为了保障取苗机构工作的稳定性与可靠性,减少因其故障而造成生产损失,对高速移栽取苗机构工作时的工况进行有效监测,既具有紧迫性又具有很深的现实意义。针对取苗机构早期故障诊断中的特征提取困难和工况识别精度低的问题,本课题以行星轮系滑道式取苗机构为研究对象,利用时频信号特征提取和智能机器学习技术开展取苗机构工况特征提取方法与取苗机构故障类型诊断技术研究。具体研究内容如下:（1）针对高速移栽取苗机构运行状况识别过程中特征提取与模式识别困难的问题,本文采用集成经验模式分解算法对取苗机构的四种工况进行时频分析,获得固有模态函数分量;计算集成经验模式分解算法分解得到的前5个模态分量的样本熵,并将其作为特征向量表征不同取苗机构工况类型;采用支持向量机分类器对取苗机构不同运行状态的类型进行分类识别。试验结果表明,通过对取苗机构凸轮磨损、弹簧磨损、正常状况和滑道磨损等四类常见的工况进行特征提取和故障识别,取苗机构4种故障的平均灵敏度为90.00%,平均精度为90.04%,平均灵敏度高于基于EMD-SE和支持向量机分类器模型8.33个百分点,平均精度高于基于EMD-SE和支持向量机分类器模型6.66个百分点,本文所提模型能有效地提取取苗机构工况信号的故障特征,并能准确地识别各类工况类型。（2）针对集成经验模式分解算法因无法自适应获取白噪声大小与集合平均次数等关键参数,致使高速移栽取苗机构振动信号分解效果不太理想,进而降低取苗机构工况类型识别精度的问题,本文提出一种基于BSO-VMD与随机森林分类器的夹取式取苗机构工况类型识别方法,以期进一步提升取苗机构工况类型识别准确度。该方法首先以最小包络信息熵为适应度函数,运用头脑风暴优化算法（Brain Storming Optimization Algorithm,BSO）中个体的演化和融合进行启发式搜索,对变分模态分解（Variational Mode Decomposition,VMD）算法分解过程中的模态分量数和二次惩罚因子两种参数组合进行寻优,获取最优参数组合并进行模态分解;然后利用皮尔逊相关系数筛选蕴含丰富故障信息的各个固有模态函数（Intrinsic Mode Function,IMF）分量,接着提取相关性较高的前三个模态分量并计算其峭度因子,进而构建工况识别特征向量;最后将峭度因子特征向量输入随机森林分类器中实现对取苗机构的工况类型的分类与判别。结果表明,BSO-VMDRF模型的分类精度最高,总体分类准确率为92.50%、Kappa系数为90.00%,其次是BSO-VMD-SVM模型,BSO-VMD-DT模型的分类效果最差。本文所提方法能够对高速移栽取苗机构的运行状态及工况类型进行高精度判别。