CN106940281A - 一种基于信息融合技术智能模型的航空油液分析方法 - Google Patents

Abstract

本发明公开了一种基于信息融合技术智能模型的航空油液分析方法，步骤如下：对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理；采用傅里叶变换和小波包能量谱的方法，对预处理后的油液磨粒状态信号进行特征提取，获取表征油液磨粒状态信号的特征参数；根据获取的特征参数的种类和数量，构建RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型，然后利用获取的特征参数对各种模型进行训练处理；利用四种模型分别处理测试用油液磨粒的特征参数，获取模型关于油液磨粒各种状态的关联参数，然后通过D‑S证据理论进行深度融合，判别出油液磨粒的状态信息。本发明综合利用各个模型的优点，具有较好的容错性，增强了对磨粒识别的准确度。

Description

一种基于信息融合技术智能模型的航空油液分析方法

技术领域

本发明属于航空油液品质分析及航空结构故障诊断技术领域，特别是一种基于信息融合技术智能模型的航空油液分析方法。

背景技术

当前航空油液监测技术的特点是交叉性、综合性、系统性的开发应用。其主要特点有：信息种类多；信息的表征各异；信息的离散性和随机性；定量和定性信息交叉；在线与离线监测信息的交叉；信息量大且带有冗余性、不确定性、不一致性和不完整性等。

以磨粒信息为例，大量信息需识别和剔除，用不同方法变为可确定和接近一致性，从不完整信息中提取可用的信息。对于磨粒智能识别方法的研究是近十多年来国内外研究的热点和难点。传统的磨粒识别，通常由人工完成，其主要缺点是工作量大、精度低、自动化程度差以及对分析人员的经验和水平要求较高等。近年来，随着模式识别和人工智能技术的发展，运用的智能识别方法有神经网络、灰色关联度和模糊规则等，单一识别方法虽然能够实现对磨粒的识别，但由于受到训练样本数量、算法结构和识别目标的复杂性等因素限制，其识别准确率和稳定性存在一定的局限性，容易出现误判情况。

发明内容

本发明的目的在于提供一种容错性好、精确度高的基于信息融合技术智能模型的航空油液分析方法。

实现本发明目的的技术解决方案为：一种基于信息融合技术智能模型的航空油液分析方法，包括以下步骤：

步骤1，信号采集与预处理，对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理；

步骤2，采用傅里叶变换和小波包能量谱的方法，对预处理后的油液磨粒状态信号进行特征提取，获取表征油液磨粒状态信号的特征参数；

步骤3，根据步骤2中获取的特征参数的种类和数量，构建RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型，然后利用获取的特征参数对各种模型进行训练处理；

步骤4，利用所述四种模型分别处理测试用油液磨粒的特征参数，获取模型关于油液磨粒各种状态的关联参数，然后通过D-S证据理论进行深度融合，判别出油液磨粒的状态信息。

本发明与现有技术相比，其显著优点为：(1)采用RBP神经网络、BP神经网络、灰色关联度、模糊推理等四种模型的特征处理方法，具有较好的容错性，其区分度和准确度明显提高；(2)采用D-S证据理论方法深度融合各模型关于航空油液颗粒状态关联参数，综合利用各个模型的优点，使磨粒识别的区分度和精准度有了很大改善，提高了基于磨粒识别技术的航空油液分析水平。

附图说明

图1为本发明基于信息融合技术智能模型的航空油液分析方法的模型结构示意图。

图2为本发明基于信息融合技术智能模型的航空油液分析方法中神经元模型图。

图3为本发明中智能模型信息融合结构图。

图4为本发明中智能模型油液颗粒关联参数分析流程图。

具体实施方式

本发明基于信息融合技术智能模型的航空油液分析方法，该方法采用傅里叶变换及小波包分析技术队磨粒信号进行处理，获取表征磨粒状态信息的特征量，并利用RBP神经网络、BP神经网络、灰色关联度、模糊推理等四种模型分别处理表征磨粒状态信息的特征量，得到与磨粒状态相关的关联参数，进而应用D-S证据理论进行融合得到磨粒状态关联概率，最后对每一种状态概率进行比较，即可确定磨粒的状态信息。该方法采用多模型分析技术，具有一定的容错性；同时，其区分度和准确度比单个或者两个模型有明显的提高，在单个或者两个模型出现误判的情况下，通过信息融合仍然能够得到正确的识别结果，增强了对磨粒识别的准确度，如图1所示，本发明技术方案如下：

