引言
旋转机械故障诊断对于确保设备安全和降低维护成本至关重要。随着深度学习和基于数字孪生的诊断技术的发展，智能故障诊断模型已从振动信号中展现出强大的自动学习判别性表征的能力（Yu和Zhang, 2023, Zhang等, 2025）。然而，深度学习模型通常需要充足的标注样本进行训练，而在实际工程场景中收集的复合故障样本极其稀缺，严重限制了模型的泛化能力（Xing等, 2022, Qin等, 2025a）。迁移学习和域泛化可以通过对齐特征分布或学习条件不变表征来在一定程度上缓解分布差异（Chen等, 2023, Lu等, 2025）。然而，这些方法通常假设目标故障类别在训练期间已经出现过，因此无法直接识别完全未见过的复合故障模式。为了解决这一问题，广义零样本学习（GZSL）被引入故障诊断领域，旨在通过从已见类别迁移语义知识来识别未见类别，同时区分已见和未见类别（Pourpanah等, 2023, Qin等, 2025a）。
近期关于零样本和广义零样本故障诊断的研究大致可分为三个方向：特征-属性嵌入、仿真辅助语义构建和基于样本生成的方法。特征-属性嵌入方法在已见类别特征与故障语义之间构建兼容空间，从而使未见类别可以通过特征-语义匹配进行推断。代表性研究包括标签描述空间嵌入、语义一致性嵌入、对比聚类零样本学习、基于属性描述的诊断以及属性嵌入特征映射，这些研究提高了未见故障表征的判别性（Xing等, 2022, Hu等, 2023, Fan等, 2025, Wang等, 2025, Wang等, 2026）。然而，这些方法仍然严重依赖于预定义或学习得到的语义原型的质量，且零样本问题并未转化为具有显式未见类别样本的标准监督学习任务。
仿真辅助方法通过动态模型、模拟振动信号或基于机理的先验知识将物理信息引入语义构建。例如，已为轴承复合故障诊断开发了仿真数据驱动的GZSL框架，其中利用模拟的轴承故障数据训练语义映射模型，并提高生成语义与实际故障特征之间的一致性（Qin等, 2025b）。此类方法可以增强未见故障语义的物理可解释性。然而，其有效性在很大程度上取决于仿真模型的保真度。特别地，高保真动态或有限元仿真通常需要详细的结构建模、边界条件定义、参数校准和重复数值计算，使得数据生成耗时且费力。此外，模拟数据与真实测量信号之间的分布差异仍然难以消除，尤其是在跨条件场景下。
基于样本生成的方法通过为未见故障类别合成虚拟样本，提供了更为直接的解决方案，从而将零样本诊断转化为有监督分类问题（Cen等, 2025）。与特征匹配方法相比，该范式可以提供显式的未见类别训练样本，并且更容易与成熟的诊断网络集成。现有研究探索了用于零样本复合故障诊断的不同生成模型，包括基于标签-特征向量的生成、循环一致性对抗合成以及广义零样本复合故障生成网络（He等, 2025, Di Maggio等, 2023, Xu等, 2024b）。然而，基于GAN的方法通常存在训练不稳定、样本保真度有限和多样性不足的问题。相比之下，扩散模型由于其稳定的概率去噪过程和高样本多样性，在样本生成方面展现出强大的潜力（Cao等, 2024, Croitoru等, 2023）。近期研究已将去噪扩散概率模型（DDPM）或其变体应用于不平衡故障诊断和少样本诊断（Yang等, 2024, Yu等, 2024, Zhao等, 2025a, Zhao等, 2026, Ping等, 2025）。扩散模型也已与数字孪生建模相结合，以缓解旋转机械不平衡故障诊断问题（Jiang等, 2024）。然而，大多数现有基于扩散的故障诊断研究仍集中在闭集少样本或不平衡学习上，其中目标故障类别在训练期间是已观察到的。具有未见复合类别的跨条件零样本复合故障诊断研究仍然不足。
尽管样本生成范式在广义零样本故障诊断中显示出潜力，但现有基于测量数据的生成方法仍需要进一步改进。与仿真辅助方法相比，基于测量数据的方法不需要高保真动态或有限元模型，避免了复杂的结构建模和参数校准，并且可以直接从真实测量信号中学习故障相关模式。这些优势使其更加灵活，更容易在不同设备和运行场景中部署。
然而，仍存在两个关键局限。首先，大多数基于测量数据的生成方法通过从可用的单故障样本中提取统计特征或高维表征，然后应用线性操作（如加权平均或插值）来构建复合故障语义。这种策略隐含地将特征空间视为语义空间，并假设复合故障特征可以通过单故障特征的线性组合来近似。这种假设通常与复合故障的非线性机理不一致。随着特征维度的增加，这些线性干预可能导致构建的复合故障特征偏离真实复合故障数据流形，降低了生成样本的物理可信度和诊断有用性。
其次，生成样本不可避免地引入分布偏移。引入未见的复合故障类别会改变训练数据的标签先验分布，同时生成样本的条件分布可能与真实样本的条件分布不同，即使对于已知故障类别也是如此。现有的零样本诊断方法通常直接使用生成样本进行分类器训练，很少提供显式机制来校准这些先验和条件分布偏移。这两个局限促使我们提出了属性条件扩散模型（ACDM）和分布偏移校准（DSC）框架。
针对这些局限，本研究的主要创新包括：
1. 理论上揭示现有方法的局限。通过理论建模，定量揭示了高维特征空间中的线性干预导致合成特征与真实特征之间的期望偏差随维度增大而增长；并定性解释了生成模型引入先验和条件分布偏移，而现有方法缺乏系统性校准。
2. 提出ACDM。为克服高维线性干预的缺陷，该模型将语义表征从高维特征空间解耦到低维正交属性空间，从而避免传统高维线性干预引起的分布偏移。通过结合无条件引导技术，在保持样本多样性的同时提高生成质量，实现零样本条件下的复合故障生成。
3. 提出用于零样本学习的DSC方法。针对生成数据的分布偏移，该方法通过最小化特征空间中已知类别生成样本与真实样本之间的条件分布差异来校准条件分布偏移；同时，通过最大化未知复合故障类别与已知类别之间的特征分布差异，间接校准类别扩展引起的先验分布偏移。
4. 实现同条件与跨条件零样本诊断的同时处理。所提出的方法通过同时解决同条件和跨条件场景下的零样本诊断任务，为工程应用提供了更具实用性的诊断能力。这一能力不仅能够识别固定运行条件下的未知复合故障，还能够适应变化的运行条件，准确识别未见样本，从而增强零样本诊断的工程实用性。
