组同源传感器融合后的数据进行故障特征提取，得到N个故障特征数据，基于D-S证据理论对N个故障特征数据进行融合，得到M种故障和未知故障发生的概率，M≥2；当N＝5、M＝3时，5个不同信号为炉回压T₁、泵出压力T₂、循环泵频率T₃、炉流量T₄和总供水温度T₅，3种可能的故障种类为炉启停F₁、循环泵故障F₂、XHB工频故障F₃，未知故障记为F₄；基于D-S证据理论对5个故障特征数据进行融合，得到3种故障和未知故障发生的概率的方法包括：

设定由T_i导致F_j的基本概率p_ij，0<p_ij<1，

1≤i≤5，1≤j≤4；

计算归一化系数：

决策层融合模块，用于基于D-S证据理论的判决规则对M种故障和未知故障发生的概率进行融合，识别出燃气锅炉的故障种类。

6.根据权利要求5所述的基于数据融合的燃气锅炉故障诊断装置，其特征在于，所述装置还包括预处理模块，用于在分别对每组同源传感器的输出数据进行融合之前，对每组同源传感器的输出数据进行预处理：补充缺失数据，平滑处理，FCM降噪处理。

7.根据权利要求5所述的基于数据融合的燃气锅炉故障诊断装置，其特征在于，所述数据层融合模块采用自适应加权法对每组同源传感器的输出数据进行融合，数据融合公式为：

式中，

为融合结果；x_i为第i个同源传感器的输出数据；w_i为x_i的加权系数，s(x_i)为第i个同源传感器的不确定度；x_ik为第i个同源传感器的第k个测量结果，K1为测量结果的数量；i＝1,2,…,n，n为同源传感器的数量。

8.根据权利要求5所述的基于数据融合的燃气锅炉故障诊断装置，其特征在于，决策融合层模块基于D-S证据理论的判决规则对3种故障和未知故障发生概率进行融合，识别出燃气锅炉的故障种类，判决规则为：

如果

成立，则故障种类为F_s，其中，P_s、P_t分别为将P_j从大到小排序排在第一位和第二位的值，1≤j≤4，ε₁、ε₂为设定的阈值。

Images