1.一种基于平衡二叉树集成剪枝策略的压缩机故障分类方法，其特征在于，包括如下步骤：

S1、基分类器集成池初始化：分别对压缩机正常运行情况下和多种故障情况下的数据进行采集得到大数据集，并对所述大数据集进行切分形成众多子数据集，再针对每一个子数据集使用人工神经网络ANN作为基分类器完成训练和测试工作，并得到初始基分类器池和各基分类器的训练精度，形成初始的完整分类器池；

S2、构建平衡二叉树，形成最终的子集成：根据基分类器池中的基分类器的精度构建一个平衡二叉树，这个平衡二叉树上的各个节点即表示的是集成池中各基分类器的训练精度，统计根节点左、右枝叶子节点数，通过设置边界剪枝函数，设定剪枝阈值，根据剪枝阈值剔除平衡二叉树的左下枝和右下枝的部分叶子节点，保留中间主干部分节点形成最终的子集成，其中，根节点表示的基分类器的精度在整个集成池中的基分类器精度中排在中间位置，左下枝的各个叶子节点所代表的基分类器在集成池中各基分类器精度排序中处于末尾位置，右下肢的各叶子节点表示的基分类器精度在集成池中的精度排序中处于前列位置，以及，分别以平衡二叉树的左枝和右枝的节点的平均值作为左剪枝阈值和右剪枝阈值，左枝剪枝阈值和右枝剪枝阈值分别如下：S3、采集所述压缩机的新数据集，并使用保留下来的最佳子集成对所述新数据集进行新数据样本的预测与分类，得到所述压缩机的故障分类结果。

2.根据权利要求1所述的基于平衡二叉树集成剪枝策略的压缩机故障分类方法，其特征在于，所述S1中，所述大数据包括正常情况下的数据集及异常情况下的数据集。

3.根据权利要求2所述的基于平衡二叉树集成剪枝策略的压缩机故障分类方法，其特征在于，所述正常情况下的数据集与所述异常情况下的数据集的数量比范围为100∶1‑1000∶1。

4.根据权利要求2所述的基于平衡二叉树集成剪枝策略的压缩机故障分类方法，其特征在于，所述S1中切分工作具体为：将所述正常情况下的数据集切分得到正常情况下的子数据集，再将每一份正常运行情况下的子数据集与其他异常情况下的数据集合并，形成多种运行情况下的数据集。