(1.山東科技大學(xué) 數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院，山東 青島 266590;2.山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院，山東 青島 266590)

隨著工業(yè)復(fù)雜性的增加，大型設(shè)備日趨復(fù)雜化，旋轉(zhuǎn)機(jī)械作為現(xiàn)代工業(yè)的主要?jiǎng)恿υ粗?，通常運(yùn)行在較為惡劣的環(huán)境中，一旦發(fā)生故障輕則影響生產(chǎn)，造成一定的經(jīng)濟(jì)損失，重則帶來(lái)嚴(yán)重的安全事故。為了保障設(shè)備的高效安全運(yùn)行，有必要開(kāi)展有關(guān)旋轉(zhuǎn)機(jī)械的故障診斷和監(jiān)測(cè)研究。由于其子系統(tǒng)的復(fù)雜性、工作狀態(tài)的多變性和操作不當(dāng)?shù)纫蛩氐挠绊?，?dǎo)致在旋轉(zhuǎn)機(jī)械的故障診斷中獲取到的通常是被污染的信號(hào)。因此，提高旋轉(zhuǎn)機(jī)械故障診斷的準(zhǔn)確率一直是備受關(guān)注的問(wèn)題。齒輪組作為旋轉(zhuǎn)機(jī)械中不可缺少的傳動(dòng)和連接部件，在傳動(dòng)過(guò)程中損壞比較頻發(fā)，其能否正常運(yùn)行與整個(gè)旋轉(zhuǎn)機(jī)械的工作性能密切相關(guān)。因此在旋轉(zhuǎn)機(jī)械中，齒輪組的故障診斷一直備受關(guān)注。常見(jiàn)的齒輪組故有兩種：一種是在傳動(dòng)過(guò)程中輪齒發(fā)生的故障，主要有點(diǎn)蝕、斷齒、磨損等；另一種是齒輪偏心、軸承不平衡等造成的故障。

傳統(tǒng)的旋轉(zhuǎn)機(jī)械齒輪組故障診斷方法有基于解析模型的方法[1]、基于專(zhuān)家系統(tǒng)的方法[2]、基于人工智能的方法[3-4]等。其中，基于解析模型的方法需要對(duì)復(fù)雜的機(jī)械結(jié)構(gòu)進(jìn)行數(shù)學(xué)建模及大量的推導(dǎo)計(jì)算，雖然準(zhǔn)確率較高，但對(duì)復(fù)雜機(jī)械的原理等專(zhuān)業(yè)知識(shí)的要求較高，因此在旋轉(zhuǎn)機(jī)械的故障診斷中普適性較弱?；趯?zhuān)家系統(tǒng)的方法不需要知道系統(tǒng)的精確模型，故障診斷過(guò)程便于理解，但實(shí)際診斷中需要大量的專(zhuān)家知識(shí)及經(jīng)驗(yàn)，知識(shí)的數(shù)量和質(zhì)量對(duì)診斷結(jié)果的準(zhǔn)確性有一定的影響。在基于人工智能的故障診斷方法中，主要有基于神經(jīng)網(wǎng)絡(luò)的方法[3]、基于支持向量機(jī)的方法[4]等。其中，基于神經(jīng)網(wǎng)絡(luò)的方法在旋轉(zhuǎn)機(jī)械故障診斷中應(yīng)用較廣，其結(jié)構(gòu)的選擇、收斂速度較慢等都制約著診斷結(jié)果的準(zhǔn)確性。支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理，在訓(xùn)練數(shù)據(jù)集較小的情況下診斷效果較好。但實(shí)際工業(yè)中，通常存在大量訓(xùn)練樣本，對(duì)于大量輸入數(shù)據(jù)支持向量機(jī)的診斷性能相對(duì)較差。

