随着电厂自动化水平的不断提高,控制系统逐渐成为整个机组安全运行的监控中枢。传感器网络是连接控制系统与设备对象之间的桥梁,传感器的测量参数反映了机组的运行过程和设备的工作状态,传感器的性能对控制系统的调节品质和机组的安全运行具有重要影响,因此对传感器故障诊断非常必要。目前电厂广泛采用的分散控制系统(DCS)可实现对整个机组实时的、全方位和多层次的监控,这些关于设备和系统的丰富信息是进行设备和热力系统故障诊断的宝贵资源。采用多源信息融合技术可以充分挖掘这些信息的内涵,通过对信息的优化组合能够导出更多的有效信息,降低信息的不确定性,从而为故障诊断提供可靠和完整的信息。针对D-S证据组合规则对高冲突证据会产生有悖常理结果的问题,深入研究了几种证据组合规则的原理、算法和特点,通过一个高冲突证据例子分析了每个规则是如何处理冲突证据,讨论了各个规则的优缺点和应用条件,指出应根据冲突的程度和关联度以及如何处理冲突证据等方面情况选择具体的组合规则。针对D-S理论融合在进行多个数据源关联时,计算量和复杂度随着量测维数的增大呈指数增加,提出一种PCA和D-S证据理论相结合的故障诊断方法。该方法基于PCA的数据降维特性和故障检测的完备性,克服了PCA故障分离的不唯一性,利用了证据理论非精确信息的表示和推理优势,解决了证据理论的组合爆炸问题,且有效提高了故障检测和分离能力。针对在多传感器故障的诊断问题,提出了一种基于证据理论的精细-融合-粗化的多源信息融合方法。该方法采用精细和粗化算子在不同但相容识别框架之间建立某种联系,从而有效解决了在这些识别框架之间的证据融合问题,为多传感器故障诊断提出了一种新的思路和方法。为了降低传感器状态信任分配的不确定性,提出了一种改进的多传感器故障诊断的方法。该方法采用分步精细、分组融合的策略,能更充分和更有效的利用已知信息源之间的冗余和互补信息,可大幅提高多传感器故障诊断的准确性和可靠性。基于多传感器故障诊断,提出了一种基于径向基函数的两输入单输出的模块化神经网络来构造基本概率函数的方法,克服了多输入多输出神经网络的的缺点,可解决因输入参数和个数变化导致不可用,以及样本的维数过高、数据过多使网络训练时间长甚至不收敛问题,解决了初始证据产生难的问题,能够满足工程模块化需要和实时性要求。