步骤1，信号采集与预处理，对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理；

针对润滑系统油液磨粒状态的复杂情况，设计合理的油液磨粒监测系统；磨粒状态的复杂情况将造成磨粒信号成分较为丰富，噪声信号也较多，因此，在处理信号之前需利用小波滤波等手段对油液磨粒信号进行处理。

步骤2，采用傅里叶变换和小波包能量谱的方法，对预处理后的油液磨粒状态信号进行特征提取，获取表征油液磨粒状态信号的特征参数；

由于不同状态的颗粒物所造成的监测信号频率成分不同，因此，先对信号进行傅里叶频谱分析，找出油液磨粒信号的特征频率点，并根据特征频率点设计小波包分解的层数，我每一层对应的分解信号；最终将分解信号的能量值作为表征磨粒状态信息的特征值。将表征磨粒状态信息的特征值与油液磨粒状态的关联物理量作为表示油液磨粒状态的特征参量。

步骤3，根据步骤2中获取的特征参数的种类和数量，构建RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型，然后利用获取的特征参数对各种模型进行训练处理；

经过步骤2的处理即可得到表征油液磨粒状态的特征参量，根据特征参量的种类和数量构建所需的RBP神经网络、BP神经网络、灰色关联度、模糊推理等四种模型。具体包括：神经网络的层数，各层神经元数(输入层、输出层、隐含层)，神经元的激活函数和阈值以及层与层之间的权重，如图2所示；灰色关联的累加模型、和模型参数矩阵的构建；模糊逻辑的逻辑构造。

步骤4，利用所述四种模型分别处理测试用油液磨粒的特征参数，获取模型关于油液磨粒各种状态的关联参数，然后通过D-S证据理论进行深度融合，判别出油液磨粒的状态信息。

利用步骤2中得到的油液磨粒特征参数训练步骤三中构建的四种分析模型；待模型训练完成即可用于测试数据的分析。最后利用D-S证据理论进行融合，即可得到测试数据关于磨粒各种状态参数的概率，进而判定油液磨粒的状态信息，结合图3，通过油液监测传感网络可获取有关油液磨粒的状态信息，该信息中包含油液传感器监测的磨粒状态信号、油液压力传感器监测的油液压力信号、油液温度传感器监测的油液温度信号等物理量。

具体地，本发明基于信息融合技术智能模型的航空油液分析方法，步骤如下：

步骤1，信号采集与预处理，对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理；

根据航空油液循环系统的位置及形状结构搭建合理高效的传感器监测网络，所述油液传感器包括油液品质传感器、油液压力传感器、油液温度传感器以及油液流量传感器，其中：油液品质传感器监测油液品质，即油液颗粒物浓度、大小、质量的信息；油液压力传感器监测整个油液系统的压力值是否处在合理范围；油液温度传感器和油液流量传感器分别监测油液的温度和流量，油液温度传感器监测油液温度，以指示供油系统与润滑系统是否处在过载工作状态；流量传感器则用于监测油液流量是否合理。。

信号预处理则主要是针对油液传感器监测到的油液颗粒状态信息；通过滤波、小波降噪等预处理手段对状态信号进行预处理，实现降低无关噪声信号的干扰，提高信噪比。

步骤2，采用傅里叶变换和小波包能量谱的方法，对预处理后的油液磨粒状态信号进行特征提取，获取表征油液磨粒状态信号的特征参数；

经过步骤一的预处理，步骤二则主要实现对油液磨粒状态信号的特征提取。这里采用傅里叶变换和小波包能量谱的方法。

首先利用傅里叶频谱分析法对预处理后的油液磨粒信号进行频谱分析，从众多频谱信息中确定油液磨粒的特征频率，并确定特征频率所处的特征频段；进而利用油液磨粒的特征频段确定小波包分解的参数。小波包分解过程如下：

