本發(fā)明涉及電動汽車動力鋰電池
技術(shù)領(lǐng)域：
，尤其是涉及一種基于改進D-S證據(jù)理論的鋰電池故障診斷方法。
背景技術(shù)：
：電動汽車動力鋰電池系統(tǒng)對于整個電動汽車，是保證汽車正常行駛和準確預(yù)估續(xù)駛里程的基礎(chǔ)。當(dāng)前制約電動汽車發(fā)展的核心技術(shù)就是在行車過程中電池系統(tǒng)能否準確切實提供動力，確保安全出行。由于目前國內(nèi)動力電池技術(shù)并非完全成熟，初期的電池故障征兆不易察覺，因此對鋰電池系統(tǒng)進行故障診斷研究確保電池處于正常運作狀態(tài)，具有非常重要的現(xiàn)實意義。單體電池串并聯(lián)的長期使用中，電池組都會出現(xiàn)性能大幅衰減的現(xiàn)象。鋰電池故障在故障初期不易察覺，故障征兆不明顯。經(jīng)研究表明，由于構(gòu)成電池組的單體電池在一致性上出現(xiàn)了明顯的差異。電池組的不一致較高會直接導(dǎo)致電池組性能和使用壽命大幅下降，連續(xù)的充放電循環(huán)將使單體電池的差異被放大，并可能存在安全隱患。因此，要及早發(fā)現(xiàn)單體電池的不一致性故障，保證電池組高性能和長壽命，從而提高電動汽車運行的可靠性和安全性。電池系統(tǒng)故障診斷目前主要的研究方向集中在專家診斷和神經(jīng)網(wǎng)絡(luò)系統(tǒng)方面。2004年鄭杭波以模糊數(shù)學(xué)與模糊診斷原理為基礎(chǔ)，建立了電池組故障診斷模糊專家系統(tǒng)的模型，給出了專家系統(tǒng)所用規(guī)則、歷史檔案數(shù)據(jù)內(nèi)容以及電池組運行性能評估的算法。在電池故障診斷中專家所描述的癥狀和故障,通過模糊數(shù)學(xué)模型加以描述。討論了系統(tǒng)的具體實現(xiàn)，包括癥狀模糊化、故障的診斷和電池的健康狀況DOH(DegreeOfHealth)的計算。2005年湖南大學(xué)劉文杰考慮了以下兩個性能評估依據(jù)。第一，在電池組充放電時，每5分鐘對各單體電池計算一次同一時間內(nèi)的電壓變化ΔU，同時進行一次評估——將各時間段內(nèi)的電壓變化值與此段時間內(nèi)電壓變化最小值之差的加權(quán)和作為電池自運行以來的性能評估依據(jù)；第二，每500ms計算一次各單電池電壓與平均電壓的差值。綜合考慮兩個性能評估依據(jù)，利用模糊專家系統(tǒng)，對電池進行潛在故障診斷。2010年北京郵電大學(xué)劉曉俊基于電池組常見故障以及實例，通過對比診斷知識庫和推理機建立的方法，提出一個基于對象和關(guān)系數(shù)據(jù)庫的知識庫建立方法，以及基于人工智能模糊推理的綜合判斷推理機模型。其核心為診斷領(lǐng)域知識的分類和表達，對貝葉斯網(wǎng)絡(luò)診斷模型進行分析和研究，對電池知識的表達進行層次分解。2011年吉林大學(xué)吳建榮采用的電池故障診斷方法類似，但其癥狀隸屬度的計算方法較為簡單。在專家系統(tǒng)的推理機部分加入了人為的故障排除功能，對存入數(shù)據(jù)庫中的數(shù)據(jù)進行了篩選，大大提高了故障診斷的準確度。2015年北京理工大學(xué)的檀斐搭建電池單體等效電路模型及電池單體的簡化散熱模型。利用小波包分析的方式，以小波包節(jié)點的能量值作為故障診斷參數(shù)，合理設(shè)計BP神經(jīng)網(wǎng)絡(luò)，診斷電池單體不一致性故障。對故障征兆明顯的故障，采用故障分級和累計判別的方法；對故障特征不明顯的故障，采用神經(jīng)網(wǎng)絡(luò)診斷方式設(shè)計診斷流程。2015年北京理工大學(xué)卿平勇整理混合動力汽車電池管理系統(tǒng)常見的故障特征，建立混合動力汽車電池管理系統(tǒng)的仿真模型，模擬混合動力汽車電池管理系統(tǒng)的不同故障工況，提取不同傳感器的信號特征，建立起模式識別的故障特征向量。