现代生产过程中的机械设备不断地向大型化、复杂化、高速化、智能化发展。如果这些机械设备在出现故障初期不能进行及时有效的检测、诊断,将导致故障加剧,其后果可能造成停机停工,更严重的话可能造成巨大的经济损失甚至人身伤亡。因此,对机械设备故障进行智能、快速、准确地诊断,是安全生产、提高经济效益的重要保障,具有重要的现实意义。本文对基于经验模态分解(Empirical Mode Decomposition,简称EMD)与随机森林的核心算法进行了研究,并将其成功运用于故障诊断中。论文的主要研究成果如下:(1)研究基于EMD的故障特征提取方法。机械设备出现故障时往往反映在振动过程中,振动信号中包含着大量丰富的工况信息,但振动信号具有典型的非线性、非平稳性,为特征提取、故障识别带来困难。针对以上问题,首先采用EMD将振动信号分解为若干个具有平稳性的固有模态函数(Intrinsic Mode Function,简称IMF),以IMF分量的无量纲指标、样本熵作为故障特征参数,有针对性地选择以上特征参数构造用于故障分类的特征向量。(2)研究基于EMD与随机森林的故障分类算法。在以振动信号的EMD无量纲指标作为特征参数的基础上,采用决策树算法对故障进行分类,并通过构建同时兼顾分类准确率和模型复杂程度的评价函数的方法对决策树模型进行优化;通过实验表明,决策树作为随机森林的基学习器,将其用于故障诊断效果不够理想,因此进一步研究基于EMD无量纲指标与随机森林的故障诊断方法并通过实例验证该方法的有效性和优越性,从而说明基于EMD与随机森林的故障分类算法的有效性。(3)研究基于Cosine相似度的DS证据理论改进方法。针对传统DS证据理论证据冲突容易导致误判、鲁棒性差、一票否决的缺陷,在改进DS证据理论的核心步骤中采用Cosine相似度直接计算证据体之间的相似度,克服了采用距离来计算证据体间的相似度存在的缺陷,并通过实际算例验证了本文改进方法的有效性。(4)研究基于诊断单元故障分类得票率的信息融合方法。为有效解决应用DS证据理论进行信息融合过程中基本概率分配(Basic Probability Assignment,简称BPA)的获取问题,采用随机森林分类器的投票结果作为证据,将判别故障种类的得票数占决策树总数的比例作为DS证据理论的BPA,然后以基于EMD样本熵与随机森林的智能故障诊断为诊断单元,采用改进后的DS证据理论将这些源自不同传感器的诊断单元的诊断信息进行融合,形成多传感器信息融合故障诊断。通过实例验证表明,该方法不仅可以克服单一传感器信息不完整问题、有效提高故障诊断准确率,并且比单一传感器故障诊断更具有鲁棒性。