函数ψ(x)的傅立叶变换ψ(ω)满足容许性条件：

其中表示容许值，R表示积分区间，x、ω分别为函数ψ(x)与ψ(ω)的函数核；

则函数ψ(x)作为一个基本小波母函数，通过变化小波母函数的尺度因子，在时域尺度上平移伸缩后的函数为φ_(m,n)(x)，变换因子为m平移因子为n，则有：

小波包与小波分析相同，由一系列线性组合的小波函数组成，即

式中，i,m,k分别为频率因子、尺度因子和平移因子。小波包在使用过程中同样表现出正交性、时频性等性质，与相应的小波函数相似。

对于采集到的任何一个时域信号y(t)进行如下分解：

其中，为第j层小波包分解的第i个频带的信号，t表示时间，具有如下关系：

其中，{h(k)}、{g(k)}为两尺度序列，视为正交共轭低通和高通滤波器，即利用滤波的方式获取所需的信号；

小波包分解方法具有不同尺度的小波母函数，能够根据信号特征频率选择相应的频带，提高时频分辨率。小波包分解对各层各阶信号的频段划分公式如下：

其中，n代表层数，p代表阶数，f_s代表采样频率；根据固有频段范围计算小波包分解所需要的层数和阶数；

小波分解信号的个数为2ⁿ个，小波包能量谱E计算公式如下：

根据以上计算过程提取出包含油液磨粒特征信息的小波包能量谱特征值，进而与等效直径、短/长轴比、傅氏圆形度、傅氏凹度、孔隙率、散射度、角二阶矩、梯度熵一起作为表征油液磨粒状态信号的特征参数；

所述的等效直径、短/长轴比、傅氏圆形度、傅氏细长度、傅氏凹度、孔隙率、散射度、角二阶矩、梯度熵，分别具体如下：

①等效直径D

指与颗粒具有相同投影面积A的圆的直径，公式如下：

②短/长轴比R_t

指最大直径D_max与最小直径D_min之比，如下：

③傅氏圆形度R_d

其中，P_c为颗粒周长，A为颗粒面积；

④傅氏凹度C_V

C_V＝L/Z

其中，Z为磨粒区域最小突包周长，L为磨粒区域长度；

⑤孔隙率E″

E″＝n(0)/n(1)

式中，E′＝M-H，M为区域中连通单元的计数，H表示孔数，E′为磨粒图像的欧拉数：

这里，n(1 1)分别表示垂直相邻或水平相邻两个1标记状态的计数，表示相邻四个1标记状态的计数；

⑥散射度

I_t＝I₀e-^dα

其中I_t为散射光光强，I₀入射光光强，d为油液透射厚度，α为衰减系数。

⑦角二阶矩

其中p(i,j)为灰度共生矩阵。

⑧梯度熵

步骤3，根据步骤2中获取的特征参数的种类和数量，构建RBP神经网络模型、 BP神经网络模型、灰色关联度模型、模糊推理模型，然后利用获取的特征参数对各种模型进行训练处理；

所述RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型，分别具体如下：

1)RBF神经网络模型

径向基函数(Radius Basis Function，RBF)网络模型的拓扑结构包括输入层、隐层和输出层三层的前馈型网络模型，其中输入层和输出层分别对应于输入矢量空间和分类模式。

模型隐层由径向基函数节点构成，采用的基函数为高斯核函数：

RBF网络对应于第k个输出节点的输出y_k为隐层各节点输出的线性加权和：

式中：φ_v为隐层第v个单元的输出，x为由特征参数组成的输入矢量，c_v为隐层第v个高斯单元的中心，E为n×1的单位矢量，δ_j为半径，||g||表示范数，取||x-c_jE||＝(x-c_jE)^T(x-c_jE)；h为隐层节点数；w_kv为第w个隐层节点到第k个输出层节点间的权值；

2)BP神经网络模型

多层前馈网络模型经常采用误差反向传播(Error Back Proragation，简称BP)算法，因此通常把它称为BP模型。BP网络是一种单向传播的多层前馈网络，输入信号从输入层节点依次传到各隐层节点，然后传到输出层节点，每一层节点的输出只影响下一层节点的输出。

设有一个含有l层和n’个节点的BP网络，认为网络只有一个输出y；给定N个样本(x_k,y_k)(k＝1,2,…,N)，任一节点i的输出为O_i，对某一个输入x_k，网络的输出为y_k，节点i的输出为O_ik，则BP算法的步骤如下：

(1)选定权系数初值；

(2)重复下述过程直到收敛：

①对k＝(1～N)正向过程计算：计算每层各单元的输出O^l-1 _jk，l层的输入net^l _jk和实际输出y_k；

②反向过程计算：计算每层各单元的误差分量δ_jk；

③修正权值W_ij；

输入层节点数对应于输入向量的维数，根据Kolmgorov定理D≥2M+1，M为输入神经元数目，D为中间层神经元数量或者隐含层神经元数目，确定隐含层神经元数目D，运用动量及自适应学习率的梯度递减方法对网络进行训练；