建立BP神經(jīng)網(wǎng)絡(luò)，完成對電池管理系統(tǒng)故障的模式識別，從而實現(xiàn)故障診斷。2015年長春工業(yè)大學(xué)王一卉綜合電動汽車鋰電池在運行中出現(xiàn)的故障信息，構(gòu)建故障診斷規(guī)則,并求取故障隸屬度，建立模糊神經(jīng)網(wǎng)絡(luò)電池故障的診斷方案。經(jīng)過實驗驗證，模糊神經(jīng)網(wǎng)絡(luò)故障診斷方法能夠及時準確的判斷出電池故障。電池在工作中不能避免顛簸碰撞等狀況發(fā)生，導(dǎo)致電池電壓過高或過低，電流過大或過小等，同時電池系統(tǒng)自身的復(fù)雜性和容易受到周圍環(huán)境影響等不確定性因素，將導(dǎo)致故障診斷的準確性下降。上述的故障診斷方法都過于單一，無法進行集中綜合，而且不同診斷方法的診斷結(jié)果也具有極大的差異性，因而如何綜合不同診斷方法進行故障診斷是一個急需解決的問題。技術(shù)實現(xiàn)要素：本發(fā)明的目的是針對上述問題提供一種基于改進D-S證據(jù)理論的鋰電池故障診斷方法。本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：一種基于改進D-S證據(jù)理論的鋰電池故障診斷方法，用于確定鋰電池的狀態(tài)，所述方法包括下列步驟：1)利用至少2種診斷方法對鋰電池故障進行初步診斷；2)根據(jù)步驟1)得到的初步診斷結(jié)果，構(gòu)造各診斷方法對應(yīng)的證據(jù)體，并計算各證據(jù)體的基本概率分布函數(shù)；3)基于基本概率分布函數(shù)對各證據(jù)體的權(quán)重進行修正，得到加權(quán)證據(jù)體；4)計算歸一化的各焦元的信任度，根據(jù)信任度得到組合規(guī)則，根據(jù)組合規(guī)則將步驟2)中構(gòu)造的各診斷方法對應(yīng)的證據(jù)體和步驟3)中得到的加權(quán)證據(jù)體進行融合，得到融合后的診斷結(jié)果；5)根據(jù)融合后的診斷結(jié)果，應(yīng)用決策規(guī)則確定鋰電池的狀態(tài)，即確定的鋰電池狀態(tài)為同時滿足所有決策規(guī)則的鋰電池的狀態(tài)。所述鋰電池的狀態(tài)包括正常狀態(tài)、故障狀態(tài)和不確定故障狀態(tài)，所述故障狀態(tài)包括SOC減少故障、容量減少故障和內(nèi)阻增大故障。所述步驟1)具體為：11)根據(jù)鋰電池的電壓特征向量和溫度特征向量，利用至少2種診斷方法對鋰電池進行診斷，得到對應(yīng)的診斷結(jié)果；12)對各診斷方法對應(yīng)的診斷結(jié)果進行診斷正確率計算，得到相應(yīng)的診斷正確率，將診斷結(jié)果與診斷正確率合并作為初步診斷結(jié)果，所述診斷正確率具體為：Rk=1-Σi=1n(xi-yi)2Σi=1n(xi-xv)2]]>其中，xi表示第i組測試數(shù)據(jù)應(yīng)用該診斷方法得到的診斷結(jié)果值，一共有n組測試數(shù)據(jù)。yi表示第i組測試數(shù)據(jù)的期望輸出值，xv表示n組測試數(shù)據(jù)得到的實驗結(jié)果均值。所述基本概率分布函數(shù)具體為：mk(Ai)=Ck(Ai)Σi=1ICk(Ak)·Rk,i=1,2,...,Imk(AI)=1-Σi=1I-1mk(Ai)]]>其中，mk為基本概率分配函數(shù)，Ai為鋰電池的各種狀態(tài)，Ck為應(yīng)用第k種診斷方法對鋰電池狀態(tài)Ai的診斷輸出，Rk為第k種診斷方法的診斷正確率。