Para abordar el grave desequilibrio de datos y la dificultad en la extracción de características en el diagnóstico de fallos de bombas de inyección de émbolo, este artículo propone un algoritmo de diagnóstico de fallos que fusiona aprendizaje métrico con un mecanismo adaptativo de muestreo. Primero, se construyó un extractor de características basado en la convolución de wavelets de Laplace y un mecanismo de atención multiescala para capturar características clave de fallos y asignar pesos de características de manera adaptativa. En segundo lugar, se introdujo un módulo de aprendizaje métrico impulsado por pérdida de doble centro, que impone restricciones de distancia entre y dentro de clases en un espacio de incrustación de alta dimensión para fomentar la agrupación de muestras de fallos similares, mejorando así la capacidad de reconocimiento de fallos. Finalmente, se adoptó un mecanismo de muestreo por lotes equilibrado por clase para reforzar adaptativamente el modelo, superando las limitaciones de rendimiento debido al desequilibrio de datos y mejorando aún más la precisión diagnóstica general. Los resultados de validación en un conjunto de datos real desequilibrado de bombas de inyección muestran que el método propuesto logró una precisión de diagnóstico del 97.11%.

diagnóstico de fallos desequilibrado; transformación wavelet de Laplace; aprendizaje métrico; pérdida de doble centro