基于随机森林算法拖拉机齿轮箱故障诊断研究

准确检测机械部件的故障是减少维修成本、生产损失和延长机器使用寿命的重要基础条件。在农业生产环境中，由于作业环境较差、干扰信号较多，导致传统故障传感器灵敏度降低，不能及时对故障进行判断与处理，故障频发。为此，选取拖拉机为研究目标，对其辅助齿轮箱进行智能故障诊断。在3种不同的转速(600、1350、2000r/min)条件下，收集了健康和故障小齿轮的振动信号，基于离散小波变换(DWT)作为信号处理，通过相关性特征选择(CFS)方法被用来进行特征选取，并采用随机森林(RF)和多层感知器(MLP)神经网络来对数据进行分类。研究结果表明：不使用特征选择的情况下，RF故障预测准确率为86.25%;在600r/min时，不使用特征选择的RF故障预测准确率为86.25%,使用CFS的最佳6个特征通过训练的RF的相应值，在600r/min时，RF故障预测准确率为92.5%;在1350r/min时，RF故障预测准确率为95.0%。