所述步驟3)具體為：31)根據(jù)步驟2)得到的各證據(jù)體的基本概率分布函數(shù)，計算不同證據(jù)體之間的距離dBPA(mi,mj)和距離相似度DS(mi,mj)；32)根據(jù)步驟31)得到的距離相似度DS(mi,mj)，得到各證據(jù)體的支持度sup(mi)；33)根據(jù)步驟32)得到的各證據(jù)體的支持度sup(mi)，構(gòu)建支持矩陣R＝(sup(mi,mj))n×n；34)利用支持矩陣的特征向量v＝(v1,v2,...,vn)T得到各證據(jù)體的權(quán)重系數(shù)βk，利用權(quán)重系數(shù)βk對各證據(jù)體進行修正，得到加權(quán)證據(jù)體m'。所述加權(quán)證據(jù)體m'具體為：m′=Σk=1nβk×mk.]]>所述步驟4)具體為：41)根據(jù)不同證據(jù)體與加權(quán)證據(jù)體距同一焦元的距離得到焦元之間的距離FD[mi(Ak)]；42)根據(jù)焦元之間的距離FD[mi(Ak)]得到焦元的信任度Fcrd[mi(Ak)]，并進行歸一化得到歸一化的各焦元的信任度Di(Ak)；43)根據(jù)步驟42)中得到的歸一化的各焦元的信任度Di(Ak)得到組合規(guī)則，根據(jù)組合規(guī)則將步驟2)中構(gòu)造的各診斷方法對應(yīng)的證據(jù)體和步驟3)中得到的加權(quán)證據(jù)體進行融合，得到融合后的診斷結(jié)果。所述組合規(guī)則具體為：m(A)=ΣAi∩Aj∩Al∩...=Am1(Ai)m2(Aj)m3(Al)...+f(A)m(U)=ΣAi∩Aj∩Al∩...=Um1(Ai)m2(Aj)m3(Al)...]]>式中，f(A)=ΣAi∩As∩Ak∩...=ΦD1(Ai)·m1(Ai)D1(Ai)·m1(Ai)+D2(As)·m2(As)+D3(Ak)·m3(Ak)+...·m1(Ai)·m2(As)·m3(Ak)...+ΣAj∩As∩Ak∩...=ΦD2(Aj)·m2(Aj)D2(Aj)·m2(Aj)+D1(As)·m1(As)+D3(Ak)·m3(Ak)+...·m2(Aj)·m1(As)·m3(Ak)...+...]]>其中，U＝{A1,A2,A3...}為辨識框架，m(A)表示n條證據(jù)體分配給對辨識目標的支持率，即鋰電池不同故障狀態(tài)和正常狀態(tài)的基本概率分配函數(shù)值，m(U)表示分配給辨識框架的支持率，也就是不確定的基本概率分布函數(shù)值，即鋰電池的不確定狀態(tài)的輸出值。所述決策規(guī)則具體為：51)鋰電池的狀態(tài)輸出值是所有故障類型輸出值中的最大值；52)所有鋰電池的狀態(tài)輸出值中最大的兩個值的差值大于差值閾值；53)鋰電池的不確定狀態(tài)的輸出值小于不確定閾值。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：(1)改進D-S證據(jù)理論的方法對鋰電池進行故障診斷不但可以成功診斷出電池系統(tǒng)所有故障，而且診斷精度高于單一的故障診斷方法。(2)基于不同診斷方法的準確率，將不確定信息進行了重新合理分配，充分利用證據(jù)信息，并保留了證據(jù)的完整性。(3)對數(shù)據(jù)模型的改進是通過證據(jù)間支持度得到的支持矩陣重新修正證據(jù)源，從根本上提高了D-S證據(jù)理論診斷的精確度。(4)在組合規(guī)則方面考慮到?jīng)_突可能存在于不同焦元之間，于是引入的焦元信任度加入到組合規(guī)則中，使組合規(guī)則既保留了經(jīng)典D-S證據(jù)理論的一致性信息，又對沖突信息加以改進，提高了診斷精度。(5)將電池的正常狀態(tài)也引入到了診斷結(jié)果中，表示了電池的所有狀態(tài)，避免了在故障診斷過程中對狀態(tài)的考慮不夠全面的問題。(6)決策規(guī)則總共包含3條，避免了單一的決策規(guī)則導(dǎo)致了故障類型確定的不準確。附圖說明圖1為本發(fā)明的方法流程圖；圖2為本實施例中進行故障診斷的方法框圖。