提出了将神经网络与D-S证据理论相结合的故障诊断方法，实现了故障信号的特征级和决策级融合，并应用于轴承的复合故障诊断研究。将BP、RBF、GRNN 3种神经网络的输出结果作为3个证据体，滚动轴承的4种复合故障特征作为系统的识别框架，引入聚类系数作为权值分配，重新计算基本概率赋值，对D-S证据理论进行改进，以提高轴承复合故障诊断的准确性。

针对液压系统出现故障隐蔽性强、可变性强的问题给出基于修正的D2S(Dempster2Shafer)证据理论的多传感器时空域信息融合方法。通过测试待诊断部分的压力、温度、流量并结合经验值得到各部分信度函数分配根据D2S组合、决策规则对多个传感器多个测量周期的时空域信息进行融合识别出故障部分。实验表明:该方法在证据高度冲突时仍有效果并有效防止了指数爆炸现象算法简单能准确定位故障。

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。