工程中对机器设备的监测系统，由于成本所限，通常是由单传感器组成，即每个传感器有自己专门的监测对象。这种单一测量缺少互补性和容错性。而精密机器人以及复杂的自动装置的监测系统往往是由多个传感器组成，采用多层次、多角度的测量。如机器人与工件之间的距离判断，是将对头顶视觉、超声等多个传感器的测量值做多传感器数据信号的融合，去除异常、不合理数据，使判断更为精确。
　　根据监测对象的构成和功能，以监测同类参数为分组原则，将某一子系统（或某一功能的）中的多个不同位置上的相互独立的传感器划分为一组。这样每组中的各个专用传感器对该组而言<ahref="http://www.ntyzyq.com">在线浓度仪</a>，如同一个多传感器监测系统。综合处理其信号，可对该组传感器监测的部分的状态作出更合理的判断。在某种程度上与<ahref="http://www.jnagl.com">痔疮套扎器</a>机械故障的模糊诊断类似。
　　根据多传感器信号融合理论，在特定状态下相关的传感器信号应发生相应的变化，否则将视为传感器故障或失效。判别在指定状态下，各传感器信号的变化程度一般用条件概率的方法进行计算，用排除全部应变信号的方法来寻找未变信号，显然比较难求。如果换一个角度考虑问题，从异常信号着手分析传感器的状态，便可以大大简化计算。
　　在一组传感器中，各监测信号之间具有一定的关系。在设备故障状态下，各信号均有相应的变化。当监测到某一传感器的信号超出某一限值时出现异常，则检查同组其他传感器信号是否同时出现变动，若是，机组或设备处于故障状态。此时再进一步判断组中每个传感器与系统状态值的差距。若传感器的信号不能随系统状态值变化，说明该传感器不能反映系统状态，当这个差距的绝对值小于某一门槛值，则传感器正常，否则传感器异常。