具體實施方式下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術(shù)方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。如圖1所示，本發(fā)明提供了一種基于改進D-S證據(jù)理論的鋰電池故障診斷方法，該方法包括下列步驟：s1)依據(jù)鋰電池故障狀態(tài)的電壓溫度特征向量，首先經(jīng)過不同的診斷方法進行初步診斷，得到不同診斷方法的診斷結(jié)果及不同診斷方法的診斷準確率。這里用Rk表示應(yīng)用第k種確定電池故障診斷方法的診斷正確率，xi表示第i組測試數(shù)據(jù)應(yīng)用該診斷方法得到的診斷結(jié)果值，一共有n組測試數(shù)據(jù)。yi表示第i組測試數(shù)據(jù)的期望輸出值，xv表示n組測試數(shù)據(jù)得到的實驗結(jié)果均值。Rk=1-Σi=1n(xi-yi)2Σi=1n(xi-xv)2---(1)]]>s2)利用不同診斷方法的輸出結(jié)果構(gòu)造各自的證據(jù)體，同時基于不同診斷方法的診斷準確率將不確定信息進行重新分配。在實際診斷中為了表示電池的所有狀態(tài)，加入了電池的正常狀態(tài)。這樣用于本發(fā)明的鋰電池故障狀態(tài)框架就包括了電池的正常狀態(tài)、故障狀態(tài)和不確定故障狀態(tài)。假設(shè)辨識框架U包括ω個完備命題A1，A2，A3，...,Aω，n條證據(jù)E1,E2,E3,...,En的基本概率分配函數(shù)m1,m2,m3,...,mn，滿足m(Φ)＝0且其中k＝1,2,...K，表示確定電池系統(tǒng)故障類型的方法，i＝1,2,...I，表示電池系統(tǒng)的故障類別。為了滿足將不同診斷方法的診斷結(jié)果進行歸一化處理，將歸一化后的值作為證據(jù)體的基本概率分配函數(shù)，構(gòu)造方法如公式(2)所示：mk(Ai)=Ck(Ai)ΣiCk(Ai)·Rk,i=1,2,...,(I-1)mk(AI)=1-Σi=1I-1mk(Ai)---(2)]]>這里，Ck(Ai)表示應(yīng)用第k種鋰電池故障診斷方法對電池故障類型Ai的診斷輸出。其中Rk表示第k種鋰電池故障診斷方法的診斷正確率。s3)考慮不同診斷方法所得證據(jù)間的支持矩陣，利用其特征向量確定各自證據(jù)的加權(quán)系數(shù)，得到一條新的加權(quán)證據(jù)體。利用證據(jù)與其他證據(jù)間的相對距離確定該證據(jù)的支持度，辨識框架上相互獨立的不同證據(jù)體距離和距離相似度由公式(3)和公式(4)表示：dBPA(mi,mj)=12(||mi||2+||mj||2-2<mi,mj>)---(3)]]>DS(mi,mj)＝1-dBPA(mi,mj)，i,j＝1,2,...n(4)其中，i和j分別表示第i和第j條證據(jù)體，||mi||表示向量的模，<mi,mj>表示兩向量的內(nèi)積，i和j分別表示第i和j條證據(jù)。接下來由距離相似度得到證據(jù)體mi的支持度sup，如公式(5)表示：sup(mi)=Σi=1j≠iDS(mi,mj)---(5)]]>基于公式(5)，構(gòu)建證據(jù)E1,E2,E3,...,En的支持矩陣R＝(sup(mi,mj))n×n，其中特征向量v＝(v1,v2,...,vn)T滿足Rv＝λv，即λvk＝rk1·v1+rk2·v2+...+rkn·vn。將λvk作為證據(jù)E1,E2,E3,...,En對證據(jù)Ek的支持度歸一化，其權(quán)重系數(shù)如公式(6)表示：βk=vkΣk=1nvk---(6)]]>其中，n表示證據(jù)體數(shù)。由公式(6)得到了各證據(jù)的權(quán)重系數(shù)，然后利用權(quán)重系數(shù)對證據(jù)進行修正，得到新的加權(quán)證據(jù)體m'，如公式(7)表示：m′=Σk=1nβk×mk---(7)]]>其中，mk表示第k條證據(jù)體，βk為第k條證據(jù)對應(yīng)的加權(quán)系數(shù)。