CN110377001A - 基于数据融合的工业设备智能故障诊断系统和方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的工业设备智能故障诊断系统和方法，其中故障诊断系统中，工厂客户端用于获取并显示设备台账数据库存储的工业设备的设备台账信息，工厂客户端用于获取巡点检任务标准数据库存储的巡点检任务信息；工业巡点检设备和在线监测设备均用于对工业设备的不同类型的运行参数进行采集，采集到的运行参数发送到设备历史数据库中，模糊诊断逻辑数据库用于根据基于隶属度函数的模糊诊断规则结合模糊关系矩阵进行模式识别，得出故障原因的可信度。通过本发明的技术方案，及时给出工业设备的各部件的故障严重等级，进而对机组的健康状态进行评估，从而给予工业设备运行和检修建议。

Description

基于数据融合的工业设备智能故障诊断系统和方法

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于数据融合的工业设备智能故障诊断系统和一种基于数据融合的工业设备智能故障诊断方法。

背景技术

燃气轮发电机具有结构紧凑、运行平稳、安全可靠、快速启动带负荷的优点，是一种新型的动力设备，在现代工业生产中发挥的重要的作用。燃气轮机作为燃气轮发电机组的动力设备，在运行过程中受恶劣工作环境、调峰需要、运行磨损等众多因素的影响易存在故障隐患。完善燃气轮机故障诊断体系结构，及时进行燃气轮机的故障诊断，有利于排除隐患、降低事故发生率、提高安全性，为机组安全运行、提高经济效益提供理论依据。因此，燃气轮机故障诊断方法的研究，对可靠运行、安全保障、延长使用寿命、科学管理与维护等方面的工作具有很强的实际意义。

数据融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理，从而得出决策和估计任务所需的信息的处理过程。数据融合中心对来自多个传感器的信息进行融合，也可以将来自多个传感器的信息和人机界面的观测事实进行信息融合(这种融合通常是决策级融合)，提取征兆信息，在推理机作用下，将征兆与知识库中的知识匹配，做出故障诊断决策，提供给用户。在基于信息融合的故障诊断系统中可以加入自学习模块，故障决策经自学习模块反馈给知识库，并对相应的置信度因子进行修改，更新知识库。同时，自学习模块能根据知识库中的知识和用户对系统提问的动态应答进行推理，以获得新知识，总结新经验，不断扩充知识库，实现专家系统的自学习功能。

发明内容

针对上述问题中的至少之一，本发明提供了一种基于数据融合的工业设备智能故障诊断系统和方法，基于燃气机组的运行规程，并结合在线监测数据、生产实时SIS数据、点检数据和精密诊断离线数据进行数据融合，利用故障特征的判断阈值和基于隶属度函数的模糊诊断规则，及时给出工业设备的各部件的故障严重等级，进而对机组的健康状态进行评估，从而给予工业设备运行和检修建议。

为实现上述目的，本发明提供了一种基于数据融合的工业设备智能故障诊断系统，包括：工业巡点检设备、在线监测设备、精密诊断模型数据库、设备历史数据库、工厂客户端、数据融合模型和模糊诊断逻辑数据库；所述工厂客户端用于获取并显示设备台账数据库存储的所述工业设备的设备台账信息，所述工厂客户端用于获取巡点检任务标准数据库存储的巡点检任务信息，并将所述巡点检任务信息发送至巡检人员以利用所述工业巡点检设备对所述工业设备进行巡点检；所述工业巡点检设备和所述在线监测设备均用于对工业设备的不同类型的运行参数进行采集，所述工业巡点检设备用于现场采集所述工业设备的运行参数，所述在线监测设备用于在线或离线获取所述工业设备的运行参数，所述工业巡点检设备和所述在线监测设备采集到的运行参数发送到所述设备历史数据库中，所述精密诊断模型数据库用于采集并存储所述工业设备的精密诊断数据；所述数据融合模型获取所述设备历史数据库中存储的所述工业设备的运行参数，对所述工业设备的运行参数进行数据融合，以提取典型故障模式对应特征的故障判断数据；所述模糊诊断逻辑数据库用于根据所述故障判断数据建立故障原因与故障征兆关系的模糊关系矩阵，并根据基于隶属度函数的模糊诊断规则结合所述模糊关系矩阵进行模式识别，得出故障原因的可信度，并根据所述可信度输出所述工业设备的故障诊断结果。