機(jī)器學(xué)習(xí)算法在故障診斷領(lǐng)域越來(lái)越受到人們的重視，隨機(jī)森林(random forest,RF)作為其中的一種也在不斷發(fā)展。RF最早由Leo Breiman和Adele Culter提出，該算法是一個(gè)包含多個(gè)弱分類(lèi)器的組合學(xué)習(xí)算法[5]。大量研究[6-8]表明，RF相比其他算法有著明顯的優(yōu)勢(shì)。能夠處理大規(guī)模數(shù)據(jù)，并且在數(shù)據(jù)缺失的情況下也具有很好的預(yù)測(cè)精度，實(shí)現(xiàn)過(guò)程比較簡(jiǎn)單，既能處理離散數(shù)據(jù)也能處理連續(xù)數(shù)據(jù)，因此近10年來(lái)，RF算法在多個(gè)領(lǐng)域都有較好的發(fā)展。目前國(guó)內(nèi)將RF算法用于故障診斷的研究相對(duì)較少，本研究將RF算法應(yīng)用于旋轉(zhuǎn)機(jī)械齒輪組的故障診斷中，并將實(shí)驗(yàn)結(jié)果與旋轉(zhuǎn)機(jī)械故障診斷中應(yīng)用較廣的支持向量機(jī)方法進(jìn)行比較。結(jié)果顯示，與支持向量機(jī)相比，RF算法模型參數(shù)較少，實(shí)現(xiàn)過(guò)程較為簡(jiǎn)單，并且能夠處理大規(guī)模數(shù)據(jù)，明顯提高了故障診斷的準(zhǔn)確率。因此，基于RF算法的故障診斷有著重要的研究?jī)r(jià)值。

將隨機(jī)森林算法應(yīng)用于旋轉(zhuǎn)機(jī)械齒輪組的故障診斷中，針對(duì)多工況、多故障同時(shí)存在的情況，用一種新的人工智能方法進(jìn)行故障診斷，取得了比傳統(tǒng)旋轉(zhuǎn)機(jī)械齒輪組故障診斷更高的分類(lèi)準(zhǔn)確率。該方法不僅拓展了隨機(jī)森林算法的應(yīng)用領(lǐng)域，同時(shí)也給旋轉(zhuǎn)機(jī)械齒輪組的故障診斷提供了新思路。

1 基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷

1.1 RF算法介紹

RF是一種有監(jiān)督的集成學(xué)習(xí)算法，廣泛應(yīng)用于分類(lèi)問(wèn)題和回歸問(wèn)題。該算法綜合了1996年Leo[9]提出的Bagging算法和1998年Ho[10]提出的隨機(jī)子空間方法，利用兩種隨機(jī)的思想，很好地抑制了傳統(tǒng)分類(lèi)器的過(guò)擬合現(xiàn)象。其基本思想是將分類(lèi)能力較弱的多個(gè)分類(lèi)器進(jìn)行組合，形成分類(lèi)能力較強(qiáng)的分類(lèi)器群。該算法選取分類(lèi)回歸樹(shù)(classification and regression tree,CART)[11]作為基分類(lèi)器進(jìn)行相關(guān)問(wèn)題的分類(lèi)。

RF算法是一種建立在特征集合上的算法，特征的優(yōu)劣在一定程度上制約著算法的分類(lèi)準(zhǔn)確率。因此，特征的選取在RF中具有重要的意義。假定RF由k個(gè)分類(lèi)器h1(T),h2(T),…,hk(T)集合而成，表示為：

H={h1(T),h2(T),…,hk(T)}。

(1)

其中：T是輸入特征集，hq(T),q=1,2,…,k是基分類(lèi)器，每個(gè)分類(lèi)器均為利用CART算法生成的決策樹(shù)，綜合k棵決策樹(shù)的分類(lèi)結(jié)果按少數(shù)服從多數(shù)原則進(jìn)行投票，投票結(jié)果即為RF的分類(lèi)結(jié)果。