s4)從局部角度出發(fā)，D-S證據(jù)理論組合規(guī)則中引入各目標焦元的信任度，得到新的組合規(guī)則，充分利用了證據(jù)間的一致性信息和沖突信息。計算焦元的信任度可以效仿證據(jù)體的信任度。利用不同證據(jù)體與加權(quán)證據(jù)體同一焦元的距離得到各條證據(jù)不同焦元的距離FD[mi(Ak)]，再在焦元距的基礎(chǔ)上得到各焦元的信任度。根據(jù)公式(8)，可以得到焦元之間的距離：FD[mi(Ak)]＝|mi(Ak)-m'(Ak)|(8)其中Ak是第k個目標焦元。在得到焦元距的基礎(chǔ)上獲得每一個焦元的信任度。并將其歸一化。定義焦元的信任度，如下公式(9)表示，歸一化的結(jié)果如公式(10)表示：Fcrd[mi(Ak)]=[1-FD[mi(Ak)]]·2mi(Ak)m′(Ak)[mi(Ak)]2+[m′(Ak)]2,i=1,2,...,n;k=1,2,...,K---(9)]]>Di(Ak)=Fcrd[mi(Ak)]Σi=1nΣk=1KFcrd[mi(Ak)],i=1,2,...,n;k=1,2,...,K---(10)]]>將證據(jù)焦元信任度融入組合規(guī)則中，生產(chǎn)新的融合方法。新的組合規(guī)則如公式(11)表示為：m(A)=ΣAi∩Aj∩Al∩...=Am1(Ai)m2(Aj)m3(Al)...+f(A)m(U)=ΣAi∩Aj∩Al∩...=Um1(Ai)m2(Aj)m3(Al)...---(11)]]>取f(A)=ΣAi∩As∩Ak∩...=ΦD1(Ai)·m1(Ai)D1(Ai)·m1(Ai)+D2(As)·m2(As)+D3(Ak)·m3(Ak)+...·m1(Ai)·m2(As)·m3(Ak)...+ΣAj∩As∩Ak∩...=ΦD2(Aj)·m2(Aj)D2(Aj)·m2(Aj)+D1(As)·m1(As)+D3(Ak)·m3(Ak)+...·m2(Aj)·m1(As)·m3(Ak)...+...]]>其中，U＝{A1,A2,A3...}為辨識框架，m(A)表示n條證據(jù)體分配給對辨識目標的支持率，即鋰電池不同故障狀態(tài)和正常狀態(tài)的基本概率分配函數(shù)值，m(U)表示分配給辨識框架的支持率，也就是不確定的基本概率分布函數(shù)值，即鋰電池的不確定狀態(tài)的輸出值。s5)得到新的D-S證據(jù)理論組合規(guī)則后，融合神經(jīng)網(wǎng)絡(luò)診斷結(jié)果構(gòu)成的證據(jù)體，再將其融合結(jié)果與加權(quán)證據(jù)體進行融合。得到鋰電池故障類型的融合診斷結(jié)果后，應(yīng)用決策規(guī)則決定鋰電池故障類型。決策規(guī)則表示為：51)鋰電池故障類型存在最大的基本概率分配函數(shù)值，即某故障類型的基本概率分配函數(shù)輸出值是所有故障類型輸出值中的最大值。m(A1)=max{m(Ai),Ai⋐θ}]]>52)某故障類型與其他故障類型的基本概率分配函數(shù)值差異足夠大時，才能選擇確認鋰電池處于該故障狀態(tài)。m(A1)-m(A2)>ϵ1m(A2)=max{m(Ai),Ai⋐θ,Ai≠A1}]]>53)不確定的基本概率函數(shù)值應(yīng)該小于一定的閾值。m(θ)＜ε2在實際使用中應(yīng)通過選擇參數(shù)ε1和ε2的值使融合后的BPA同時滿足以上三條決策規(guī)則。本實施例中選取ε1＝0.5，ε2＝0.2，以便得到準確的鋰電池故障最終診斷結(jié)果。如圖2所示，將上述方法進行具體應(yīng)用的步驟如下：步驟1：初步診斷電池系統(tǒng)主要故障狀態(tài)包括：容量減少、內(nèi)阻增大、SOC減小。