Zur Lösung des Problems der niedrigen Diagnostikgenauigkeit und schlechten Interpretierbarkeit von Minderheitsklassenfehlern aufgrund unausgeglichener Datenverteilung im Kohlekraftwerk-Kohlemühlen-Mahlmechanismusdiagnosesystem wird eine Fehlerdiagnosemethode vorgeschlagen, die SMOTE-Datenaugmentation, Dirichlet-Prior-Glättung und Bayessche Netze kombiniert. Durch SMOTE wird der Merkmalsraum der Minderheitsklassenproben erweitert, um Datenknappheit zu mildern; Dirichlet-Prior-Glättung optimiert die bedingte Wahrscheinlichkeitsabschätzung in Bayesschen Netzen und löst das Null-Wahrscheinlichkeitsproblem bei Stichprobenmangel; eine hierarchische Bayessche Netzarchitektur wird aufgebaut, die Domänenwissen mit datengetriebenem Strukturlernen verbindet und eine zweimodale Diagnosestrategie mit schneller Fehlerknoteninferenz und indirekter Attributknoteninferenz realisiert. Experimente basieren auf realen Industriedaten und zeigen, dass die vorgeschlagene Methode unter unausgeglichenen Datenbedingungen eine hohe Diagnosegenauigkeit und Interpretierbarkeit bietet und eine Lösung zur Fehlerdiagnose von Mahlwerken mit Echtzeit-, Genauigkeits- und Transparenzvorteilen darstellt.

Bayessche Netze;Fehlerdiagnose;Unausgeglichene Daten;Kohlemühle