陈 扬，刘勤明，梁耀旭

（上海理工大学 管理学院，上海 200093）

随着我国科技水平的飞速发展，我国对设备的健康寿命预测准确度要求越来越高，很多关键设备一旦在服役期间出现事故很有可能会造成大量人员伤亡或巨大经济损失[1]。因此，及时准确地检查出设备的健康状况问题至关重要。

随着机器学习和深度学习的飞速发展，越来越多的人工智能技术开始普及。其中，机器学习中的代表算法支持向量机(support vector machine,SVM)、神经网络(neural networks,NNs)、随机森林(random forests,RF)和K 邻近值算法被越来越多地运用到实际工业生产中。在机器学习与深度学习算法的实际应用方面，刘文溢等[2]提出了一种基于隐马尔可夫链的设备寿命预测模型，并通过算例验证了该算法在实际工业寿命预测领域的可行性。曹正志等[3]提出卷积神经网络与双向长短期记忆网络相结合预测设备健康数据特征发展趋势，并通过实验证明了该方法的有效性。但是，现阶段越来越多的算法只面向大规模数据，在小样本不平衡数据下很多算法不再适用，因此，发展面向小样本不平衡数据的算法存在必要性[4]。

SMOTE (synthetic minority oversampling technique)算法是目前适用较多的合成少数类过采样技术，它是基于随机过采样算法的一种改进方案。由于随机过采样采取简单复制样本的策略来增加少数类样本，这样容易产生模型过拟合的问题，即使得模型学习到的信息过于特别而不够泛化。SMOTE 算法的基本思想是对少数类样本进行分析，并根据少数类样本人工合成新样本添加到数据集中。……