接着Choquet模糊积分考虑每个特征正确可靠率和整体可靠率在给出故障原型中来得到一个诊断结果整体评估,当每个特征重要性和不同特征相互作用都在拼接过程中被考虑之后,目标模型就能产生比其他单独特征能给出更准确诊断结果。
.决策层模糊积分诊断模型在图中,机械故障诊断决策层模糊积分融合模型结构,其中,环境监控数据得到不同特征,然后这些特征被分成不同组来提供不同故障分类器,每个分类器可以根据每个目标得到一个原始诊断,所有分类器像神经网络、模糊分类器等都可以给使用。
为了达到模糊积分模型输入要求,每个分类器从给C出目标得到单独诊断结果需要转换成模糊解释,模糊解释反映了每个分类器对每个给出目标可靠度,类似于f函数在计划特征层模糊积分诊断模型中所扮演角色。
分类器对一连串数据组识别率反映了不同分类器在识别故障方面全面性能。
对一个给定故障而言,不同分类器识别率也许是不一样,某个分类器对不同给定故障可能也有不同识别能力,这些源于模糊密度组识别率是反复无常,它所有特点表现了不同模糊密度受分类器在识别机械故障模式中重要性影响组合,模糊密度被用来计算不同分类器对不同故障分类器模糊测量。
因为不同分类器对不同故障可以有不同识别率,所以每个识别器得到单独诊断结果在某种程度上可能彼此不相符,然后模糊积分模块被用于得到最终决策。
这个模块就像使用输入产生一致解释一样使用分类器输出,这些输出组成了在模糊