为了提高轴承故障识别正确率,提出了基于多重分形理论的特征提取方法和改进随机森林的模式识别方法。介绍了多重分形去趋势波动理论,初选了4个多重分形参数作为特征参数;将参数两两组合,使用K均值聚类法进行聚类,依据类内聚集度和类间距离优选了最佳组合作为特征向量。以随机森林算法为基础,提出了舍弃策略和话语权策略进行改进。舍弃策略通过舍弃分类正确率靠后的决策树提高随机森林平均正确率,减小森林的泛化误差;话语权策略通过提高优秀决策树的话语权,放弃了传统算法中的绝对民主,两个改进策略提高了算法模式识别正确率。经实验验证,改进随机森林算法对故障识别正确率为100%,而传统算法识别正确率仅为93.1%,证明了算法改进策略的有效性。

针对现有的非定常气动力建模方法对气动弹性预测的准确性和效率问题,将随机森林算法引入非定常气动力建模研究领域,构建了基于随机森林算法的非定常气动力降阶模型。将所得模型用于预测气动弹性,选择二维NACA0012翼型进行颤振边界的预测,选用NACA64A010翼型预测LCO特性,并说明了该降阶模型建模的详细过程,将其计算结果与CFD/CSD耦合计算结果及试验结果进行了对比。研究结果表明,该模型可行、高效且精确,可以快速准确地预测飞行器气动弹性特性。

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题,提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本,采用Sobel算子提取轴心轨迹的轮廓,基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类,证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比,结果表明:随机森林的分类准确率要高于支持向量机和BP神经网络,并且识别时间较短,是诊断旋转机械故障的一种新方法。

针对传统机器学习算法受输入变量限制、且易出现过学习或欠学习,提出不受输入变量限制且存在大量数据缺失时有很好保持精确性的随机森林算法对汽车轴承故障进行检测。对采集到样本数据进行滤波处理,抑制信号中噪声;利用随机森林算法对采集到的时域信号进行分类标识,确定包含故障信息的信号序列;再将信号转换到频域,利用随机森林算法对频域内信号进行检测,确定出故障频率;最后采集试验数据对所提及算法进行验证,结果表明:相比于传统的机器学习算法,随机森林算法响应速度快,且准确率高。