针对基于单一分类器的柴油发动机常见故障识别效果不够理想,泛化性较差等问题,结合实验数据探索了一种随机森林(Random Forest,RF)分类器,提出小波包分解和随机森林相结合的柴油发动机故障诊断方法。首先,对缸盖振动信号进行小波包分解,并利用分解所得的小波包重构系数计算各频带能量特征;然后,对小波包频带能量特征进行归一化处理,得到特征向量;最后,特征向量作为输入参数输入到随机森林算法中,训练得到分类模型,对柴油机常见故障进行识别。实验结果表明,随机森林方法相比于单一分类器可以更准确的识别出柴油机的运行状态,该方法在柴油发动机在线监测与故障诊断领域中具有良好的应用前景。

为实现滚动轴承故障特征分析,提出了一种基于小波包变换(Wavelet Packet Transform,WPT)结合随机森林(Random Forests,RF)的滚动轴承故障分析模型。首先,采用小波包变换对振动信号进行分解,对终端节点进行重构,再计算重构信号及其希尔伯特边际谱的11种统计参数,得到统计特征,构建原始特征集;针对原始特征集中存在的冗余和干扰特征,提出一种基于平均精确率减少的特征选择方法(Features Selection base on Mean Decrease Accuracy,FSMDA),标记特征对轴承故障的重要度,选取重要度高的统计特征用于故障状态识别;最后,利用随机森林实现滚动轴承故障特征分析与状态识别。采用12种轴承故障状态数据进行实验分析,实验结果表明FSMDA能够选择出对故障状态较为重要的特征,提高故障状态识别准确率,并且具有较好的适应性。

针对低信噪比下无线认知网络的主用户频谱检测问题,提出了一种基于循环谱和随机森林的检测方法。该方法首先将信号变换到循环谱域,计算信号非零循环频率最大时的信号循环谱,并以循环谱的均值和方差构成特征向量。然后,基于随机森林构建无线认知网络主用户信号频谱检测模型,并分别构建正负样本信号进行模型训练。最后利用训练完成的模型检测无线认知网络主用户信号。仿真实验结果表明,该方法能够有效实现主用户信号频谱检测,且检测性能优于目前常用算法。

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法。首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,构建特征向量;最后,将特征向量输入随机森林进行故障分类。结果表明,与支持向量机(SVM)识别方法对比,该方法具有较强的学习能力以及较高的诊断精度。

电力企业市场竞争力预测关系到电力企业未来的发展,基于改进随机森林算法对电力企业的市场竞争力进行预测。随机森林算法中森林树数量和叶节点数量对预测结果影响比较大,采用果蝇优化算法对这两个参数进行优化,得到改进后的随机森林算法。将传统随机森林算法和改进后的随机森林算法应用于电力企业市场竞争力预测中,结果表明,改进随机森林算法对竞争预测的精度高于传统随机森林算法,这对于电力企业市场竞争预测具有一定的参考价值。

课堂活动中学生对教师课程设计元素的学习有效性评价多依赖于标准化的问卷来完成,然而问卷会对学生造成额外的压力,由此导致评估结果失真。为了解决这个问题,使用腕戴式可穿戴设备,对学生在学习过程中的生理参数进行连续且无干扰的监测,使用多项式支持向量机(SVM)算法预测可穿戴设备监测学习过程获得的分类目标变量和连续目标变量。为了证明该算法的有效性,分别采用随机森林、线性SVM、径向SVM和多项式SVM算法,计算并对比了与3个问卷调查因子(满意度、有用性和成绩)有关的均方根误差。结果表明,多项式SVM算法优于其他算法,其中有用性、成绩、满意度的最小错误率分别是13.8%、11.0%、11.8%,该算法具有较高的实用价值。

为充分挖掘串列叶片对压气机扩稳增效的潜能,在对多级轴流压气机末级静子串列改型的基础上,选取不同叶高处前后排叶片相对位置、负载分配、弯掠特征及端壁轮廓等25个参数为设计变量,开展某工业用6.5级轴流压气机末级串列静子叶片与端壁的一体化优化设计研究,并采用随机森林方法对串列叶片几何参数进行特征重要性分析,提炼出串列参数设计指导。结果表明优化后压气机末级在设计工况、近喘工况和近堵工况下的绝热效率分别提升4.81%、3.37%和8.195%;对于末级串列静子,最优串列参数随叶高变化而变化;调整前后叶片的弦长比与弯角比以实现串列叶片负荷前加载、调整叶片后掠与反弯以降低叶片端壁处负荷、设置叶中部分更大的周向交错度使缝隙区流体充分加速,均能有效降低末级串列叶片流动损失;串列叶片缝隙区尺寸,尤其是周向交错度,较其他...

为了提高气动调节阀故障诊断准确率,本文提出一种基于粒子群优化随机森林(PSO-RF)的故障诊断方法,该方法通过粒子群优化算法寻找随机森林中子树棵数和分裂特征数两个关键参数,克服随机森林算法依靠人工设置关键参数的不足。本文搭建了基于PSO-RF的故障诊断模型,并采用Simulink搭建气动调节阀仿真模型,注入7种常见故障,仿真对比分析4种传统方法(RF、支持向量机、贝叶斯分类和k-NN)与所提方法的诊断性能。仿真结果表明,PSO-RF的故障诊断准确率为99%,验证了该方法的有效性。

为了减少气动目标识别微动特征集的冗余,进一步降低特征维度,引入随机森林对多维微动特征进行重要性评估。描述了随机森林算法及其工程实施流程,给出时域、频域及时频域等18维微动特征提取方法,用VHF波段实测数据对基于随机森林的特征重要性评估算法进行验证,并分析了特征选择对Fisher、支持向量机和决策树3种分类器的性能影响,以及雷达相参积累脉冲个数对于特征重要性评估的影响。对于Fisher和支持向量机来说,随着特征维数的增加,能够一定程度地提高分类准确率;而对于决策树来说,只有重要性评分较高的特征对分类准确率有贡献。

针对航空发动机中介轴承振动信号故障微弱，故障特征难提取的问题，提出了基于固有时间尺度分解（ITD）和近似熵（AE）结合随机森林（RF）的航空发动机中介轴承故障诊断方法。首先，利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号；然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量（PR），计算其近似熵；最后，将不同尺度的近似熵值作为特征向量，输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明，该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征，故障诊断准确率高，具有工程实用性。