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。

在利用奇异值分解检测低信噪比的轴承故障信号时，奇异值能量阈值选择的随意性对检测结果有重要影响。为此提出利用受试者工作特征曲线（ROC曲线）对奇异值能量阈值进行优化，以降低阈值选择对检测结果影响。首先对当前滑动时窗内带噪信号进行降噪处理，通过奇异值分解初选奇异值阈值，通过Hilbert变换，得到当前时窗下故障频率；再对下一时窗信号进行检测时，将上一时窗奇异值阈值作为初值。利用ROC曲线对阈值进行修正。使得相邻两时窗故障频率误差在5％以内；并通过试验对所提及的检测算法进行验证，结果表明：ROC-SVD算法检测结果的一致性较好，跟实际的检测结果较为接近。通过该方法计算得到的轴承外圈故障频率为110Hz，实际为109．35Hz。