RF算法的實(shí)現(xiàn)包括以下幾個(gè)部分：

1)利用bootstrap重抽樣方法[12]從含有n個(gè)樣本的原始數(shù)據(jù)集中進(jìn)行k次隨機(jī)且有放回的抽樣，形成k個(gè)bootstrap子樣本集，每個(gè)子樣本集中均含有n個(gè)樣本。

2)針對(duì)每個(gè)bootstrap子樣本集，利用CART算法進(jìn)行決策樹(shù)的構(gòu)建。該算法使用“基尼指數(shù)”(Gini index)作為劃分最優(yōu)特征及最優(yōu)分裂值的指標(biāo)。假設(shè)當(dāng)前所選取的特征ti中包含C個(gè)類(lèi)別，其Gini值如下所示：

(2)

式中，pj為第j個(gè)類(lèi)別出現(xiàn)的概率。從式(2)可以看出，Gini值越小分類(lèi)的純度越高。因此，遍歷該決策樹(shù)的所有特征,選取Gini值最小的特征作為當(dāng)前節(jié)點(diǎn)的分裂特征。

4)綜合k棵決策樹(shù)的分類(lèi)結(jié)果[14]，利用少數(shù)服從多數(shù)的原則進(jìn)行投票，投票結(jié)果即為RF的分類(lèi)結(jié)果。

1.2 基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷方法

針對(duì)主要的兩種基于人工智能的故障診斷方法存在的不足，本研究擬采用基于RF算法進(jìn)行齒輪組的故障診斷，其故障診斷流程圖如圖1所示。

圖1 基于RF算法的故障診斷流程圖Fig.1 Flowchart of RF based fault diagnosis

基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷具體步驟為：

1)原始數(shù)據(jù)集D的獲?。哼x取齒輪組裂紋、缺齒、斷齒三類(lèi)故障進(jìn)行數(shù)據(jù)采集，針對(duì)每類(lèi)故障，分別從旋轉(zhuǎn)機(jī)械的振動(dòng)傳感器、扭力傳感器測(cè)量中選取l個(gè)數(shù)據(jù)，并記錄每個(gè)數(shù)據(jù)對(duì)應(yīng)的故障標(biāo)簽yi(i=1,2,…,3l)：

yi∈{y1,y2,y3},i=1,2,…,3l，

(3)

D={D1∪D2}，

(4)

D1={(xi,yi)},i=1,2,…,3l，

(5)

(6)

其中：y1，y2，y3分別表示裂紋、缺齒、斷齒三類(lèi)故障，D1為振動(dòng)傳感器測(cè)量輸出、D2為扭力傳感器測(cè)量輸出。

2)特征提取：結(jié)合旋轉(zhuǎn)機(jī)械故障檢測(cè)系統(tǒng)的特點(diǎn)和文獻(xiàn)[15]的時(shí)域特征參數(shù)表，選取表1中的時(shí)域特征作為決策樹(shù)生長(zhǎng)過(guò)程中的分裂屬性。

表1 時(shí)域特征描述Tab.1 Description of time domain characteristics

注：xi是傳感器測(cè)量，i=1,2,…,n是樣本數(shù)

4)CART決策樹(shù)的生長(zhǎng)和分類(lèi)結(jié)果：根據(jù)1.1節(jié)CART決策樹(shù)的構(gòu)建方法選取最優(yōu)的分裂特征和最優(yōu)分裂值a進(jìn)行節(jié)點(diǎn)的分裂。假定選取的最優(yōu)分裂特征為ti，最優(yōu)分裂值a的選取如下：

(7)

其中：ti1、ti2為枚舉得到的最優(yōu)分裂特征ti的兩個(gè)子樣本集，N1、N2為兩個(gè)子樣本集的樣本數(shù)，N為最優(yōu)分裂特征為ti時(shí)的樣本數(shù)。按照公式(7)的規(guī)則進(jìn)行CART決策樹(shù)的生長(zhǎng)，直到m個(gè)特征全部用作分裂節(jié)點(diǎn)，則完成了該決策樹(shù)的生長(zhǎng)。

