Para abordar o problema do grave desequilíbrio de dados e a dificuldade na extração de características no diagnóstico de falhas em bombas de injeção de êmbolo, este artigo propõe um algoritmo de diagnóstico de falhas que integra aprendizado métrico com um mecanismo adaptativo de amostragem. Primeiramente, foi construído um extrator de características baseado na convolução de wavelet de Laplace e em um mecanismo de atenção multiescala para capturar características principais de falhas e alocar pesos de características de forma adaptativa. Em seguida, foi introduzido um módulo de aprendizado métrico dirigido por perda de centro duplo, que impõe restrições de distância entre classes e intra-classes em um espaço de incorporação de alta dimensão para promover a clusterização de amostras de falhas semelhantes, melhorando assim a capacidade de reconhecimento de falhas. Por fim, adotou-se um mecanismo de amostragem balanceada por classe para reforçar adaptativamente o modelo, superando limitações de desempenho causadas pelo desequilíbrio dos dados e melhorando ainda mais a precisão geral do diagnóstico. Resultados de validação em um conjunto de dados real desequilibrado de bombas de injeção mostraram que o método proposto atingiu uma precisão de diagnóstico de 97,11%.

diagnóstico de falhas desequilibradas; transformada wavelet de Laplace; aprendizado métrico; perda de centro duplo