随着工业的发展,机械泵在大型设备上的使用愈加广泛,如何保障它们的健康运行也变得至关重要。传统方式是进行定时检修,这种方式费钱、费力且难以长时间进行监测。本课题在这样的背景下设计算法模型,尝试采用智能化手段探索解决机械泵监测难题的方法。目前机械泵故障类型繁杂且有效故障数据稀少,故本课题基于一维卷积（One Dimensional Convolutional Neural Network,1DCNN）和时域数据,设计了针对小样本问题的故障诊断算法。该算法由数据预处理、数据增强、度量学习与K近邻算法（K-Nearest Neighbor,KNN）分类、模型优化组成。数据预处理的作用主要是实现数据的自适应去噪和标准化。在数据增强部分,本课题基于WGAN-GP（Wasserstein Generative Adversarial Networks with gradient penalty）进行网络和结构修改得到WGAN-GP-C（WGAN-GP with class）,以实现按类别扩充数据,从而强化数据的边缘界限信息。度量学习是本课题分类器是主要实现部分,在设计时基于一维卷积神经网络,结合残差思想,并引入空间自适应结构,从而实现更有效的特征映射,再使用KNN进行检索即可实现故障诊断。在模型优化部分,针对度量网络,运用权值量化思想优化度量网络,模型体积约降低至1/4;针对KNN算法优化,采用Ball-tree优化搜索速度;然后针对训练数据根据其重要因子进行排序与筛选,删除了约24%的训练数据,在不影响分类准确率的前提下进一步提升算法性能。模型准确率最终达到99.50%。本课题在验证算法的每部分性能时,进行了较多的对比实验,实验表明,故障诊断算法的每部分在经过优化调整后相对其他方案均具有一定优势,且整个算法在机械泵小样本数据集上达到了优异的性能。