旋转机组日益趋向于自动化、大型化、高速化,其组成与结构变得越来越复杂。然而,通常在负载大、转速高等复杂工况下,以及长时间运行的过程中极易造成齿轮箱关键零部件的损坏。在复杂工况下及时发现故障、预测故障的发展趋势是旋转机组故障诊断的关键。针对旋转机组齿轮箱在复杂工况下面临的诊断难题,提出一种多传感器与D-S证据理论相结合的故障诊断方法。实例表明该方法可以有效解决齿轮箱存在的故障问题,确保旋转机组安全、可靠、正常地

提出了将神经网络与D-S证据理论相结合的故障诊断方法，实现了故障信号的特征级和决策级融合，并应用于轴承的复合故障诊断研究。将BP、RBF、GRNN 3种神经网络的输出结果作为3个证据体，滚动轴承的4种复合故障特征作为系统的识别框架，引入聚类系数作为权值分配，重新计算基本概率赋值，对D-S证据理论进行改进，以提高轴承复合故障诊断的准确性。

从D-S证据理论的基本概念和融合推理方法出发构造了符合故障诊断特点的基本可信度分配建立了多故障特征信息融合诊断框架并将其应用于液压泵故障诊断实例表明该方法能有效提高诊断可信度充分显示了该诊断方法的有效性。