在上述技术方案中，优选地，基于数据融合的工业设备智能故障诊断系统还包括远程专家终端和专家远程诊断数据库，所述远程专家终端获取所述设备历史数据库中存储的所述工业设备的运行参数，所述远程专家终端将诊断结果发送至所述专家远程诊断数据库，所述专家远程诊断数据库将所述诊断结果发送至所述工厂客户端。

在上述技术方案中，优选地，所述专家远程诊断数据库在所述诊断结果为非异常时，将所述诊断结果发送至所述工厂客户端，在所述诊断结果为异常时，获取所述精密诊断模型数据库的精密诊断数据并发送至所述远程专家终端。

在上述技术方案中，优选地，基于数据融合的工业设备智能故障诊断系统还包括巡点检任务评估模型数据库，所述巡点检任务评估模型数据库用于根据预设的评估规则对所述巡点检任务标准数据库中存储的巡点检任务的推送周期进行整定，从而实现对所述巡点检任务的动态调整，并将调整后的动态巡点检任务发送至所述工厂客户端，所述工厂客户端将所述动态巡点检任务发送至巡检人员以利用所述工业巡点检设备对所述工业设备进行巡点检。

在上述技术方案中，优选地，所述巡点检设备包括巡检仪、点检仪、巡视仪、振动监控仪、红外热成像仪、超声检测设备、电流频谱仪、油液铁谱分析仪、油液激光颗粒度计数仪、激光转速计和现场动平衡仪器中的一种或多种；所述设备台账数据库中的设备台账信息包括工业设备种类、台数、型号和结构及参数中的一种或多种。

本发明还提出一种基于数据融合的工业设备智能故障诊断方法，包括：采用工业巡点检设备或在线监测设备采集所述工业设备的运行参数；对所述工业设备的运行参数进行数据融合以获得故障判断数据，根据所述故障判断数据建立故障原因与故障征兆相关联的模糊关系矩阵；根据所述故障判断数据的特征建立基于隶属度函数的模糊诊断规则；以所述模糊诊断规则为判断逻辑对所述模糊关系矩阵进行模式识别，获取故障原因的可信度，并根据所述可信度得出所述工业设备的故障诊断结果。

在上述技术方案中，优选地，基于数据融合的工业设备智能故障诊断方法还包括：根据所述故障诊断结果结合所述工业设备的典型故障模式，确定所述工业设备的部件的故障严重等级；结合现场实践经验以及所述故障严重等级，得出针对该部件的维修决策。

在上述技术方案中，优选地，基于数据融合的工业设备智能故障诊断方法还包括：将所述故障诊断结果和所述维修决策发送至工厂客户端。

在上述技术方案中，优选地，所述建立故障原因与故障征兆相关联的模糊关系矩阵具体包括：建立故障征兆s_i(i∈(1,2,3····，m))、n种故障原因f_j(j∈(1,2,3····，n))，利用S表示模糊征兆向量，利用F表示模糊原因向量，则其中表示故障对征兆的隶属度，表示故障对原因f_j的隶属度，则S与F具有模糊关系：其中R为模糊关系矩阵，

其中，r_ij表示s_i、f_j之间的关系强度，r_ij值域为[0,1]。

在上述技术方案中，优选地，所述基于隶属度函数的故障诊断规则的形式为：IF ETHEN H(CF，λ),其中，E为模糊命题表示的模糊条件，H为模糊命题表示的模糊结论，CF为模糊规则的可信度因子，λ是模糊规则的阈值；

