柱塞泵作为液压系统的动力元件,其健康状态会对液压系统的工作状态产生直接影响。因此,对于柱塞泵进行健康状态评估,实时地对其工作状态进行监测是非常有必要的。传统的机器学习方法在柱塞泵故障诊断和健康状态评估中已经取得了不错的效果。然而,当数据量不足时,传统的机器学习方法不再有效。针对数据量不足时如何对柱塞泵健康状态建立预测模型的问题,提出了两种不同的解决方法。提出了一种基于深度迁移学习的柱塞泵健康评估方法。首先将原始时域信号转换为频域信号,然后利用基于TrAdaboost算法的深度迁移学习算法来提高健康评估的准确率。TrAdaboost算法用若干个弱分类器来组成一个强分类器,用卷积神经网络(Convolutional neural network,CNN)用来训练每一个弱分类器。通过实验验证了该方法的准确率,并取得了一个很好的结果。提出了一种基于对抗式生成网络的迁移学习健康评估方法。该模型用对抗式生成网络模拟每一类真实数据,生成大量带有标签的模拟数据。然后用卷积神经网络在大量模拟数据上训练一个深度学习预测模型。最后用迁移学习的思想,在真实数据上对卷积神经网络进行微调,来建立真实数据的深度学习预测模型。通过实验显示,该方法与基本的卷积神经网络相比,预测准确率有很大的提高。