一种基于属性-条件扩散的生成增强方法，用于数据不平衡环境下的工业故障诊断

《Computers & Chemical Engineering》：An Attribute-Conditioned Diffusion Generative Enhancement Method for Industrial Fault Diagnosis under Data Imbalance

　　陈新航|周汉廷|徐静|程龙生|陈文和
南京工业大学经济与管理学院，南京210094，中国

**摘要**
工业过程中严重的样本分布不平衡会显著降低故障诊断的性能，而有限的观测数据则阻碍了生成模型的有效学习。为了解决这些问题，本文提出了一种基于属性条件的扩散生成增强方法，用于小样本工业故障诊断。与基于离散故障标签的传统条件生成范式不同，该方法将具有物理和机械意义的故障属性引入扩散过程，并使用共享的故障属性（而非类别标签）作为条件建模的基础，从而克服了类别隔离建模的局限性，为小样本故障生成提供了共享的、可转移的语义表示。此外，故障属性被编码为结构化的语义令牌，并通过交叉注意力机制注入到扩散去噪网络中，使得属性语义与中间特征之间能够动态交互，指导生成过程，并在小样本条件下提高样本的稳定性和质量。为了减少生成样本与真实样本之间的统计差异，进一步引入了基于特征矩匹配的类别级分布校准策略，增强了生成数据的物理一致性和诊断可用性。实验结果表明，在小样本和不平衡条件下，该方法生成的样本与真实样本之间的平均Jensen–Shannon散度为0.0384，平均诊断准确率为95.98%，同时在极端数据稀缺的情况下仍能保持稳定的性能。这些结果证明了该方法在极端数据不平衡情况下进行工业故障诊断的有效性。

**引言**
故障诊断和分类是大规模工业生产系统运行和维护中的关键任务（Chen等人，2024；Hua等人，2025）。为了提高对各种故障类型的诊断能力，已经开发了许多数据驱动的故障诊断方法（Vashishtha等人，2025；Zhang等人，2026）。这些方法依赖于从历史运行数据中进行的统计建模和特征学习，其诊断性能在很大程度上取决于训练数据集的充分性和代表性（Jongudomkarn等人，2025；Zhang等人，2025）。然而，在实际的工业场景中，不同故障的发生频率和可观测性往往存在显著差异。某些关键但低频的故障可能只提供极其有限或零散的观测数据（Gu等人，2024）。此外，由于某些故障可能导致严重的安全隐患或重大经济损失，工业系统中通常会实施预防性维护和保护策略来减少其发生（Feng和Zhao，2021）。这些因素共同导致了长期运行数据集中的数据稀疏性和类别不平衡（Teng等人，2026）。在这种条件下，数据驱动的诊断模型难以学习少数故障类别的稳定和具有区分性的决策边界（Wen等人，2018；Zhang等人，2018）。图1展示了这一现象：少数故障在特征空间中对应于模糊、零散或压缩的决策区域，从而增加了误诊和漏检的风险。

为此，最近关于复杂工程系统故障诊断的研究逐渐将重点从纯粹的数据区分建模转向了样本不平衡等挑战（Wang等人，2024）。在样本有限的情况下，一些研究引入了生成模型，如GAN（Cabo等人，2022）和VAE（STEINMANN等人，2021）来合成额外的样本并扩大少数故障的训练规模。Fernández-Bobadilla等人（Fernández-Bobadilla等人，2025）使用基于GAN的增强方法处理铁路故障时间序列，证明了生成样本保留了有用的统计特性。Li等人（2025）提出了一种结合扩散模型和GAN的混合增强框架，以提高样本质量和诊断性能。Zhu等人（2025）利用双向自回归变分自编码器（BAVAE）来增强少数样本，以实现高精度诊断。然而，GAN、VAE及相关生成模型仍然属于深度学习范式，仍需要一定量的真实数据才能进行稳定训练。先前的研究表明，在极端数据稀缺的情况下，有限的故障观测数据往往不足以支持复杂数据分布的准确建模，导致样本质量、多样性和分布一致性下降（Karras等人，2020）。在工业故障诊断中，由于某些故障发生频率极低且受到预防性维护策略的抑制，可用样本的数量（通常为20-30个样本）（Wen等人，2019）可能远低于稳定生成训练的最低要求，从而暴露了现有增强方法的明显局限性。

值得注意的是，大多数现有的故障数据生成方法采用基于标签的条件建模策略，将每个故障类别视为独立的建模单元。当有足够的样本时，这些方法可以充分捕捉特定类别的统计特性。然而，在小样本或极小样本条件下，单个故障类别内的有限观测数据不足以描述复杂的内部统计结构。此外，类别隔离建模限制了生成模型利用代表性故障中包含的共享结构模式和可转移信息的能力，从而限制了少数类别的生成稳定性和泛化能力。最近在图像生成方面的进展表明，高质量的合成并不来源于对训练实例的简单记忆，而是来源于对组合语义单元及其关系的建模（Brooks等人，2023；Xue和Salim，2024；Yao等人，2024）。Ramesh等人（2021）引入了DALL·E，它用从文本描述中派生的离散语义令牌替换了类别标签，使得多个语义概念可以作为基本的生成单元进行联合建模。随后，Rombach等人（2022）提出了Stable Diffusion，将基于文本的语义令牌纳入潜在扩散框架中，实现了跨多样化样本的共享语义结构的统一建模。相关研究表明，生成模型可以通过建模共享语义单元及其组合关系来聚合样本和类别之间的信息信号，从而在数据有限的情况下支持稳定训练（Yang等人，2023）。此外，这些模型在推理过程中能够重新组合学习到的语义组件，从而合成训练数据中未明确观察到的新模式。这种共享语义和组合生成范式为克服小样本设置下的类别隔离建模带来的瓶颈提供了有希望的视角。