5)RF的分類(lèi)結(jié)果：將構(gòu)建好的k棵決策樹(shù)作為RF的基分類(lèi)器群，對(duì)特征數(shù)據(jù)進(jìn)行故障類(lèi)別的劃分，綜合k棵決策樹(shù)的分類(lèi)結(jié)果，利用少數(shù)服從多數(shù)的原則進(jìn)行投票得到RF的分類(lèi)結(jié)果，從而實(shí)現(xiàn)故障診斷。

上述基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷過(guò)程描述如表2、表3所示。

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)平臺(tái)選取美國(guó)SpectraQuest公司的風(fēng)力渦輪動(dòng)力傳動(dòng)系統(tǒng)故障診斷模擬器，其結(jié)構(gòu)圖如圖2所示，其中1是單相電機(jī)、2是二級(jí)平行軸變速箱、3是行星齒輪箱變速器、4是可編程磁力制動(dòng)器、5是傳感器(從左到右分別為扭力傳感器、振動(dòng)傳感器)。該平臺(tái)可以在多工況、多故障同時(shí)存在的情況下對(duì)齒輪組的運(yùn)行狀態(tài)進(jìn)行檢測(cè)。

提出的故障診斷方法是針對(duì)旋轉(zhuǎn)機(jī)械齒輪組的裂紋、缺齒、斷齒三類(lèi)故障進(jìn)行的診斷。圖3列出了齒輪組在正常情況下及三種故障情況下的實(shí)物圖，其中：1為正常、2為缺齒、3為裂紋、4為斷齒。

表2 基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷方法(離線(xiàn)過(guò)程)Tab.2 RF based fault diagnosis method on rotating machinery gearbox (offline process)

表3 基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷方法(在線(xiàn)過(guò)程)Tab.3 RF based fault diagnosis method on rotating machinery gearbox (online process)

圖2 風(fēng)力渦輪動(dòng)力傳動(dòng)系統(tǒng)故障診斷模擬器Fig.2 Wind turbine drivetrain diagnosis simulator

圖3 齒輪故障類(lèi)型實(shí)物圖Fig.3 The different classes of gear fault

裂紋主要發(fā)生在齒根表面。由于齒面所受作用力超出材料所能承受的最大作用力，導(dǎo)致齒輪發(fā)生裂紋，在嚙合時(shí)裂紋閉合促使縫隙中的油壓增高，加速了裂紋的擴(kuò)散，最終齒輪表面的金屬一小塊一小塊的剝落形成點(diǎn)蝕。斷齒是齒輪最常見(jiàn)的故障類(lèi)型，由于齒輪的作用力主要集中在齒根處，因此斷齒常發(fā)生于齒根部位。通常有三種情況：一是由于齒輪長(zhǎng)時(shí)間處于工作狀態(tài)，在各種力的作用下，產(chǎn)生疲勞裂紋并逐漸擴(kuò)散，最終導(dǎo)致齒輪發(fā)生疲勞斷齒。二是當(dāng)齒輪處于超負(fù)荷的工作環(huán)境時(shí)，齒輪受到嚴(yán)重的沖擊，導(dǎo)致齒根處的作用力超出所能承受的最大范圍而發(fā)生斷裂。三是由于齒輪本身質(zhì)量較差或工作過(guò)程中出現(xiàn)偏載，使得齒根處受力不均勻而發(fā)生局部斷齒(缺齒)，局部斷齒通常發(fā)生在輪齒端部。此外，受齒輪箱中未被清理的物質(zhì)混入齒輪間隙、潤(rùn)滑效果不好等因素的影響，常常導(dǎo)致齒輪被磨損。齒輪磨損后，齒的厚度變薄，加大了整個(gè)設(shè)備的振動(dòng)和噪聲，嚴(yán)重時(shí)也可能引發(fā)斷齒。

