计算机应用研究

作者：陈扬,刘勤明,梁耀旭,

单位：上海理工大学管理学院,上海200093；

关键词：状态识别,人工少数类过采样法,粒子群算法,K均值,AdaBoost,剩余寿命预测,小样本,

基金：国家自然科学基金资助项目(71632008,71840003)；上海市自然科学基金资助项目(19ZR1435600)；国家教育部人文社会科学研究规划基金资助项目(20YJAZH068)；上海理工大学科技发展项目(2020KJFZ038)；2020年上海理工大学大学生创新创业训练计划资助项目(SH2020067)；；

针对设备寿命预测中出现的缺乏状态标签以及数据样本匮乏、分布不平衡的问题，提出了基于PSO的改进K-means算法与一套基于传统SMOTE的数据优化方案。在优化K-means算法的过程中联合粒子群算法的特点，通过给定粒子群算法粒子生成范围以提高粒子群算法的寻优效率，从而快速判断设备所处的工作状态，再通过比较同簇样本距离均值与样本到中心点的距离建立改进SMOTE算法，通过新增少数类样本个数以规避样本不平衡带来的计算误差。最后利用AdaBoost集成优化KNN算法提升分类效果并通过拟合出设备寿命曲线，从而更好地预测设备健康水平与未来寿命情况。算例证明，该模型可以有效预测小样本不平衡数据下设备的健康状态。

来源：2021年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第11期