Angesichts des Problems der geringen Genauigkeit bei der Fehlerdiagnose aufgrund der Schwierigkeit, Ereignisse mit geringer Wahrscheinlichkeit wie Ausfälle des Kohlenmühlenbrechers zu extrahieren und für die Klassifizierung durch maschinelles Lernen zu verwenden, wurde eine auf PCA-FINCH basierende hochpräzise Fehlerdiagnosemethode auf der Basis kleiner Stichproben vorgeschlagen. Zunächst werden auf der Grundlage der Hauptkomponentenanalyse (PCA) für die Fehlerdiagnose historischer Daten, die den Betriebszustand der Ausrüstung darstellen, Ausfälle durch T2- und Q-Steuerungsgrenzen erkannt und identifiziert, Fehlerproben werden identifiziert und extrahiert, um eine kleine Stichprobe von Fehlern zu bilden; anschließend werden auf der Grundlage des FINCH-Klassifikators die erhaltenen kleinen Fehlerstichproben präzise klassifiziert, um die Fehlerdiagnose der Ausrüstung zu erreichen; schließlich wird die Methode mithilfe historischer Daten, die Ausfälle des Kohlenmühlenbrechers enthalten, überprüft. Die Ergebnisse zeigen, dass die vorgeschlagene Fehlerdiagnosemethode PCA-FINCH eine hohe Präzision bei der Klassifizierung kleiner Fehlerstichproben erreichen kann, ihre Präzision erhöht sich jeweils um 2,61 Prozentpunkte, 1,74 Prozentpunkte und 1,85 Prozentpunkte im Vergleich zum Entscheidungsbaum CART, zum Random Forest RF und zur Support-Vektor-Maschine SVM, und zeigt auch eine ausgezeichnete Konvergenzgeschwindigkeit.

Kohlenmühlenbrecher; Fehlerdiagnose; kleine Stichproben; FINCH-Cluster; Hauptkomponentenanalyse