Pour résoudre le problème de l'importante déséquilibre des données et de la difficulté d'extraction des caractéristiques dans le diagnostic des défauts des pompes à injection à piston, cet article propose un algorithme de diagnostic des défauts intégrant l'apprentissage métrique et un mécanisme adaptatif d'échantillonnage. Tout d'abord, un extracteur de caractéristiques basé sur la convolution des ondelettes de Laplace et un mécanisme d'attention multi-échelle a été construit pour capturer les caractéristiques clés des défauts et attribuer de manière adaptative des poids aux caractéristiques. Ensuite, un module d'apprentissage métrique, guidé par une perte à double centre, est introduit pour imposer des contraintes de distance entre classes et intra-classes dans un espace d'incorporation haute dimension afin de favoriser le regroupement des échantillons de défauts similaires, renforçant ainsi les capacités de reconnaissance des défauts. Enfin, un mécanisme d'échantillonnage par lot équilibré par classe est utilisé pour renforcer adaptativement le modèle, surmontant les limitations de performance dues au déséquilibre des données et améliorant ultérieurement la précision globale du diagnostic. Les résultats de validation sur un ensemble de données réelles déséquilibrées pour les pompes à injection démontrent que la méthode proposée atteint une précision de diagnostic de 97,11%.

diagnostic des défauts déséquilibré; transformée ondelette de Laplace; apprentissage métrique; perte à double centre