本研究的作者为钟张豪（盐城工学院机械工程学院/常熟理工学院电气与自动化工程学院）、丑永新（常熟理工学院电气与自动化工程学院）和侯千红（盐城工学院机械工程学院/常熟理工学院电气与自动化工程学院）。该研究发表于《盐城工学院学报（自然科学版）》2023年6月第36卷第2期。

学术背景 本研究属于机械故障诊断与信号处理领域，具体聚焦于电机异音故障的智能检测。电机是生产生活中关键的机电设备，其工作状态直接影响系统稳定性。研究表明，超过80%的电机故障会产生异音，因此异音判别是电机故障诊断的重要依据。然而，当前我国电机出厂检测主要依赖人工在静音房听音，这种方法耗时耗力且易误判。因此，开发高效、准确的电机异音智能诊断方法具有重要的实际应用价值。 在技术背景方面，现有的电机异音诊断方法主要从频谱分析、时频分析和机器学习建模三个方向展开。频谱分析方法（如傅里叶变换）对非平稳的电机振动信号效果欠佳，且无法定位异音发生时刻。时频分析方法（如短时傅里叶变换、小波变换、经验模态分解）虽有所改进，但仍存在窗口固定、易产生模态混叠等问题。机器学习方法，如反向传播（Back Propagation, BP）神经网络、支持向量机（Support Vector Machine, SVM）和卷积神经网络（Convolutional Neural Networks, CNN），已被应用于该问题。BP神经网络存在学习速度慢、易陷入局部极小值等缺点；SVM对非线性问题识别率较低；CNN虽精度高，但需要大量样本进行训练，而实际生产中故障样本（次品）数量稀少，难以满足其需求。 与上述方法相比，随机森林（Random Forest, RF）算法基于规则学习，具有较高的分类精度，模型结构清晰，且尤其适用于小样本学习。因此，本研究旨在提出并验证一种基于随机森林的电机异音故障诊断方法，以解决现有方法在准确率、模型复杂度或样本需求方面的不足。研究目标是通过自行搭建的测试平台采集数据，结合时域特征提取、主成分分析（Principal Component Analysis, PCA）降维和随机森林分类器，实现对电机异音状态的准确、高效识别，并与概率神经网络（Probabilistic Neural Network, PNN）进行性能对比。

详细工作流程 本研究的工作流程主要包括四个核心步骤：实验数据采集、信号特征提取与降维、分类器模型训练与测试、以及性能评估。 第一步：实验数据采集。 研究团队自行研制了一套汽车智能座椅靠背电机振动测试平台用于数据采集。该平台是一个集成了电气控制、气动执行、传感器和数据采集的自动化系统。其核心结构包括电柜与PC机、测试平台、按钮、阀岛、传感器分线盒和气泵。测试时，将汽车座椅靠背固定于测试平台，通过气缸将两个丹麦B&K公司生产的4534-B-002型振动传感器（频率范围0.3 Hz - 12.8 kHz，灵敏度50 mV/(m/s²)）紧贴于靠背转轴处。上位机程序控制电机正反转，使靠背完成一个包含“上料位置”和“下料位置”的特定运动周期。在这两个位置点，电机角度相同，此时通过传感器采集振动信号。信号经放大器放大后，由NI USB-6212数据采集卡接收，并通过LabVIEW程序以TDMS文件格式保存。采样频率设置为20 kHz，每30-35秒采集一组数据，共采集了92组数据，其中包含24组被标记为“不合格”（即存在异音）的数据。 第二步：特征提取与降维（PCA）。 首先进行特征提取。针对采集到的振动信号（电压信号），采用窗口法进行处理，窗宽设定为采样频率的五分之一（即W=fs/5）。对每个窗口内的信号片段，计算11个时域统计特征，以表征信号的变化情况。这些特征包括：峰峰值、平均值、均方值、标准差、有效值、峰值因子、脉冲因子、波形因子、裕度因子、偏度因子和峭度因子。所有信号经此处理后，形成一个大小为12行（11个特征+1个标签行？实际应为特征向量空间，原文表述为12×14238，可能包含一个索引或后续处理维度）、14238列（特征样本数）的特征矩阵X。同时，通过人工听音判据，为每个时间窗口对应的样本生成标签向量C（1×14238），正常信号标记为0，异音信号标记为1。 随后，为了降低数据维度、减少冗余并提高后续模型训练效率，研究采用主成分分析法对提取的11维特征进行降维。使用MATLAB中的PCA函数对特征矩阵X进行分析，计算各主成分的贡献率。根据分析结果，保留贡献率大于1%的主成分，最终将特征维度从11维降至6维。这6个主成分包含了原始特征中绝大部分（约98.77%）的分类信息。 第三步：分类器建模与训练测试。 研究构建并比较了两种分类器模型：随机森林分类器和概率神经网络分类器。对于随机森林模型，使用MATLAB的“random forest”工具箱进行实现。具体步骤为：1. 将降维后的特征数据集（14238个样本）随机划分为训练集（12238个样本）和测试集（2000个样本）。2. 使用训练集数据和对应的标签，通过函数rtr(P, U, ntree)训练随机森林模型。其中，P为训练集特征矩阵，U为训练集标签向量，ntree（决策树数量）设置为30。训练过程会生成一个包含30棵决策树的随机森林模型mRF。3. 使用测试集特征数据，通过函数rte(Y, mRF)（Y为测试集特征矩阵）对训练好的模型进行预测，得到分类结果。为了确保结果的稳定性，此“训练-测试”过程被重复进行了100次，每次均重新随机划分训练集和测试集。概率神经网络模型的训练与测试流程类似，作为对比基准。 第四步：性能评估。 采用多个指标对分类器的性能进行综合评估，包括：特异性（Specificity, Sp，正确识别异音信号的比例）、敏感度（Sensitivity, Se，正确识别正常信号的比例）、准确度（Accuracy, Ac，总体正确分类的比例）和卡帕系数（Kappa coefficient, K，衡量分类一致性的指标，越接近1越好）。这些指标基于每次测试的混淆矩阵计算，最终报告100次重复实验的平均值及其标准差。