所述隶属度函数包括特征频率的隶属度函数：

进动方向的隶属度函数：

以及振动方向的隶属度函数：

其中，自变量x为径向或轴向振动通频振幅；a、b、c为实常数，对于“振动方向为径向”与“振动方向为轴向”取不同的值；实常数c的含义是指通频振幅x大至c就认定为该方向振动的可信度是100％。

与现有技术相比，本发明的有益效果为：基于燃气机组的运行规程，并结合在线监测数据、生产实时SIS数据、点检数据和精密诊断离线数据进行数据融合，利用故障特征的判断阈值和基于隶属度函数的模糊诊断规则，及时给出工业设备的各部件的故障严重等级，进而对机组的健康状态进行评估，从而给予工业设备运行和检修建议。

附图说明

图1为本发明一种实施例公开的基于数据融合的工业设备智能故障诊断系统的原理示意图；

图2为本发明一种实施例公开的基于数据融合的工业设备智能故障诊断方法的流程示意框图。

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的一部分实施例，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的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。

下面结合附图对本发明做进一步的详细描述：

如图1和图2所示，根据本发明提供的一种基于数据融合的工业设备智能故障诊断系统，包括：工业巡点检设备、在线监测设备、精密诊断模型数据库、设备历史数据库、工厂客户端、数据融合模型和模糊诊断逻辑数据库；工厂客户端用于获取并显示设备台账数据库存储的工业设备的设备台账信息，工厂客户端用于获取巡点检任务标准数据库存储的巡点检任务信息，并将巡点检任务信息发送至巡检人员以利用工业巡点检设备对工业设备进行巡点检；工业巡点检设备和在线监测设备均用于对工业设备的不同类型的运行参数进行采集，工业巡点检设备用于现场采集工业设备的运行参数，在线监测设备用于在线或离线获取工业设备的运行参数，工业巡点检设备和在线监测设备采集到的运行参数发送到设备历史数据库中，精密诊断模型数据库用于采集并存储工业设备的精密诊断数据；数据融合模型获取设备历史数据库中存储的工业设备的运行参数，对工业设备的运行参数进行数据融合，以提取典型故障模式对应特征的故障判断数据；模糊诊断逻辑数据库用于根据故障判断数据建立故障原因与故障征兆关系的模糊关系矩阵，并根据基于隶属度函数的模糊诊断规则结合模糊关系矩阵进行模式识别，得出故障原因的可信度，并根据可信度输出工业设备的故障诊断结果。

在上述实施例中，优选地，基于数据融合的工业设备智能故障诊断系统还包括远程专家终端和专家远程诊断数据库，远程专家终端获取设备历史数据库中存储的工业设备的运行参数，远程专家终端将诊断结果发送至专家远程诊断数据库，专家远程诊断数据库将诊断结果发送至工厂客户端。

在上述实施例中，优选地，专家远程诊断数据库在诊断结果为非异常时，将诊断结果发送至工厂客户端，在诊断结果为异常时，获取精密诊断模型数据库的精密诊断数据并发送至远程专家终端。

在上述实施例中，优选地，基于数据融合的工业设备智能故障诊断系统还包括巡点检任务评估模型数据库，巡点检任务评估模型数据库用于根据预设的评估规则对巡点检任务标准数据库中存储的巡点检任务的推送周期进行整定，从而实现对巡点检任务的动态调整，并将调整后的动态巡点检任务发送至工厂客户端，工厂客户端将动态巡点检任务发送至巡检人员以利用工业巡点检设备对工业设备进行巡点检。

在上述实施例中，优选地，巡点检设备包括巡检仪、点检仪、巡视仪、振动监控仪、红外热成像仪、超声检测设备、电流频谱仪、油液铁谱分析仪、油液激光颗粒度计数仪、激光转速计和现场动平衡仪器中的一种或多种；设备台账数据库中的设备台账信息包括工业设备种类、台数、型号和结构及参数中的一种或多种。