3)灰色关联度模型

在磨粒智能识别中，灰色关联度就反映了待识别磨损磨粒的特征与典型磨粒类型之间的关联程度。在已取得6种典型磨粒的2ⁿ+9个参量的参照值的基础上，计算出它的相应参数系列分别与上述6种主要典型磨粒的参数系列间的关联度，那么其中关联度值最大的，就可认为待判磨粒属于该种类型。

具体作法是：建立参考向量矩阵X₀和比较向量X_i：

X_i＝{x_i(1),x_i(2),…,x_i(z)}＝x_i(z),i＝1,2,…,N

其中，X₀中的每一行代表原始特征数列的模式数列，X_i为一故障模式下的标准灰色模式数列；x_ok(z)括号内的数字代表第几个特征，i则代表该特征的数列个数；

待判磨粒的比较向量与典型磨粒矩阵中的每一个向量在每一个参数点x_ok(z)上的关联系数：

式中:Δ_ik(j)＝|X_ok(j)-X_i(j)|；ρ为分辨系数，0＜ρ＜1，取ρ＝0.5；

为两级最小差；为两级最大差；

待测磨粒与典型磨粒间的关联度r_ik如下：

式中：W_kj为6种典型磨粒的每一种磨粒中2ⁿ+9个参数的各自权重值；

4)模糊规则的融合

若模糊关联规则直接由专家给出，且对同一条规则，专家所给出的结论的置信度不同的条件下，同样需要进行融合处理，可采用线性平均、因子协调、序贯递推、组合证据理论等融合法。经过融合处理后，选取置信度大于一定阈值的规则用于诊断推理。

融合后规则的置信度为：

其中cf_i为信息源i给出的置信度，w_i为信息源i的信任度。

在已知模糊子集A以及模糊关系R时，用模糊复合法求得另一个模糊子集B＝A·R，模糊复合法采用以下形式之一：

a)最大-最小：

b)最大积：

c)最大-平均：

d)和-积：

其中f(·)是值域在[0,1]上的逻辑函数；

若模糊产生式规则为：

IF A1(t1)and…and AN(tn)THEN Q(u)

其中，A1,…,AN为规则的前提条件，t1,…,tn为前提的置信度，u为结论的置信度；

假设获得初始证据为A’₁(t’₁)，A’₂(t’₂)，……，A’_n(t’_n)，这里A’_i为初始证据，t’_i为证据的置信度，由以下方法实现规则匹配：

如果max(0,t_i-t’_i)≤λ_i,1≤i≤n则上述规则匹配为真，且结论的置信度为：CF’＝(b₁∧b₂∧…∧b_n)*u，其中，b_i＝1-max(0-t_i-t’_i),1≤i≤n，λ_i为给定的阈值。

根据以上各模型理论以及特征参数的类型和数量，即可构建各个模型。

步骤4，利用所述四种模型分别处理测试用油液磨粒的特征参数，获取模型关于油液磨粒各种状态的关联参数，然后通过D-S证据理论进行深度融合，判别出油液磨粒的状态信息。

利用步骤二中获取的特征参数来训练步骤三中构建的模型，实现模型构建的完善。

利用各模型分别对特征参数进行处理，即可获取各模型关于层状、球状、切削、严重滑动、正常滑动和疲劳剥落等6种健康状态的关联参数，如图4所示。

然后利用D-S证据理论对各模型关于同种状态关联参数进行深度融合。融合理论如下：

D-S(Dempster-Shafer)证据理论是信息融合技术中极其有效的一种不确定性推理方法，其核心是D-S证据组合规则。D-S证据理论是目前决策层融合中最常用的一种方法，它主要依据可信度函数运算，但比概率论满足更弱的公理系统，在区分不确定以及精确反映证据收集过程等方面显示了很大的灵活性。

设U表示证据信息X所有可能取值的一个论域集合，且所有在U内的元素间是互不相容的，则称U为证据信息X的识别框架，亦称其为证据信息空间；假设U为一识别框架，则函数m:2^u→[0,1]在满足下列条件：则称m(A)为事件A的基元概率赋值；

