目前大多数车企已经开始采用“一个流”的生产模式,如果对发生的故障不能及时地诊断和排除将会对上下游的生产线造成重大的影响。目前大多数白车身自动化焊接生产线采用进口设备,尽管有很多传感器,但是数据无法导出,而大多数故障诊断方法对传感器数据有很强的依赖性,加之生产线愈加成熟,故障的发生并不频繁,因此可用的故障数据相对于可能发生的故障种类来说显得很少;另外它的部分故障具有相关性,传统的故障树方法无法表示这种故障之间的隐含关系。为解决上述问题,本文针对焊接自动化生产线传感器数据获取困难、故障样本不足、故障具有相关性的特点,融合了贝叶斯网络和故障树模型的优点,提出了焊接自动化生产线的融合故障诊断模型和推理模型,并对模型进行了验证,同时基于这个诊断模型对焊接自动化生产线专家系统进行了设计与实现。首先以生产线的结构和工作原理出发,分析了焊接生产线故障的基本特征,研究故障类型和故障原因,找出故障之间的关联关系,建立焊接生产线的故障树模型。然后根据历史故障记录得到故障样本表,使用结构期望最大化学习算法对故障样本进行学习构建贝叶斯网结构。但是由于故障样本的限制,通过学习得到的贝叶斯网络并不完整,而故障树模型虽然相对完整,但是缺乏节点之间隐含的内在关系。接着为了解决这两种模型在对目标系统故障诊断上的不足,本文使用故障树模型中的知识来补全贝叶斯网络中缺失的关系,研究了基于故障树和贝叶斯网络的融合模型。最后将这个融合模型作为故障诊断专家系统的故障推理机,为故障信息、故障原因、维修建议等数据设计相应的存储结构存储在知识库中,设计专家系统的界面和功能模块,实现了焊接自动化生产线的故障诊断专家系统的开发。与普通的贝叶斯网络相比,本文提出的融合模型能够解决普通贝叶斯网络在样本缺失情况下的模型缺陷导致故障诊断的正确率下降的问题,实现了在传感器数据获取困难、故障样本缺失的情况下对焊接自动化生产线的故障诊断,提高了故障诊断的正确率。