Para enfrentar o problema da baixa precisão no diagnóstico de falhas de classes minoritárias e a baixa interpretabilidade provocadas pela distribuição desigual dos dados no sistema de moagem de centrais termelétricas a carvão, propõe-se um método de diagnóstico de falhas que integra o aumento de dados SMOTE, o suavização a priori de Dirichlet e redes bayesianas. A técnica SMOTE expande o espaço de características das amostras de falhas minoritárias para aliviar a escassez de dados; a suavização a priori de Dirichlet otimiza a estimativa de probabilidade condicional das redes bayesianas para resolver o problema de probabilidade zero causado pela falta de amostras; constrói-se uma arquitetura hierárquica de rede bayesiana, que integra conhecimento do domínio e aprendizado estrutural orientado por dados, implementando uma estratégia de diagnóstico de modo duplo com inferência rápida dos nós de falha e inferência indireta dos nós de atributos. Experimentos baseados em dados industriais reais demonstram que o método proposto possui alta precisão e boa interpretabilidade em cenários de dados desequilibrados, oferecendo uma solução para o diagnóstico de falhas em moinhos de carvão que alia tempo real, precisão e transparência.

Redes bayesianas;Diagnóstico de falhas;Dados desequilibrados;Moinho de carvão