根据上述实施例提出的基于数据融合的工业设备智能故障诊断系统，其中包括：

设备台账数据库，用于记录工业设备静态和动态信息，进行KKS编码，接受工厂其他系统的调用，实现台账数据共享和统一；

巡点检任务标准数据库，用于建立和存储各岗位巡检标准任务、点检标准任务、精密点检标准任务、巡视标准任务、给油脂标准标准任务、定期轮换和试验标准任务、四保持标准任务、点检考评标准等技术标准，接受巡点检设备调用；

在线检测设备，用于离线和在线获取现场设备状态数据，将得到的工业设备运行参数状态数据发送给工业设备历史数据库；

设备历史数据库，用于存储对应于工业巡点检设备现场采集运行参数状态数据的结果，根据从工业巡点检设备接收的工业设备运行参数状态数据进行缺陷分析、劣化分析、任务统计、绩效统计，通过开放中间数据库也可推送到工厂其他系统进行数据共享；

专家远程诊断数据库，用于存储对应于工业设备精密诊断数据的工业设备诊断结果，根据从精密诊断设备接收的工业设备精密诊断数据确定对应的工业设备诊断结果，发送给工厂终端；或者将从精密诊断设备接收的工业设备精密诊断数据发送给精密诊断模型数据库或发送给专家终端，将从远程专家终端接收的维护信息发送给工厂客户端；

精密诊断模型数据库，用于采集并存储对应工业设备的精密诊断数据及其维护信息，接收工业设备专家远程诊断数据库发送的工业设备精密诊断数据后，得到对应的维护信息，发送给工厂客户端；

巡点检任务评估模型数据库，根据评估规则，用于整定每台巡点检设备的标准任务推送周期，从而动态调整巡点检任务，并发送给工厂客户端；

工厂客户端，用于根据从设备台账数据库调用的工业设备台账信息，确定要巡点检或诊断的工业设备；根据接收来自工业设备远程诊断数据库的工业设备诊断结果或维护信息，提供给维护人员，供维护人员参考工业设备诊断结果，或指示维护人员根据维护信息对工业设备进行维护；或者根据接收来自巡点检任务评估模型数据库的动态巡点检任务，指示巡点检人员到现场进行设备状态采集；

远程专家终端，用于接收工业设备远程诊断数据库发送的工业设备诊断数据，进行远程诊断后，得到维护信息，发送给工厂客户端；

工作流引擎，通过建立工作流模型，定义角色，应用流程控制器实现工厂业务流程控制；

通讯接口，工业巡点检设备通过4G/WIF/USB等接口程序与巡点检历史数据库进行数据传输。

本发明还提出一种基于数据融合的工业设备智能故障诊断方法，包括：采用工业巡点检设备或在线监测设备采集工业设备的运行参数；对工业设备的运行参数进行数据融合以获得故障判断数据，根据故障判断数据建立故障原因与故障征兆相关联的模糊关系矩阵；根据故障判断数据的特征建立基于隶属度函数的模糊诊断规则；以模糊诊断规则为判断逻辑对模糊关系矩阵进行模式识别，获取故障原因的可信度，并根据可信度得出工业设备的故障诊断结果。

在上述实施例中，优选地，基于数据融合的工业设备智能故障诊断方法还包括：根据故障诊断结果结合工业设备的典型故障模式，确定工业设备的部件的故障严重等级；结合现场实践经验以及故障严重等级，得出针对该部件的维修决策。

在上述实施例中，优选地，基于数据融合的工业设备智能故障诊断方法还包括：将故障诊断结果和维修决策发送至工厂客户端。

在上述实施例中，优选地，建立故障原因与故障征兆相关联的模糊关系矩阵具体包括：建立故障征兆s_i(i∈(1,2,3····，m))、n种故障原因f_j(j∈(1,2,3····，n))，利用S表示模糊征兆向量，利用F表示模糊原因向量，则其中表示故障对征兆的隶属度，表示故障对原因f_j的隶属度，则S与F具有模糊关系：其中R为模糊关系矩阵，

