面对复杂的工业系统,基于单传感器的工业设备状态监控已经不能够满足实际需求,采用多传感器进行状态监控是必然选择。由于传感器自身的测量误差、外界环境的影响以及系统故障状态的动态变化,通常导致在状态监测与诊断中都存在一定程度的不确定性问题;另外,由于设备大部分时间都处于正常运行状态且故障模拟通常代价较高,所以存在用于建立诊断模型的故障样本稀少、正常样本与故障样本不均衡的问题。为了解决以上“不确定性”和“不均衡”问题,在铁路轨道高低不平顺状态监测的实际背景下,本文提出基于多级证据推理融合的故障识别方法。轨道高低不平顺是轨道管理的重要指标之一,关系到列车运行的舒适度及安全性,有着重要的意义。本论文基于多级ER融合方法建立振动加速度数据与轨道高低不平顺幅值之间的非线性关系模型,并且设计了相应的一种轨道高低不平顺故障识别硬/软件系统,主要研究内容如下:(1)综述工业系统故障诊断的背景意义及主要方法,分析了故障诊断中存在的“不确定性”和“不均衡”问题。介绍了基于Dempster-Shafer(DS)证据理论的融合方法,并进一步引出了ER推理融合方法。对其根源、发展以及实际运用进行了详细阐述,说明了基于证据推理(ER)规则的信息融合方法的数学描述及推理原理。(2)提出基于多级ER融合的轨道高低不平顺故障识别方法。将多源振动特征作为ER融合模型的输入,将高低不平顺幅值作为模型的输出。利用k-NN算法从样本库中获取当前样本的k个近邻样本;将当前单源样本及其近邻样本激活的证据进行第一级(层)的融合,再将多个单源一级融合结果进行第二级(层)ER融合,根据融合结果估计轨道高低不平顺幅值。由于近邻历史样本参与融合诊断过程,可以有效解决工业背景中故障具有的“不确定性”和“不均衡”问题。(3)设计轨道高低不平顺故障识别系统。主要由嵌入式中央处理器、加速度计(ACC)数据采集、信息交互、机车位置信息、数据保存和交互显示界面共六个模块组成。通过加载多级ER融合模型算法,在实验室条件下对数据采集、显示存储和不平顺幅值估计等功能进行了测试,从而建立了基于振动特征融合分析的轨道高低不平顺故障识别系统,为实际的工程应用奠定基础。