在實際診斷過程中為了明確體現(xiàn)電池的故障狀態(tài)，加入電池的正常狀態(tài)，分別記為Cell_Norm，Cell_Cap，Cell_Rt，Cell_SOC。在Cell_Norm，Cell_Cap，Cell_Rt，Cell_SOC四種類型電池在初始SOC為80％時，電池單體仿真的電壓、溫度診斷信號做小波包分解得到能量值。據(jù)此，作為電池故障狀態(tài)特征向量進行故障診斷。本實施中，利用BP和RBF神經(jīng)網(wǎng)絡(luò)對電池的狀態(tài)進行初步診斷，得到動力鋰電池系統(tǒng)的故障類型。Cell_Norm，Cell_Cap，Cell_Rt，Cell_SOC在診斷網(wǎng)絡(luò)中的輸出分別用(1,0,0,0)(0,1,0,0)(0,0,1,0)(0,0,0,1)來表示。設(shè)定BP網(wǎng)絡(luò)輸入節(jié)點為8，隱藏層節(jié)點為17，學(xué)習(xí)函數(shù)為L-M優(yōu)化算法(trainlm)，學(xué)習(xí)率為0.3。設(shè)定RBF網(wǎng)絡(luò)分布密度spread為2。輸入訓(xùn)練樣本訓(xùn)練得到BP和RBF神經(jīng)網(wǎng)絡(luò)模型，得到測試樣本的診斷輸出結(jié)果。表1BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果表2RBF神經(jīng)網(wǎng)絡(luò)診斷結(jié)果兩種神經(jīng)網(wǎng)絡(luò)診斷的正確率可由公式(1)計算得到，分別為R1＝0.3583，R2＝0.4359。根據(jù)表1和表2的結(jié)果，BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)在對鋰電池容量減少這一故障類型進行判定時，出現(xiàn)了不一致，所以需要采取信息融合的方法進一步對鋰電池的故障類型進行判斷。步驟2：生成基本概率分配函數(shù)由公式(2)得到BP和RBF神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的基本概率分配函數(shù)m1和m2，如表3所示，其中i＝1,2,3,4,5分別代表了鋰電池的故障狀態(tài)為正常、容量減少、內(nèi)阻增大、SOC減小和不確定狀態(tài)。表3電池容量減少狀態(tài)下的證據(jù)體步驟3：得到加權(quán)證據(jù)體由公式(6)得到m1、m2兩條證據(jù)的加權(quán)系數(shù)β1＝0.4371，β2＝0.5629。再依據(jù)公式(7)生成m1、m2兩條證據(jù)的加權(quán)證據(jù)體m'，m'(A1)＝0.0302，m'(A2)＝0.3189，m'(A3)＝0.0461，m'(A4)＝0.2081，m'(A5)＝0.3967。步驟4：D-S證據(jù)理論融合根據(jù)公式(11)，應(yīng)用新的組合規(guī)則，融合證據(jù)m1、m2以及m1、m2和m'，融合結(jié)果如表4所示。表4改進D-S證據(jù)理論融合結(jié)果步驟5：決策準則由表4可以看到，采用改進D-S證據(jù)理論融合三條證據(jù)體融合結(jié)果同樣顯示目標A1(容量減少)的支持率最大，為0.5710；支持率排在第二位的是目標A4(SOC減小)，支持率為0.3109，兩者之間的差值為0.2610。根據(jù)本發(fā)明的決策規(guī)則，可以明確判定鋰電池的故障類型為容量減少。通過比較表4中的第一行和第二行可以看出，通過增加證據(jù)體，使目標A1(容量減少)的支持率從0.4920上升為0.5710，相應(yīng)對其他目標的支持率減小。因此，融合兩種診斷方法的結(jié)果比單一診斷方法的診斷精度高，診斷結(jié)果更為合理，同時基于改進的D-S證據(jù)理論組合規(guī)則診斷結(jié)果更接近期望輸出。當(dāng)前第1頁1 2 3