在工业故障诊断中，尽管原始传感器测量值是缺乏明确语义结构的连续数值信号，但故障语义通常可以从物理机制和操作逻辑中得出，例如触发因素、干扰类型、受影响位置和影响范围（Zhang等人，2024）。这些特征可以抽象为一组物理上可解释的故障属性。重要的是，这些属性并非特定于个别故障，而是在不同故障类别之间广泛共享和可转移的（Zhang等人，2023）。因此，与基于类别的建模相比，将故障属性作为生成过程中的共享语义载体，为数据有限条件下的跨故障知识聚合和有效生成提供了更原则性的基础。

基于上述分析，本研究旨在解决工业故障诊断中数据分布不平衡的问题，即生成模型难以为少数故障类别提供有效的增强，从而限制了诊断性能。为此，提出了一种基于属性条件的扩散生成增强方法。鉴于扩散模型在复杂分布建模、稳定训练和高质量样本合成方面的优势（Croitoru等人，2023；L. Zhang等人，2023），采用基于扩散的生成框架进行数据增强。与将故障类别作为基本条件单元的传统方法不同，该方法将具有物理和机械意义的故障属性引入扩散过程，并使用共享的故障属性作为条件建模的基础，从而为小样本故障生成提供了共享和可转移的语义表示。此外，故障属性被编码为结构化的语义令牌，并通过交叉注意力机制注入到去噪网络中，使得属性语义与中间特征之间能够动态交互，指导样本生成，并在小样本条件下提高稳定性和质量。为了减少生成样本与真实样本之间的分布差异，进一步引入了基于特征矩匹配的类别级校准策略，增强了生成样本的物理一致性、分布保真度和下游诊断的鲁棒性。

**本文的主要贡献如下：**
1. 提出了一种基于共享故障属性的跨故障扩散生成框架。该方法将具有物理和机械意义的故障属性引入扩散生成过程，并使用共享属性作为条件建模的基础，而不是使用离散的故障类别标签，从而克服了类别隔离建模的局限性，为小样本故障生成建立了共享和可转移的语义基础。
2. 开发了一种基于故障属性令牌化和基于交叉注意力的条件注入的生成引导机制。故障属性被编码为结构化的语义令牌，并通过交叉注意力机制注入到扩散去噪网络中，使得属性语义与中间特征在整个生成过程中能够动态交互，为样本生成提供有效的全局指导，并提高了小样本故障合成的稳定性和质量。
3. 提出了一种基于特征矩匹配的类别级生成分布校准策略。通过 align 生成样本和真实样本在特征空间中的统计矩，该策略纠正了系统性的分布偏差，从而增强了生成样本的物理一致性、诊断可用性和鲁棒性。

本文的其余部分组织如下：第2节介绍理论背景。第3节描述了提出的方法。第4节基于TEP数据集展示了实验结果和讨论。第5节总结了研究。

**扩散模型的基础**
扩散模型由于其稳定的训练动态和强大的分布建模能力，最近在高维数据生成任务中受到了广泛关注。扩散模型由前向扩散过程和反向去噪过程组成，通过这些过程可以逐步学习和重建复杂的数据分布（Sohl-Dickstein等人，2015）。

**问题表述**
在数据分布高度不平衡的工业故障诊断场景中，训练数据集定义为：Dtr={(xi,yi)}i=1N，其中xi∈Rd表示观测到的过程数据样本，yi∈{1,2,…,C}表示相应的故障类别标签。由于故障发生频率、操作条件和数据采集限制的不同，不同故障类别的样本数量往往差异显著。对于某些故障类别，样本数量NcExperiments

**实验**
本节对Tennessee Eastman Process（TEP）化学过程故障数据集进行了实验研究。在实际的化学生产系统中，某些故障与高风险和严重后果相关；因此，通常会部署预防性维护和保护机制来减少它们的发生。结果，在数据采集过程中往往难以收集到这些故障的足够观测数据，导致样本分布高度不平衡。

**结论**
在数据分布高度不平衡的工业故障诊断中，少数故障类别的观测数据稀缺不仅削弱了诊断模型对这些故障的区分能力，还阻止了生成模型稳定学习其潜在的数据分布，从而限制了数据增强在提高诊断性能方面的有效性。为了解决这个问题，本文提出了一种基于属性条件的扩散生成方法。

**未引用的参考文献**
Yang等人，2024；Zhang等人，2023；Zhu和Zhu，2025；Downs和Vogel，1993

**作者贡献声明**
陈新航：方法论、调查、形式分析、数据整理、概念化。
周汉廷：资金获取。
徐静：资金获取。
程龙生：验证、监督、软件。
陈文和：数据整理。