其中，r_ij表示s_i、f_j之间的关系强度，r_ij值域为[0,1]。r_ij越大，关系越密切，越小关系越疏远；模糊关系矩阵某一行的各元素表示某一故障征兆与各种故障原因之间的关系强度，某一列的各元素表示各种故障征兆与某一故障原因之间的关系强度。r_ij确定的是否合理直接影响着诊断结果的准确性。

在上述实施例中，优选地，基于隶属度函数的故障诊断规则的形式为：IF E THENH(CF，λ),其中，E为模糊命题表示的模糊条件，H为模糊命题表示的模糊结论，CF为模糊规则的可信度因子，λ是模糊规则的阈值，用于指出规则可被使用的限制。

具体地，用于旋转机械振动故障诊断的根据参数本身的性质进行确定，如特征频率采用数值形式；进动方向为布尔数值；轴尽轨迹、时域波形、相位特征、振动稳定性转换为其它数值确认隶属度。

其中，隶属度函数包括特征频率的隶属度函数，其中，自变量继特征频段的最大幅值；k,a,β为实常数，对于不同的特征频段取不同的值；实常数a的含义是指当特征频段最大幅值x小于a时认定该特征频段100％不存在；

进动方向的隶属度函数：

以及振动方向的隶属度函数：

其中，自变量x为径向或轴向振动通频振幅；a、b、c为实常数，对于“振动方向为径向”与“振动方向为轴向”取不同的值；实常数c的含义是指通频振幅x大至c就认定为该方向振动的可信度是100％。

具体地，判断逻辑为：

单一故障：

IF s_i THEN f_j(r_ij)

其中，s_i是第i种故障征兆；f_j是第j种故障原因；r_ii为规则可信度因子。

多故障：

IF s₁(μ_s1，ω_1j)AND s₂(μ_s2，ω_2j)AND … s_i(μ_si，ω_ij) … AND … s_m(μ_sm，ω_mj)THEN f_i(CF，λ_j)，其中，m是支持故障原因f_j的征兆的个数；s_i是支持f_j的一个征兆；μ_si是征兆s_i的隶属度，ω_ij是度量征兆s_i对故障原因f_j贡献大小的数值；CF为规则的可信度，λ_j为规则成立的阈值。

结合上述诊断逻辑可得模糊原因向量通常根据故障征兆采用下列的运行模型：故障诊断模型为并在单一故障和多个故障征兆判断故障时分别对合成前提条件与规则的可信度进行如下的计算：

单一故障：

CF_合成＝CF_前提条件×CF_规则

CF_合成＝min{CF_前提条件，CF_规则}

CF_合成＝min{0，CF_前提条件+CF_规则-1}

从个规则支持同一结论的可信度判断：

CF(H)＝max{CF₁(H)，CF₂(H)，…，CF_n(H)}

CF(H)代表结论的总可信度；n代表支持结论H的总规则数；CF_i(H)代表据第i条规则计算得到的结论可信度。

最后模式识别的诊断逻辑，给出燃气轮机的各部件的故障严重等级，进而对机组的健康状态进行评估。

在具体实践过程中，2016年江苏某电厂，2台F级燃气轮机应用本方法提供的一种基于数据融合的智能故障诊断方法以来，打通了在线监测、离线监测数据、SIS数据、DCS数据等信息孤岛；建立设备故障知识库、检修历史台帐、检修，对燃气机组设备进行预知性劣化分析及故障诊断，及时有效进行设备健康状态评估、寿命评估、风险评估，精确制定检修周期、检修方式、检修质量、检修级别、检修项目进行了优化，降低了检修成本、避免过修和欠修、探索出计划检修、定期检修。在诊断准确率方面由从原来85％上升到98％，在备品备件的库成要控制方面节约50多万元。

