Для решения проблемы сильного несбалансированного набора данных и трудностей извлечения признаков в диагностике неисправностей плунжерных водяных насосов в данной работе предложен алгоритм диагностики неисправностей, объединяющий метрическое обучение и адаптивный механизм выборки. Во-первых, построен извлекатель признаков на основе лапласовского вейвлет-свёртывания и многоуровневого механизма внимания, предназначенный для захвата ключевых признаков неисправностей и адаптивного распределения весов признаков. Во-вторых, введён модуль метрического обучения, управляемый двойной центральной функцией потерь, накладывающий ограничения на межклассовые и внутриклассовые расстояния в высокоразмерном пространстве вложений для способствования кластеризации образцов неисправностей одного класса, что повышает способность распознавания неисправностей. Наконец, применён механизм выборки пакетов с уравновешиванием классов для адаптивного усиления модели, преодолевающий ограничения производительности, вызванные несбалансированностью данных, и дополнительно повышающий общую точность диагностики. Результаты проверки на реальном несбалансированном наборе данных водяных насосов показали достижение точности диагностики 97,11%.

несбалансированная диагностика неисправностей; лапласовское вейвлет-преобразование; метрическое обучение; двойная центральная функция потерь