旋转机械是应用较为广泛的大型动力驱动设备之一,通常运行在较为严峻的外部环境中。受子系统的复杂性、工作状态的多变性和操作不当等因素的影响,在对旋转机械进行故障诊断时获取到的传感器信号大多存在干扰。因此,旋转机械故障诊断的准确率一直受到专家学者们的密切关注。本文引入随机森林算法,充分利用其组合弱分类器的思想,解决了使用单一分类器可能导致的准确率不高的问题。然而传统的随机森林算法在含有大量无标记样本的故障诊断问题中准确率难以保证。因此,在随机森林算法中融入半监督学习的思想,能够通过增加有标记样本的数量,提高算法的分类准确率。本文研究内容如下:1.针对单一的分类器用于旋转机械故障诊断时存在准确率不高的问题,提出了一种基于随机森林算法的旋转机械齿轮组故障诊断方法。首先,收集多工况、多故障的齿轮组传感器信号,并提取传感器信号的时域特征作为随机森林的输入特征量。然后,利用构建好的随机森林模型进行齿轮组的故障诊断,并将随机森林算法的分类结果与支持向量机方法的分类结果进行对比。故障诊断结果显示,较支持向量机方法而言,随机森林算法具有更高的预测准确率。2.针对传统的随机森林用于少量有标记样本的故障诊断时存在准确率不高的问题,提出了一种改进的随机森林算法。首先,将大量的未标记样本分成未标记样本Ⅰ和未标记样本Ⅱ两个部分,利用基于图的半监督学习方法对未标记样本Ⅰ进行类别标签的预测。然后,将带有预测标签的未标记样本Ⅰ与已知的有标记样本一起训练多棵决策树,并且将多棵决策树对数据的分类结果与标签预测结果一致的数据加入到有标记的样本中,进行随机森林的构建。最后,将训练好的随机森林模型用于未标记样本Ⅱ的分类问题,并在旋转机械模拟平台上进行了实验验证。结果显示,改进的随机森林算法可以克服由于样本信号受干扰严重并且缺少适当的标记导致故障分类准确率不高的问题。