黄鹏程，李海艳，林景亮，梁桂铭

(广东工业大学 机电工程学院，广东 广州 510006)

0 引 言

液压系统作为重要的传动系统，被广泛应用于工业领域[1，2]。因此，确保液压系统安全有效的运行非常重要，准确地估计液压系统状况可以避免突发状况，降低维护的成本。为了确保整个液压系统的正常运行，一种可靠、准确的液压系统状态监测方法是必不可少的。

目前，已有的液压系统状态检测方法主要都是基于传统的机器学习的单一状态监测。HELWIG N等人[3]先通过皮尔逊相关系数方法从原始传感器数据中提取特征，然后利用线性判别分析(LDA)将这些特征值转移到一个较低维的判别空间，从而对故障状态和严重程度进行了分类。考虑到使用单一分类器有时无法获得较高精度的缺点，GUO P等人[4]提出了一种基于集成支持向量机的液压系统健康状态监测方法，该方法先从多传感器信号中提取统计特征来描述液压系统的健康状态特征；然后，利用皮尔逊相关系数对提取的特征进行了选择；最后，利用集成支持向量机和叠加方法实现了系统的健康状态识别。随着神经网络的发展，姜保军等人[5]把自编码器应用于液压系统监测，他们先用希尔伯特-黄和小波变化对传感器信号进行了特征提取，然后利用堆栈稀疏自编码器来预测液压泵的状态。

虽然上述方法取得了一定效果，但同时存在以下不足：

(1)这些传统方法往往需要丰富的液压系统知识经验来选择特征提取和分类的方法。……