首页|陌生小样本不平衡数据下基于机器学习联合算法的设备寿命预测研究

陌生小样本不平衡数据下基于机器学习联合算法的设备寿命预测研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Research on equipment life prediction based on machine learning combined algorithm under unknown small sample unbalanced data

陈扬、刘勤明、梁耀旭

展开 >

上海理工大学管理学院,上海200093

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

国家自然科学基金资助项目国家自然科学基金资助项目上海市自然科学基金资助项目国家教育部人文社会科学研究规划基金资助项目上海理工大学科技发展项目2020年上海理工大学大学生创新创业训练计划资助项目

716320087184000319ZR143560020YJAZH0682020KJFZ038SH2020067

2021

10.19734/j.issn.1001-3695.2021.04.0119

计算机应用研究
四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心
影响因子：0.93
ISSN：1001-3695
年,卷(期)：2021.38(11)
  • 4
  • 13