液压系统作为工程机械中重要的组成部分,其工作性能的好坏直接影响设备的工作状况和性能,因此对液压系统的各个关键部件进行故障预测具有着重要的意义。近年来,深度学习算法凭借其强大的特征提取能力和自适应力,而被广泛应用于故障预测领域。然而,深度学习在液压系统故障预测中都只是针对单一部件,这割裂了不同部件之间的相关性,从而使得难以完整地描述部件的故障的类型、程度等种类繁多的设备状态,也难以实现对监测部件中相近的故障状态以及复合故障的准确监测。并且考虑到现实中采集到的数据集会存在数据间平衡与不平衡这两种情况,这需要研究不同的算法进行监测。因此,本文以多任务网络为基础,针对数据平衡与不平衡情况,提出不同多任务网络算法对液压系统的阀门、蓄能器等多个部件的故障状态同时进行监测,其研究内容和创新如下:（1）考虑到在进行多任务网络学习时,多传感器采集的信号数据存在大量的冗余的信息,这往往容易造成网络信息过载,导致网络效果不好。此外,各个任务的难易程度不同,这也导致了它们学习的速度不一样,往往会出现简单任务已经过拟合,而困难任务才刚开始有效果。为了解决这些问题,本文提出了注意力-多任务自适应网络模型（CS-ADMLT+）用于数据平衡情况下的故障预测。该方法利用注意力机制对输入的传感器信息赋予不同权重,使得网络关注更为有用的传感器信息,从而达到缓解网络信息过载的效果。对于每个任务学习平衡问题,引入熵权法,并对计算方式进行改进,从而提出了一种新的自适应任务权重分配方法,以任务的损失值的离散程度来调节各个任务权重大小。测试案例表明,多任务网络要比单任务方法效果好很多,平均精度提高了1.7%,其中蓄能器的监测精度提高7%以上,而加入了注意力机制与改进的熵权法也使得蓄能器精度再次提高了2%。（2）针对实际工业环境中,液压系统数据中存在的各状态的样本数量不平衡情况,本文提出了一种自适应代价敏感矩阵的多任务学习算法（CS-MLT）。通过把自适应代价敏感矩阵加入到损失函数来构成新的损失函数,来处理这种不平衡。而自适应代价敏感矩阵是由样本代价矩阵和误分类代价矩阵构成,样本代价矩阵用来对各状态的样本数量进行平衡,误分类代价矩阵用来对不同状态间发生误分时给予不同的惩罚系数。其中,误分类代价矩阵会随着迭代次数而变化,从而实现了代价敏感方法的自适应调整。测试案例表明,随着数据集不平衡度的加大,CS-MLT依旧可以在取得较好的总体精度的前提下保证较高的召回率（对少数类的识别率）。（3）结合ATT-ADMLT+与CS-MLT算法进行液压系统故障预测软件设计,其中主要设计了监测模块和测试模块这两大模块,并且根据实际需求设计了这两个模块的各个功能按钮。