主要结果 特征降维分析结果显示，通过PCA分析得到的11个时域特征的贡献率差异很大。贡献率最高的特征（特征1）贡献了60.13%的信息，前6个特征的累计贡献率已达到98.77%。这表明仅使用这6个主成分即可基本保留全部特征用于区分正常与异音信号的关键信息，有效实现了降维。 两种分类器的性能对比结果如下：基于随机森林的电机异音故障诊断模型在100次重复实验中的平均识别准确率（Ac）为99.66% ± 0.18%，平均卡帕系数（K）为95.11% ± 2.17%。其特异性（Sp）为94.31% ± 2.91%，敏感度（Se）为99.86% ± 0.13%。作为对比，基于概率神经网络的模型平均识别准确率为99.59% ± 0.16%，平均卡帕系数为93.90% ± 2.16%，特异性为91.00% ± 3.72%，敏感度为99.91% ± 0.09%。 从结果图表（文中图7）可以看出，训练好的随机森林模型能够有效地对连续的振动信号进行分段识别，输出与人工标记高度一致的0/1分类序列，清晰标出异音发生的时段。 这些结果直接支撑了研究的结论。随机森林模型在总体准确率（Ac）和综合性能指标（K）上均略优于PNN模型，特别是在特异性（Sp）上表现更佳，意味着将正常信号误判为异音（假阳性）的概率更低，这在工业检测中有助于减少不必要的产品误报废。高敏感度（Se）则表明对真实异音的检出能力很强。这些性能指标共同证实了所提出的“特征提取+PCA降维+随机森林分类”流程的有效性。

结论与意义 本研究得出结论：结合产品生产线检测步骤，采用基于振动信号的检测方法，并利用自行搭建的汽车智能座椅靠背电机振动测试平台，所提出的基于随机森林分类器的异音故障诊断方法能够在不需要大量故障样本进行训练的情况下，取得优异的识别性能。该方法平均识别准确率高，总体分类性能优于对比的概率神经网络模型。 本研究的价值体现在科学价值与应用价值两个方面。在科学价值上，研究为小样本条件下的电机故障诊断提供了一种有效的解决方案，验证了随机森林算法在机械振动信号分类任务中的优越性和适用性，丰富了该领域的方法论。在应用价值上，所提出的方法模型相对简单、训练成本较低、识别精度高，易于在实际工业环境中部署和训练，为企业实现电机异音自动化、智能化检测提供了可行的技术路径，有助于提升生产效率和产品质量一致性。

研究亮点 本研究的主要亮点在于：第一，方法创新性：针对电机异音检测中故障样本少、传统机器学习方法局限性的问题，创新性地引入并验证了基于随机森林的小样本学习解决方案，取得了高精度的识别效果。第二，流程完整性：研究构建了一个从硬件平台搭建、数据采集、特征工程（时域特征提取与PCA降维）到机器学习建模与评估的完整技术闭环，系统性强。第三，自主研发平台：研究并非使用公开数据集，而是基于自行研制的专用汽车智能座椅靠背电机振动测试平台获取第一手实验数据，使研究更贴近工业实际应用场景。第四，详实的对比验证：研究不仅展示了所提方法的性能，还设置了与概率神经网络的对比实验，并通过大量重复实验（100次）以平均值和标准差的形式报告结果，增强了结论的可靠性和说服力。

其他有价值内容 文中详细列出了所提取的11个时域特征的计算公式和物理意义（如峰峰值、峭度因子等），为同行在类似研究中选取特征提供了参考。同时，研究明确给出了PCA降维后保留的特征维度（6维）及其贡献率，以及模型评估所采用的具体指标（Sp, Se, Ac, K）及其计算公式，使得研究过程可复现，方法可迁移。这些细节增强了论文的学术严谨性和实用价值。