【摘要】针对数据不平衡情况下的复杂制造过程质量异常诊断问题，文章提出了一种基于合成少数类过采样技术（SMOTE）和一维卷积神经网络（1DCNN）的集成质量诊断模型。首先，利用SMOTE技术增强少数类样本数，达到平衡数据的目的；其次，利用处理后的平衡数据集训练卷积神经网络分类器，更好地提取复杂制造过程质量特征；然后，利用分类器实现复杂制造过程质量诊断并对生产过程进行调整；最后，以UCI钢铁表面数据集进行仿真实验，分别对比了不考虑平衡数据的SVM和1DCNN诊断模型、传统随机过采样的组合模型ROS-SVM和ROS-1DCNN以及组合诊断模型SMOTE-SVM。结果表明：所提集成方法能够提高复杂制造过程质量异常诊断识别率；准确率、召回率和F1值等指标达到100%，显著高于其他诊断方法，有效实现了非平衡数据下的复杂制造过程质量异常诊断。