Pour résoudre le problème de faible précision de diagnostic des pannes des classes minoritaires et de mauvaise interprétabilité causé par une distribution non équilibrée des données dans le système de mécanisme de broyage de centrales thermiques au charbon, une méthode de diagnostic des pannes fusionnant l'augmentation de données SMOTE, le lissage a priori de Dirichlet et les réseaux bayésiens est proposée. La technique SMOTE étend l'espace des caractéristiques des échantillons de pannes minoritaires pour atténuer la rareté des données; le lissage a priori de Dirichlet optimise l'estimation des probabilités conditionnelles des réseaux bayésiens pour résoudre le problème des probabilités nulles dû au manque d'échantillons; une architecture hiérarchique de réseau bayésien est construite, intégrant les connaissances du domaine et l'apprentissage de structure basée sur les données, réalisant une stratégie de diagnostic à double mode avec inférence rapide des nœuds de panne et inférence indirecte des nœuds d'attribut. Les expériences basées sur des données industrielles réelles montrent que la méthode proposée présente une haute précision et une bonne interprétabilité dans des scénarios de données non équilibrées, offrant une solution alliant temps réel, précision et transparence pour le diagnostic des pannes des broyeurs à charbon.

Réseaux bayésiens;Diagnostic des pannes;Données non équilibrées;Broyeur à charbon