通过本方法，根据燃气轮机组结构特点、工作原理及故障特点，建立故障模式及影响分析数据库，实现燃气轮机典型故障机理识别的理论基础。建立燃气轮机组故障模式与影响分析标准化的分析流程，用以在各阶段识别系统潜在的故障模式、故障原因及其对系统性能及机组安全的影响。通过实时工艺参数、离线和在线数据进行数据融合，结合专家经验和算法模型，建立基于模糊诊断逻辑，并自动生成诊断结论。通过结合专家经验和算法模型，获取故障特征等信息作为BP神经网络的输入，各层设置单元数；使用验证的诊断结论进行训练，调整数值、阈值，直至期望误差到合理的范围，对设备的历史经验数据进行自学习。针对燃气轮机的典型故障模式提出维修保养策略，实现根据电厂设备运行现状、检修历史信息、检修间隔设置情况，确定设备维修的等级，对检修周期、检修方式、检修质量、检修级别、检修项目进行了优化，降低了检修成本、避免过修和欠修、探索出计划检修、定期检修、状态检修和故障检修多种方式一体的伦检修体系。根据本发明的方法，可早期发现燃气轮机组的缺陷和设备隐患，降低备品备件消耗，降低非停次数，预防恶性事故发生，提高设备可靠度，优化检修项目和周期，有效地规避保守的定期检修所带来的检修过度及对健康设备破坏的问题，可以提高设备利用率，减少检修成本，科学评估设备风险，延长燃气轮机组设备寿命。

在对设备进行管理的过程中，为了把传统的以修为主过渡到以管为主的科学理念，就要做不对劲维护保养为主，计划检修为辅。应用先进的监测技术对设备的运行数据进行监测分析，比对设备历史运行记录和设备特性，确认出设备的健康状态，再进行综合评估。将检修计划的决策建立在掌握设备和进行技术分析的基础上，有目的地进行预防性检修。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于数据融合的工业设备智能故障诊断系统，其特征在于，包括：工业巡点检设备、在线监测设备、精密诊断模型数据库、设备历史数据库、工厂客户端、数据融合模型和模糊诊断逻辑数据库；

所述工厂客户端用于获取并显示设备台账数据库存储的所述工业设备的设备台账信息，所述工厂客户端用于获取巡点检任务标准数据库存储的巡点检任务信息，并将所述巡点检任务信息发送至巡检人员以利用所述工业巡点检设备对所述工业设备进行巡点检；

所述工业巡点检设备和所述在线监测设备均用于对工业设备的不同类型的运行参数进行采集，所述工业巡点检设备用于现场采集所述工业设备的运行参数，所述在线监测设备用于在线或离线获取所述工业设备的运行参数，所述工业巡点检设备和所述在线监测设备采集到的运行参数发送到所述设备历史数据库中，所述精密诊断模型数据库用于采集并存储所述工业设备的精密诊断数据；

所述数据融合模型获取所述设备历史数据库中存储的所述工业设备的运行参数，对所述工业设备的运行参数进行数据融合，以提取典型故障模式对应特征的故障判断数据；

所述模糊诊断逻辑数据库用于根据所述故障判断数据建立故障原因与故障征兆关系的模糊关系矩阵，并根据基于隶属度函数的模糊诊断规则结合所述模糊关系矩阵进行模式识别，得出故障原因的可信度，并根据所述可信度输出所述工业设备的故障诊断结果。

2.根据权利要求1所述的基于数据融合的工业设备智能故障诊断系统，其特征在于，还包括远程专家终端和专家远程诊断数据库，

所述远程专家终端获取所述设备历史数据库中存储的所述工业设备的运行参数，所述远程专家终端将诊断结果发送至所述专家远程诊断数据库，所述专家远程诊断数据库将所述诊断结果发送至所述工厂客户端。

