摘要
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.
基金项目
国家自然科学基金资助项目(71632008)
国家自然科学基金资助项目(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)
国家科技期刊平台
NSTL
维普
万方数据