2.2 實(shí)驗(yàn)數(shù)據(jù)采集

實(shí)際工作中，轉(zhuǎn)速的改變，噪聲、環(huán)境的改變，齒輪、軸承等元件的損壞都可能引起工況的改變。但實(shí)際的轉(zhuǎn)速是不可預(yù)測(cè)的，在實(shí)驗(yàn)過(guò)程中轉(zhuǎn)速的變化可以通過(guò)調(diào)節(jié)電機(jī)轉(zhuǎn)動(dòng)頻率和負(fù)載電壓來(lái)實(shí)現(xiàn)，假設(shè)轉(zhuǎn)子轉(zhuǎn)速是勻速的，而數(shù)據(jù)是在不同轉(zhuǎn)速下采集的，在一定程度上也保證了工況的不同，具有一定的普適性。齒輪部分可選擇分布形式為直齒或斜齒等不同類(lèi)型的輪齒，還可以選擇齒輪裂紋、斷齒、缺齒等多種故障類(lèi)型的齒輪。

表4 實(shí)驗(yàn)數(shù)據(jù)Tab.4 Experimental data

現(xiàn)將工況的處理表示如下：借助風(fēng)力渦輪動(dòng)力傳動(dòng)系統(tǒng)故障診斷方法模擬器，選取四種工況(轉(zhuǎn)動(dòng)頻率為6、10 Hz，負(fù)載電壓為8、5 V)同時(shí)采集齒輪裂紋、缺齒、斷齒三種故障的振動(dòng)傳感器和扭力傳感器輸出。其中，每個(gè)傳感器采集2 000個(gè)數(shù)據(jù)，按照傳感器的不同，將得到的故障數(shù)據(jù)按列進(jìn)行整合，生成一個(gè)(2 000×3)×2的矩陣。按照同樣的整合方法將剩余三種工況的數(shù)據(jù)進(jìn)行整合，共得到四個(gè)(2 000×3)×2的矩陣。

根據(jù)表1所示的時(shí)域特征分別對(duì)四種工況下傳感器測(cè)得的數(shù)據(jù)進(jìn)行故障特征的提取。為了降低提取特征之后數(shù)據(jù)的維度，實(shí)驗(yàn)中將每4個(gè)數(shù)據(jù)劃分為一組進(jìn)行特征提取。提取過(guò)程如下：分別對(duì)500×3組振動(dòng)傳感器的測(cè)量輸出D1和500×3組扭力傳感器的測(cè)量輸出D2進(jìn)行多維度特征向量的提取，記為集合T。T包含如下14個(gè)變量：最大值x1(x8)、均方根x2(x9)、方根幅值x3(x10)、標(biāo)準(zhǔn)x4(x11)、峰值指標(biāo)x5(x12)、裕度指標(biāo)x6(x13)、絕對(duì)平均值x7(x14)。利用bootstrap重抽樣方法分別對(duì)每種工況下提取特征后的500×3行數(shù)據(jù)集進(jìn)行重復(fù)抽樣生成k個(gè)bootstrap子集，并對(duì)每種工況進(jìn)行訓(xùn)練集和測(cè)試集的劃分。

2.3 實(shí)驗(yàn)結(jié)果分析

圖4以轉(zhuǎn)動(dòng)頻率6 Hz、負(fù)載電壓8 V為例，給出了齒輪裂紋故障下的部分扭力傳感器測(cè)量提取特征之后的數(shù)據(jù)。

圖4 齒輪裂紋情況下的特征數(shù)據(jù)Fig.4 Extracted feature data under root crack fault

2.3.1 四種工況下的實(shí)驗(yàn)結(jié)果

基于RF算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷實(shí)現(xiàn)過(guò)程較為簡(jiǎn)單，整個(gè)實(shí)驗(yàn)過(guò)程涉及到兩個(gè)參數(shù)的選擇，分別為最優(yōu)決策樹(shù)的棵數(shù)k和最優(yōu)特征子集m。其中，k值根據(jù)實(shí)驗(yàn)過(guò)程中的袋外誤差來(lái)確定，通過(guò)優(yōu)化，選擇k=320作為RF模型中最優(yōu)決策樹(shù)的棵數(shù)。對(duì)于工況1，按照1.2節(jié)步驟(2)介紹的特征提取方法進(jìn)行時(shí)域特征的提取，將提取后的特征向量x1～x14和類(lèi)別標(biāo)簽Y作為RF的輸入，實(shí)驗(yàn)結(jié)果如表5所示。

