摘要: 对矿用机械设备进行故障监测可以保证煤矿生产顺利进行。基于数据的故障监测算法需要大量故障数据，在实际煤矿生产中难以获得。本文针对设备故障监测中存在的数据不平衡问题，利用TOMEKLINKS的数据筛选功能改进随机过采样算法(SMOTE),提高设备故障监测准确率。利用TOMEK链可以确定边界样本的特点，与Borderline-SMOTE算法进行结合，从少数类样本k近邻和样本最近邻居两个角度确定边界样本，对不同样本赋予不同采样倍数，提高机器学习算法对故障数据分类边界的识别能力在矿用脱介筛上进行的实验，验证了本文算法比经典算法提高了故障监测精度，是一种解决矿用设备故障监测的有效方法。