故障诊断是机械故障预测与健康管理系统中必不可少的手段,用于识别和隔离机器运行中产生的故障。它不但可以提供诊断信息,在机器出现故障之前提早订购和更换备件,还可以帮助确定故障的根本原因,以防止问题再次发生。许多分类算法已被应用到机器故障诊断中,但由于没有一种算法可以在所有情况下发挥最佳性能,且针对较为复杂的机械系统,需要两种或多种方法进行评估与测试。因此,选择适当的方法对于最大化诊断准确性至关重要。本文研究的重点是审查和评估几种用于机械故障诊断建模的分类算法,针对不同的应用场景提出适当的故障诊断算法,以建立可用于在较短时间内开发更精确的故障预测与健康管理(PHM)系统的知识库。本文研究中评估的模型包括K最近邻,朴素贝叶斯分类器,贝叶斯信念网络,自组织图,支持向量机和随机森林。为了了解每种模型在不同情况下的功能,本文针对两种不同应用场景下的数据进行基准测试,并分别提出了对应场景下的故障诊断算法。第一个场景是对于来自用于发电应用的大型固定式天然气发动机的模拟健康数据和故障数据。本文提出了基于贝叶斯信念网络的复杂系统故障诊断算法。模拟故障包括废气门阀卡住,喷油嘴堵塞,燃油质量差以及这三种故障模式的所有可能组合。算法研究的挑战在于该系统很复杂,具有许多相互作用的组件和许多可能的故障模式。与每个模型相比,基于贝叶斯信念网络的故障诊断算法表现最佳,因为它可以合并特征和故障模式之间复杂关系的领域知识。它提供了最高的诊断准确度,平均准确率为92.6%,并且给出了最一致的结果。第二个场景为针对在无传感器的环境中测试的滚珠丝杠驱动的线性运动系统,其中只有控制器数据可用(电动机速度和电动机转矩)。本文提出了基于随机森林的线性系统故障诊断算法。目的是诊断两个不同组件(滚珠丝杠和导轨)的预紧力损失。为预加载条件定义了三个级别,新的(绿色),磨损的(黄色)和有故障的(红色–无预载)。因此,对3个滚珠丝杠和3个具有3种不同预紧力的导轨进行了测试,以模拟9种可能的组合。由于电机控制器信号通常带有噪声,因此本算法研究旨在评估每种模型对噪声和无关数据特征的鲁棒性。考虑到实践中很难获得故障样本,因为机器不经常发生故障并且诱发故障测试的成本很高,因此,它还比较了每个模型需要多少训练样本才能很好地运行。结果表明,基于随机森林模型的故障诊断算法是最鲁棒的,具有最高的诊断准确度,平均准确率达到99.6%,并且需要很少的训练样本。