表5 訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的混淆矩陣Tab.5 Confusion matrix of training and testing data set

注：左側(cè)為訓(xùn)練數(shù)據(jù)集的混淆矩陣，右側(cè)為測(cè)試數(shù)據(jù)集的混淆矩陣

由表5的混淆矩陣可以看出，利用RF進(jìn)行分類(lèi)時(shí)，y1被錯(cuò)分為y2的有2個(gè)，被錯(cuò)分為y3的有0個(gè)，分類(lèi)錯(cuò)誤率為1.2%。y2被錯(cuò)分為y1的有2個(gè)，被錯(cuò)分為y3的有1個(gè)，分類(lèi)錯(cuò)誤率為1.9%。y3的分類(lèi)結(jié)果全部正確?？傮w來(lái)說(shuō)，利用RF進(jìn)行分類(lèi)，預(yù)測(cè)準(zhǔn)確率達(dá)到了98.84%。

圖5 RF特征重要性Fig.5 Contribution of the RF features

表6 工況2、3、4測(cè)試數(shù)據(jù)集的混淆矩陣Tab.6 Confusion matrix of test data set for operation conditions 2,3 and 4

為衡量每個(gè)特征在RF的所有決策樹(shù)中所做貢獻(xiàn)的平均值，采用基于Gini值的特征重要性計(jì)算方法，將特征ti在節(jié)點(diǎn)m處的重要性定義為節(jié)點(diǎn)m分枝前后Gini值的變化量，并通過(guò)計(jì)算特征ti在每棵決策樹(shù)中的重要性得到該特征在隨機(jī)森林中的重要性。由圖5可以得出，x8、x11、x12、x13四個(gè)特征在RF的構(gòu)建過(guò)程中貢獻(xiàn)率較大，為此RF中最重要的四個(gè)特征，保證了所構(gòu)建的RF的分類(lèi)準(zhǔn)確率。

在其他三種工況下的故障診斷結(jié)果如表6所示，由混淆矩陣可以看出，每種工況下RF的分類(lèi)準(zhǔn)確率都比較高，并且RF對(duì)y3的分類(lèi)效果最好，對(duì)y1和y2的分類(lèi)準(zhǔn)確率相差不大。由于RF算法在構(gòu)建過(guò)程中只涉及到兩個(gè)參數(shù)(k和m)的選擇，算法的實(shí)現(xiàn)過(guò)程較為簡(jiǎn)單，并能根據(jù)Gini值給出變量的重要性排序，方便進(jìn)行最優(yōu)特征的選取。

2.3.2 方法對(duì)比

為了驗(yàn)證RF算法能有效地提高模型的預(yù)測(cè)準(zhǔn)確率，在相同的工況下，將2.2節(jié)提取特征之后的數(shù)據(jù)用于本文提出的基于RF的故障診斷方法和傳統(tǒng)的基于支持向量機(jī)(support vector machine,SVM)的故障診斷方法[17]。

表中首先給出了四種不同的工況，每種工況所采集的數(shù)據(jù)均包含旋轉(zhuǎn)機(jī)械齒輪組裂紋、缺齒、斷齒三類(lèi)故障，并且在每類(lèi)故障信號(hào)中選取2 000個(gè)數(shù)據(jù)用作實(shí)驗(yàn)所需的原始數(shù)據(jù)集。然后對(duì)采集到的2 000×3個(gè)故障數(shù)據(jù)按照文中表1的時(shí)域特征參數(shù)進(jìn)行時(shí)域特征的提取。最后將提取特征之后的數(shù)據(jù)用于隨機(jī)森林算法和文獻(xiàn)[17]中介紹的支持向量機(jī)方法進(jìn)行分類(lèi)準(zhǔn)確率的對(duì)比。實(shí)驗(yàn)對(duì)比結(jié)果如表7所示。

