经典DS证据理论下的设备故障诊断原理及示例

---

前言

DS证据理论作为传感器融合方法，常被用于不确定性事件的结果融合，类似于集成算法模型，但两者核心算法不同。集成算法模型常用投票的方式来确定最终结果，DS证据理论则有单独的计算方法。本文则简单介绍DS证据理论经典算法，有需要的可参考学习。

---

一、DS证据理论介绍

1.1 基本概念

为方便大家能直观了解DS证据理论原理，现以某设备状态预测为例进行阐述。
背景：现需要对一台风电机组大部件进行状态识别，暂定机组状态分为：轴承故障、齿轮箱故障、发电机故障、机组正常。
传感器数据为：发电机功率、发电机转速、齿轮箱油温、齿轮箱油压、主轴承温度、偏航方向。
在建立DS证据理论模型前，先确定以下几个概念：
(1) X 全域（Universe）/识别框架/假设空间
对于X 全域，指的是一共可以有多少种假设， 表示就是我们要判断事件发生情况的范围。在上述例子中，指的是风电机组的四种状态。
(2)基本概率
X全域中某个状态概率。在上述例子中，指的是风电机组某个状态下的概率，其中同一传感器下的各状态概率和为1。
(3)基本概率分配(BPA)
由传感器得到X全域中每个状态下的概率过程，是DS证据理论中的核心部分。
(4)概率分配函数mass
基本概率分配的函数过程中用的方法或者函数。
(5)信度函数Bel
某个状态下的所有子集概率之和。比如风电机组轴承故障信度为所有包含轴承故障事件的概率之和。