Возникает проблема низкой точности диагностики отказов из-за сложности извлечения и использования для классификации машинного обучения низкой вероятности возникновения событий, таких как отказы дробилки угля, был предложен метод диагностики отказов на основе PCA-FINCH, основанный на малых образцах. Во-первых, на основе главных компонент (PCA) для анализа отказов исторических данных, отображающих состояние работы оборудования, обнаруживаются и определяются отказы с помощью контрольных пределов T2 и Q control limits, идентифицируются образцы отказов и извлекаются образцы отказов, образовывающие небольшую выборку отказов; затем, на основе классификатора FINCH, точно классифицируются полученные наборы малых образцов отказов, диагностика отказов оборудования достигается; наконец, метод проверяется на основании исторических данных, содержащих отказы дробилки угля. Результаты показывают, что предложенный метод диагностики отказов PCA-FINCH способен достичь высокой точности классификации небольших образцов отказов, его точность увеличивается на 2,61 процентного пункта, 1,74 процентного пункта и 1,85 процентного пункта по сравнению с деревом принятия решений CART, случайным лесом RF и машиной опорных векторов SVM соответственно, а также проявляет отличную скорость сходимости.

дробилка угля; диагностика отказов; малые образцы; кластеризация FINCH; главные компоненты