表7 基于RF和基于SVM的故障診斷方法的實(shí)驗(yàn)對(duì)比Tab.7 Experimental comparison between RF and SVM based fault diagnosis method

由上述對(duì)比實(shí)驗(yàn)可以看出，在相同的工況下，應(yīng)用RF算法進(jìn)行故障分類(lèi)的分類(lèi)準(zhǔn)確率明顯高于使用SVM方法的分類(lèi)準(zhǔn)確率。對(duì)于不同的工況而言，RF算法的分類(lèi)準(zhǔn)確率較SVM算法明顯提高。主要原因在于使用SVM算法進(jìn)行分類(lèi)得到的是單一的分類(lèi)器，而RF算法采用bootstrap重抽樣方法生成了多個(gè)分類(lèi)器，且其訓(xùn)練集互不相同，并采用隨機(jī)子空間的方法對(duì)特征集進(jìn)行抽樣，使得每個(gè)分類(lèi)器的特征子集也互不相同，最后利用組合分類(lèi)器的思想將每個(gè)分類(lèi)器的分類(lèi)結(jié)果進(jìn)行組合，得到整個(gè)森林的分類(lèi)結(jié)果。同時(shí)，在建立RF模型時(shí)只涉及到兩個(gè)參數(shù)的確定，算法的時(shí)間復(fù)雜度較低。因此，與SVM方法相比，RF算法的模型預(yù)測(cè)準(zhǔn)確率有了明顯的提高。

3 結(jié)論

針對(duì)傳統(tǒng)的旋轉(zhuǎn)機(jī)械故障診斷中使用單一分類(lèi)器、診斷準(zhǔn)確率不高的問(wèn)題，提出了一種基于多個(gè)分類(lèi)器組合而成的RF算法旋轉(zhuǎn)機(jī)械齒輪組故障診斷。該方法通過(guò)基分類(lèi)器組合學(xué)習(xí)，提高了森林預(yù)測(cè)準(zhǔn)確率，大大縮短了模型的預(yù)測(cè)時(shí)間。利用風(fēng)力渦輪動(dòng)力傳動(dòng)系統(tǒng)故障診斷模擬器，進(jìn)行了多工況、多故障的實(shí)驗(yàn)驗(yàn)證。結(jié)果顯示，RF算法能夠很好地對(duì)齒輪組故障進(jìn)行分類(lèi)，避免復(fù)雜的尋參過(guò)程，能夠處理大規(guī)模數(shù)據(jù)集，并且通過(guò)分類(lèi)器組合，提高了模型的預(yù)測(cè)準(zhǔn)確率，避免了傳統(tǒng)分類(lèi)器的過(guò)擬合現(xiàn)象。同時(shí)，應(yīng)用隨機(jī)森林算法進(jìn)行旋轉(zhuǎn)機(jī)械的故障診斷過(guò)程可看作一個(gè)循環(huán)過(guò)程。針對(duì)系統(tǒng)齒輪組出現(xiàn)的新故障，或者旋轉(zhuǎn)機(jī)械其他部位出現(xiàn)的故障，首先需要明確知道該部分故障數(shù)據(jù)的類(lèi)別標(biāo)簽，然后對(duì)這部分故障數(shù)據(jù)進(jìn)行時(shí)域特征提取，最后將提取數(shù)據(jù)用作隨機(jī)森林算法的輸入進(jìn)行隨機(jī)森林的重新構(gòu)建，并進(jìn)行故障類(lèi)別的劃分。如再出現(xiàn)新的故障，可循環(huán)操作此過(guò)程完成故障類(lèi)別的劃分。