针对轴向柱塞泵实际故障诊断中采集到的故障类数据远少于正常类数据的情况,为提升故障分类精确率,提出了一种基于平衡随机森林(Balanced Random Forest,BRF)的轴向柱塞泵故障诊断方法。BRF算法是随机森林(Random Forest,RF)的改进算法,将欠采样方法与RF结合,强化了RF处理非均衡数据的能力。通过开源的UCI数据集对该算法的性能进行了测试,相较于RF以及合成少数类过采样(Synthetic Minority Over-sampling Technique,SMOTE)与RF的组合算法SMOTE-RF,BRF算法在少数类分类精确率方面有所提升。最后,将BRF算法应用于轴向柱塞泵的故障诊断中。结果表明,在类间数据不均衡的条件下,相较于RF及SMOTE-RF算法,BRF算法能够取得更高的故障分类精确率。

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应(Subspace Embedded Distribution Adaptation with Coupled Classifiers,SEDACC)方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐(Subspace Alignment,SA)方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异(Weighted Conditional Maximum Mean Discrepancy,WCMMD)作为度量进行特征分布的适配。同时,基于结构风险最小化(Structural Risk Minimization,SRM)准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器...