Para abordar el problema de baja precisión y escasa interpretabilidad en el diagnóstico de fallas de clases minoritarias causada por la distribución desequilibrada de datos en el sistema de molienda de centrales térmicas de carbón, se propone un método de diagnóstico que fusiona el aumento de datos SMOTE, el suavizado previo Dirichlet y redes bayesianas. La técnica SMOTE expande el espacio de características de las muestras de fallas minoritarias para aliviar la escasez de datos; el suavizado previo Dirichlet optimiza la estimación de probabilidades condicionales de la red bayesiana para resolver el problema de probabilidades cero debido a la falta de muestras; se construyó una arquitectura de red bayesiana jerárquica que fusiona el conocimiento del dominio y el aprendizaje impulsado por datos, logrando una estrategia de diagnóstico de doble modo con inferencia rápida de nodos de falla e inferencia indirecta de nodos de atributos. Los experimentos basados en datos industriales reales muestran que el método propuesto tiene alta precisión y buena interpretabilidad en escenarios de datos desequilibrados, proporcionando una solución que combina inmediatez, precisión y transparencia para el diagnóstico de fallas del molino de carbón.

Redes bayesianas;Diagnóstico de fallas;Datos desequilibrados;Molino de carbón