Frente al problema de la baja precisión en el diagnóstico de fallos debido a la dificultad de extraer y utilizar para la clasificación por aprendizaje automático eventos de baja probabilidad como los fallos de la trituradora de carbón, se propone un método de diagnóstico de fallos de alta precisión basado en PCA-FINCH, basado en muestras pequeñas. Primero, con base en el análisis de componentes principales (PCA) para el diagnóstico de fallos de los datos históricos que representan el estado de funcionamiento del equipo, se detectan y se identifican los fallos con límites de control T2 y límites de control Q, se identifican y se extraen muestras de fallos para formar una pequeña muestra de fallos; luego, con base en el clasificador FINCH, se clasifican de manera precisa las pequeñas muestras de fallos obtenidas, se logra el diagnóstico de fallos del equipo; finalmente, se verifica el método con datos históricos que contienen fallos de la trituradora de carbón. Los resultados muestran que el método de diagnóstico de fallos PCA-FINCH propuesto puede lograr una clasificación de alta precisión de fallos en muestras pequeñas, su precisión aumenta respectivamente en 2.61 puntos porcentuales, 1.74 puntos porcentuales y 1.85 puntos porcentuales en comparación con el árbol de decisión CART, la random forest RF y la máquina de vectores de soporte SVM, y también muestra excelentes rendimientos en términos de velocidad de convergencia.

trituradora de carbón; diagnóstico de fallos; muestras pequeñas; clustering FINCH; análisis de componentes principales