摘要: 矿用设备故障监测对提高煤矿生产的连续性和安全性具有重要意义，但是由于实际工业过程中故障数据稀少且难以采集，造成了不平衡问题，对基于数据的故障监测算法实际应用不利。本文针对实际设备故障监测中少数类样本集的类内不平衡问题，提出改进的加权过采样算法。算法以Borderline-SMOTE为基础，基于K近邻样本的分布情况，以边界样本作为根样本进行加权过采样，利用LOF实现异常新样本的识别，提高生成样本的准确率。在实际矿用精煤脱介筛上进行了故障监测实验表明，与传统过采样方法新疆比，本文方法能获得更好的精度和分类效果。