Um das Problem des starken Datenungleichgewichts und der schwierigen Merkmalsextraktion bei der Fehlerdiagnose von Kolben-Einspritzpumpen zu lösen, schlägt dieser Artikel einen Fehlerdiagnosealgorithmus vor, der metrisches Lernen mit einem adaptiven Sampling-Mechanismus kombiniert. Zunächst wurde ein Merkmalsextraktor auf Basis der Laplace-Wavelet-Faltung und einem multiskaligen Aufmerksamkeitsmechanismus entwickelt, um wichtige Fehlermerkmale zu erfassen und Merkmalsgewichte adaptiv zuzuweisen. Zweitens wurde ein metrisches Lernmodul eingeführt, das durch einen doppelt-zentralen Verlust gesteuert wird und Abstandsbeschränkungen zwischen und innerhalb von Klassen im hochdimensionalen Einbettungsraum auferlegt, um die Clustering-Fähigkeit ähnlicher Fehlerproben zu fördern und so die Fehlererkennung zu verbessern. Schließlich wurde ein klassenbalancierter Batch-Sampling-Mechanismus verwendet, um das Modell adaptiv zu verstärken, wodurch Leistungsbeschränkungen aufgrund von Datenungleichgewicht überwunden und die Gesamtdiagnosegenauigkeit weiter erhöht werden. Validierungsergebnisse auf einem realen unausgeglichenen Einspritzpumpendatensatz zeigen, dass die vorgeschlagene Methode eine Diagnosegenauigkeit von 97,11 % erreicht.

unausgeglichene Fehlerdiagnose; Laplace-Wavelet-Transformation; metrisches Lernen; doppelt-zentraler Verlust