플런저식 주입 펌프 고장 진단에서 데이터의 심각한 불균형 및 특징 추출의 어려움 문제를 해결하기 위해, 본 논문에서는 계량 학습(metric learning)과 샘플링 적응 메커니즘을 융합한 고장 진단 알고리즘을 제안한다. 우선, 라플라스 웨이브렛 컨볼루션과 다중 스케일 어텐션 메커니즘을 기반으로 한 특징 추출기를 구축하여 주요 고장 특징을 포착하고 특징 가중치를 적응적으로 할당한다. 둘째, 이중 중심 손실에 의해 구동되는 계량 학습 모듈을 도입하여 고차원 임베딩 공간에서 클래스 간 및 클래스 내 거리 제약을 동시에 부과함으로써 동종 고장 샘플의 군집화를 촉진하여 고장 인식 능력을 향상시킨다. 마지막으로, 클래스 균형 배치 샘플링 메커니즘을 채택하여 모델을 적응적으로 강화함으로써 데이터 불균형으로 인한 성능 제한을 극복하고 전체 진단 정확도를 더욱 향상시킨다. 실제 불균형 주입 펌프 데이터셋에서의 검증 결과, 제안된 방법이 97.11%의 진단 정확도를 달성함을 보여준다.

불균형 고장 진단; 라플라스 웨이브 변환; 계량 학습; 이중 중심 손실