3.根据权利要求2所述的基于数据融合的工业设备智能故障诊断系统，其特征在于，所述专家远程诊断数据库在所述诊断结果为非异常时，将所述诊断结果发送至所述工厂客户端，在所述诊断结果为异常时，获取所述精密诊断模型数据库的精密诊断数据并发送至所述远程专家终端。

4.根据权利要求1所述的基于数据融合的工业设备智能故障诊断系统，其特征在于，还包括巡点检任务评估模型数据库，所述巡点检任务评估模型数据库用于根据预设的评估规则对所述巡点检任务标准数据库中存储的巡点检任务的推送周期进行整定，从而实现对所述巡点检任务的动态调整，并将调整后的动态巡点检任务发送至所述工厂客户端，所述工厂客户端将所述动态巡点检任务发送至巡检人员以利用所述工业巡点检设备对所述工业设备进行巡点检。

5.根据权利要求1所述的基于数据融合的工业设备智能故障诊断系统，其特征在于，所述巡点检设备包括巡检仪、点检仪、巡视仪、振动监控仪、红外热成像仪、超声检测设备、电流频谱仪、油液铁谱分析仪、油液激光颗粒度计数仪、激光转速计和现场动平衡仪器中的一种或多种；所述设备台账数据库中的设备台账信息包括工业设备种类、台数、型号和结构及参数中的一种或多种。

6.一种基于数据融合的工业设备智能故障诊断方法，其特征在于，包括：

采用工业巡点检设备或在线监测设备采集所述工业设备的运行参数；

对所述工业设备的运行参数进行数据融合以获得故障判断数据，根据所述故障判断数据建立故障原因与故障征兆相关联的模糊关系矩阵；

根据所述故障判断数据的特征建立基于隶属度函数的模糊诊断规则；

以所述模糊诊断规则为判断逻辑对所述模糊关系矩阵进行模式识别，获取故障原因的可信度，并根据所述可信度得出所述工业设备的故障诊断结果。

7.根据权利要求6所述的基于数据融合的工业设备智能故障诊断方法，其特征在于，还包括：

根据所述故障诊断结果结合所述工业设备的典型故障模式，确定所述工业设备的部件的故障严重等级；

结合现场实践经验以及所述故障严重等级，得出针对该部件的维修决策。

8.根据权利要求7所述的基于数据融合的工业设备智能故障诊断方法，其特征在于，还包括：将所述故障诊断结果和所述维修决策发送至工厂客户端。

9.根据权利要求6所述的基于数据融合的工业设备智能故障诊断方法，其特征在于，所述建立故障原因与故障征兆相关联的模糊关系矩阵具体包括：

建立故障征兆s_i(i∈(1,2,3····，m))、n种故障原因f_j(j∈(1,2,3····，n))，利用S表示模糊征兆向量，利用F表示模糊原因向量，则其中表示故障对征兆的隶属度，表示故障对原因f_j的隶属度，则S与F具有模糊关系：其中R为模糊关系矩阵，

其中，r_ij表示s_i、f_j之间的关系强度，r_ij值域为[0,1]。

10.根据权利要求6所述的基于数据融合的工业设备智能故障诊断方法，其特征在于，所述基于隶属度函数的故障诊断规则的形式为：

IF E THEN H(CF，λ),其中，E为模糊命题表示的模糊条件，H为模糊命题表示的模糊结论，CF为模糊规则的可信度因子，λ是模糊规则的阈值；

所述隶属度函数包括特征频率的隶属度函数：

进动方向的隶属度函数：

以及振动方向的隶属度函数：

其中，自变量x为径向或轴向振动通频振幅；a、b、c为实常数，对于“振动方向为径向”与“振动方向为轴向”取不同的值；实常数c的含义是指通频振幅x大至c就认定为该方向振动的可信度是100％。