基于Stacking模型融合的分布式液压系统故障诊断

来源：机床与液压杂志2025年第18期北京时间：

作者：潘厚翔，田野

单位：长春理工大学中山研究院；长春理工大学计算机科学技术学院；长春理工大学计算机科学技术学院；长春理工大学人工智能学院

摘要：传统算术平均法对数据进行处理后，深度学习能够高精度地诊断单一故障；然而，其在液压系统复合故障诊断方面的表现较差。针对此，提出一种通过Stacking技术将随机森林(RF)与线性判别分析(LDA)相结合的集成模型。该模型的核心效果主要由随机森林提供，而线性判别分析发挥辅助作用。将两者的软投票结果通过岭回归算法(Ridge)进行融合，以提升故障诊断的准确性和泛化能力。结果表明：使用Ridge作为元学习器可以有效提升随机森林的性能;当随机森林子树数量较多时，引入单一LDA算法没有明显的提升效果，但可通过设置权重来进一步提升模型性能;与现有文献准确率进行对比，使用LDA-RF算法的优势有：该集成模型的解释性比深度学习更强,计算量低、对缺失值不敏感,调整的参数较少。因此，LDA-RF算法具有较好的诊断性能。

关键词：集成学习;随机森林;线性判别分析;融合策略;故障诊断

基金资助：吉林省科技发展计划重点研发项目（20210203156SF）；吉林省教育厅“十三五”科学技术项目（JJKH20190599KJ）