Los compresores de aire juegan un papel crucial en la producción industrial, y evaluar con precisión su estado de salud es vital para garantizar un funcionamiento estable. El campo de la evaluación del estado de salud ha avanzado significativamente; sin embargo, persisten desafíos como el desequilibrio en las clases del conjunto de datos, la selección de características y la mejora de la precisión, que requieren un mayor refinamiento. Para abordar estos problemas, este documento propone un nuevo algoritmo basado en la optimización de múltiples estrategias, utilizando compresores de aire como objeto de estudio. Durante el preprocesamiento de datos, se introduce la Técnica de Sobrerrepresentación de Minorías Sintéticas (SMOTE) para equilibrar eficazmente la distribución de clases. Al integrar el mecanismo de Compresión y Excitación (SE) con Redes Neuronales Convolucionales (CNN), se extraen y enfatizan características clave dentro del conjunto de datos, reduciendo el impacto de características irrelevantes en la eficiencia del modelo. Finalmente, se emplean redes de Memoria a Largo y Corto Plazo Bidireccionales (BiLSTM) para la evaluación del estado de salud y la clasificación del compresor de aire. Se introduce el algoritmo Ivy (IVYA) para optimizar los hiperparámetros del BiLSTM y mejorar la precisión de clasificación y evitar óptimos locales. A través de experimentos comparativos y de ablación, se valida la efectividad del modelo propuesto SMOTE-IVY-SE-CNN-BiLSTM, demostrando su capacidad para mejorar significativamente la precisión de la evaluación del estado de salud del compresor de aire.