对于n个相互独立的证据信息，m₁，m₂，…，m_n分别表示各自的基本概率赋值，则组合这n个证据所得的新证据的基本概率分配为:

通过上述两个公式将多个独立的证据组合起来，称k为冲突权值，当k≠1时，表示这多组证据一致或部分一致，给出证据的组合结果；当k＝1时，则表示这多组证据完全冲突；或者当k→1的时候，即证据冲突程度很高，常得出有悖于常理的结果。

最后，根据D-S证据理论对各模型关于同种状态的关联参数的融合概率可判断出油液磨粒的状态信息。本发明方法采用多模型分析技术，具有一定的容错性；同时，其区分度和准确度比单个或者两个模型有明显的提高，在单个或者两个模型出现误判的情况下，通过信息融合仍然能够得到正确的识别结果，增强了对磨粒识别的准确度。

Claims (5)

1.一种基于信息融合技术智能模型的航空油液分析方法，其特征在于，包括以下步骤：

步骤1，信号采集与预处理，对油液传感器监测到的油液磨粒状态信号进行滤波、小波降噪的预处理；

步骤2，采用傅里叶变换和小波包能量谱的方法，对预处理后的油液磨粒状态信号进行特征提取，获取表征油液磨粒状态信号的特征参数；

步骤3，根据步骤2中获取的特征参数的种类和数量，构建RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型，然后利用获取的特征参数对各种模型进行训练处理；

步骤4，利用所述四种模型分别处理测试用油液磨粒的特征参数，获取模型关于油液磨粒各种状态的关联参数，然后通过D-S证据理论进行深度融合，判别出油液磨粒的状态信息。

2.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法，其特征在于，步骤1所述油液传感器包括油液品质传感器、油液压力传感器、油液温度传感器以及油液流量传感器，其中：油液品质传感器监测油液品质，即油液颗粒物浓度、大小、质量的信息；油液压力传感器监测整个油液系统的压力值；油液温度传感器和油液流量传感器分别监测油液的温度和流量。

3.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法，其特征在于，步骤2所述采用傅里叶变换和小波包能量谱的方法，对预处理后的油液磨粒状态信号进行特征提取，获取表征油液磨粒状态信号的特征参数，具体如下：

首先利用傅里叶频谱分析法对预处理后的油液磨粒状态信号进行频谱分析，确定油液磨粒的特征频率，并确定特征频率所处的特征频段；进而利用油液磨粒的特征频段确定小波包分解的参数，小波包分解过程如下：

函数ψ(x)的傅立叶变换ψ(ω)满足容许性条件：

其中表示容许值，R表示积分区间，x、ω分别为函数ψ(x)与ψ(ω)的函数核；

则函数ψ(x)作为一个基本小波母函数，通过变化小波母函数的尺度因子，在时域尺度上平移伸缩后的函数为φ_(m,n)(x)，变换因子为m平移因子为n，则有：

小波包与小波分析相同，由一系列线性组合的小波函数组成，即

式中，i,m,k分别为频率因子、尺度因子和平移因子；

对于采集到的任何一个时域信号y(t)进行如下分解：

其中，为第j层小波包分解的第i个频带的信号，t表示时间，具有如下关系：

其中，{h(k)}、{g(k)}为两尺度序列，视为正交共轭低通和高通滤波器，即利用滤波的方式获取所需的信号；

小波包分解对各层各阶信号的频段划分公式如下：

其中，n代表层数，p代表阶数，f_s代表采样频率；根据固有频段范围计算小波包分解所需要的层数和阶数；

小波分解信号的个数为2ⁿ个，小波包能量谱E计算公式如下：

根据以上计算过程提取出包含油液磨粒特征信息的小波包能量谱特征值，进而与等效直径、短/长轴比、傅氏圆形度、傅氏凹度、孔隙率、散射度、角二阶矩、梯度熵一起作为表征油液磨粒状态信号的特征参数。

4.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法，其特征在于，步骤3所述RBP神经网络模型、BP神经网络模型、灰色关联度模型、模糊推理模型，分别具体如下：

