Face au problème de faible précision du diagnostic des pannes en raison de la difficulté d'extraire et d'utiliser pour la classification par apprentissage automatique des événements de faible probabilité tels que les pannes de concasseur de charbon, une méthode de diagnostic de pannes à haute précision basée sur PCA-FINCH, sur la base de petits échantillons, a été proposée. Tout d’abord, sur la base de l’analyse en composantes principales (ACP) pour le diagnostic des pannes des données historiques représentatives de l’état de fonctionnement de l’équipement, les pannes sont détectées et identifiées à l’aide des limites de contrôle T2 et Q, les échantillons de pannes sont identifiés et extraits pour former un petit échantillon de pannes; ensuite, sur la base du classifieur FINCH, les petits échantillons de pannes obtenus sont classifiés de manière précise, le diagnostic des pannes de l’équipement est réalisé; enfin, la méthode est vérifiée à l'aide de données historiques contenant les pannes de concasseur de charbon. Les résultats montrent que la méthode de diagnostic des pannes PCA-FINCH proposée peut réaliser une classification de haute précision des pannes en petits échantillons, sa précision est augmentée respectivement de 2,61 points de pourcentage, 1,74 points de pourcentage et 1,85 points de pourcentage par rapport à l'arbre de décision CART, à la forêt aléatoire RF et à la machine à vecteurs de support SVM, et montre également d'excellentes performances en termes de vitesse de convergence.

concasseur de charbon; diagnostic des pannes; petits échantillons; classification FINCH; analyse en composantes principales