基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题，提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号，得到<i>n</i>层近似系数；然后创新性地采用sigmoid熵构造出<i>n</i>维特征向量，sigmoid熵能较好地提取非平稳信号的特征，提高诊断准确率；最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据，与传统分类器（KNN和SVM）以及单个分类回归树CART进行对比分析，结果表明该方法具有更好的诊断效果。