1)RBF神经网络模型

RBF神经网络模型的拓扑结构包括输入层、隐层和输出层三层的前馈型网络模型，其中输入层和输出层分别对应于输入矢量空间和分类模式；

模型隐层由径向基函数节点构成，采用的基函数为高斯核函数：

RBF网络对应于第k个输出节点的输出y_k为隐层各节点输出的线性加权和：

式中：φ_v为隐层第v个单元的输出，x为由特征参数组成的输入矢量，c_v为隐层第v个高斯单元的中心，E为n×1的单位矢量，δ_j为半径，||g||表示范数，取||x-c_jE||＝(x-c_jE)^T(x-c_jE)；h为隐层节点数；w_kv为第w个隐层节点到第k个输出层节点间的权值；

2)BP神经网络模型

设有一个含有l层和n’个节点的BP网络，认为网络只有一个输出y；给定N个样本(x_k,y_k)(k＝1,2,…,N)，任一节点i的输出为O_i，对某一个输入x_k，网络的输出为y_k，节点i的输出为O_ik，则BP算法的步骤如下：

(1)选定权系数初值；

(2)重复下述过程直到收敛：

①对k＝(1～N)正向过程计算：计算每层各单元的输出O^l-1 _jk，l层的输入net^l _jk和实际输出y_k；

②反向过程计算：计算每层各单元的误差分量δ_jk；

③修正权值W_ij；

输入层节点数对应于输入向量的维数，根据Kolmgorov定理D≥2M+1，M为输入神经元数目，D为中间层神经元数量或者隐含层神经元数目，确定隐含层神经元数目D，运用动量及自适应学习率的梯度递减方法对网络进行训练；

3)灰色关联度模型

建立参考向量矩阵X₀和比较向量X_i：

X_i＝{x_i(1),x_i(2),…,x_i(z)}＝x_i(z),i＝1,2,…,N

其中，X₀中的每一行代表原始特征数列的模式数列，X_i为一故障模式下的标准灰色模式数列；x_ok(z)括号内的数字代表第几个特征，i则代表该特征的数列个数；

待判磨粒的比较向量与典型磨粒矩阵中的每一个向量在每一个参数点x_ok(z)上的关联系数：

式中:Δ_ik(j)＝|X_ok(j)-X_i(j)|；ρ为分辨系数，0＜ρ＜1，取ρ＝0.5；

为两级最小差；为两级最大差；

待测磨粒与典型磨粒间的关联度r_ik如下：

式中：W_kj为6种典型磨粒的每一种磨粒中2ⁿ+9个参数的各自权重值；

4)模糊规则的融合

若模糊关联规则直接由专家给出，且对同一条规则，专家所给出的结论的置信度不同的条件下，经过融合处理后，选取置信度大于一定阈值的规则用于诊断推理；

融合后规则的置信度为：

其中cf_i为信息源i给出的置信度，w_i为信息源i的信任度；

在已知模糊子集A以及模糊关系R时，用模糊复合法求得另一个模糊子集B＝A·R，模糊复合法采用以下形式之一：

a)最大-最小：

b)最大积：

c)最大-平均：

d)和-积：

其中f(·)是值域在[0,1]上的逻辑函数；

若模糊产生式规则为：

IF A1(t1)and…and AN(tn)THEN Q(u)

其中，A1,…,AN为规则的前提条件，t1,…,tn为前提的置信度，u为结论的置信度；

假设获得初始证据为A’₁(t’₁)，A’₂(t’₂)，……，A’_n(t’_n)，这里A’_i为初始证据，t’_i为证据的置信度，由以下方法实现规则匹配：

如果如果max(0,t_i-t’_i)≤λ_i,1≤i≤n ，则上述规则匹配为真，且结论的置信度为：CF’＝(b₁∧b₂∧…∧b_n)*u，其中，b_i＝1-max(0-t_i-t’_i),1≤i≤n，λ_i为给定的阈值。

5.根据权利要求1所述的基于信息融合技术智能模型的航空油液分析方法，其特征在于，步骤4所述D-S证据理论具体如下：

设U表示证据信息X所有可能取值的一个论域集合，且所有在U内的元素间是互不相容的，则称U为证据信息X的识别框架，亦称其为证据信息空间；假设U为一识别框架，则函数m:2^u→[0,1]在满足下列条件：则称m(A)为事件A的基元概率赋值；

对于n个相互独立的证据信息，m₁，m₂，…，m_n分别表示各自的基本概率赋值，则组合这n个证据所得的新证据的基本概率分配为：

通过上述两个公式将多个独立的证据组合起来，称k为冲突权值，当k≠1时，表示这多组证据一致或部分一致，给出证据的组合结果；当k＝1时，则表示这多组证据完全冲突。