一、建立诊断模型
数据融合分为像素级融合、特征级融合和决策级融合。本文采用特征级数据融合，其结构如图1。它既可以有效利用信息又可以减少信息损失。
设有M个传感器监视系统运行，每个传感器可以提取不同的特征信号，如：电压、频率、功率谱等。融合中心的输入为：
R=[S1，S2,……SM]
Si [Si1，Si2，……SiN]其中：Si 为第i个传感器的输出特征向量，Sij为第i个传感器第j个特征值，Ni为第I个传感器的特征向量维数，通常，Ni各不相同。系统中还有一些重要信息是不可测的，可以将他们以观察、记录的形式输入融合中心。
融合中心对不同传感器的不同特征向量的敏感度是不同的，对不同传感器的不同特征分别赋予不同的权值：
wij为融合中心对第i个传感器第j个特征值的敏感度，I为M个传感器中最大特征维数。w ij,可由专家打分、统计试验等方法确定。对于特征维数小于l的传感器，用0补齐。
数据融合推理方式主要有贝叶斯推理、证据推理、模糊推理等。本文采用模糊推理技术，其结构如图2。
首先将不同的特征值进行模糊化处理，对应得到一个隶属度，模糊化处理可以采用不同的函数，本文采用正态函数：
μ（x）=exp｛-[（x-a）/b]2｝ （l）
模糊推理器由模糊推理规则组成，推理规则的一般模型为：
Y=R·X （2）
Y为故障原因向量，X为故障特征向量，R为推理矩阵或推理器。模糊推理的关键就在于R的获取，其一般表达形式为：
if（sl1，and s12） then f1
if（s21 and S22） then f2 and f3
if（s11 and s12 and s31） then f1 and f2这种形式易于表达专家知识，解释性强。
最后经过去模糊化，输出诊断结果。去模糊化方法主要有重心法、最大隶属度法、简单平均法、水平重心法等。下面仅列出本文采用的重心法：
二、应用实例
以某系统加温系统为例。主要测试项目有平台台体加温检查、陀螺加速度计加温检查、温控电路检查。分别用3个温度传感器测量3个部位的温度。硬件连接结构如图3。
将各个传感器的输出信号模糊化处理。由传感器技术指标及专家经验确定模糊化函数的参数。传感器1的模糊化函数为：
根据专家经验和故障分析得到部分推理规则，见表1。
反模糊化函数采用中心平均反模糊函数。部分实验数据及诊断结果见表2。
由表2可知，对于符合已有规则的诊断结果完全正确，对于不在规则范围内的数据，诊断结果也令人满意，只是诊断隶属度有所降低。
三、结束语
采用多传感器数据融合技术有以下优势：
1．充分利用传感器信息，提高诊断可靠性；
2．利用模糊推理技术可以实现多故障同时性诊断，且可以充分利用专家知识；
3．规则易修改。专家知识的各个规则是相互独立的，当发现不正确的规则时，只需删除或修改错误规则，其他规则不受影响。
应用中注意的问题：
1．专家知识的获取。专家知识在融合过程中起关键作用，错误的专家知识将导致错误的诊断结果；
2．传感器特征信号的选择和提取是诊断的依据，应充分分析传感器信号形式。