STR-DDPM：通过季节性-趋势-残差分解进行残差域扩散建模，以增强少量样本电机故障诊断中的数据量 李永杰（Yongjie Li）、 李斌斌（Binbin Li） 张宇（Yu Zhang）

《Machines》：STR-DDPM: Residual-Domain Diffusion Modeling via Seasonal–Trend–Residual Decomposition for Data Augmentation in Few-Shot Motor Fault Diagnosis Yongjie Li, Binbin Li and Yu Zhang

　　

摘要

在小样本条件下进行电机故障诊断仍然具有挑战性，因为有限的标记数据常常导致深度模型过拟合并导致泛化能力较差。为了解决这个问题，我们提出了STR-DDPM，这是一个故障数据增强框架，它结合了基于移动平均的季节性-趋势-残差分解和去噪扩散概率模型。具体来说，多通道信号被分解为趋势、季节性和残差三个部分，并且仅在残差域中进行类别条件扩散建模。这种设计强调了与故障相关的随机变化，同时减少了确定性结构的干扰。为了提高生成稳定性，我们采用了速度预测，并开发了一个增强型的一维U-Net，该网络具有多尺度卷积、通道注意力、自注意力和特征级线性调制，以实现可控的条件生成。在渥太华大学和帕德博恩大学电机故障数据集上的实验表明，所提出的方法生成的样本与真实数据高度一致，并在多种合成数据辅助设置下提高了诊断性能。这些结果表明，STR-DDPM为数据有限的电机故障诊断中的数据增强提供了一种有效且实用的解决方案。