Manifold-aware diffusion method for multi-dimensional unbalanced data enhancement of complex electromechanical systems
Abstract
工业现场监测数据普遍存在的样本极度不平衡问题, 严重制约了诊断模型的决策可靠性. 针对现有生成模型在处理高维监测数据时，由于难以有效解耦复杂的观测空间, 导致数据生成模型易陷入模式坍塌且保真度不足, 本文提出一种流形学习赋能的条件扩散生成新范式（MC-CESDM）. 该方法通过融合流匹配（Flow Matching）理论与特征解耦机制, 有效攻克了现有模型的局限性：流匹配通过构建确定性概率路径避免了冗长的迭代噪声预测, 大幅提升了训练稳定性与采样速度；特征解耦则确保了生成样本能够精准受控于变工况等连续物理属性. 本研究以典型的风电机组监测数据为案例进行实验验证, 并与主流生成算法进行对比. 结果表明, 该模型在特征关联度与分布距离（Fréchet Distance）等关键指标上均取得显著领先, 证明了其优异的生成保真度. 该方法克服了复杂工况下数据生成的效率与质量瓶颈, 为机电系统不平衡数据的样本增强提供了高效、可靠的技术工具, 为提升工业设备智能运维水平奠定了理论基础.
Fields of Study & Subjects
Machine Fault Diagnosis Techniques
Fault Detection and Control Systems
Imbalanced Data Classification Techniques
Publication details
- Journal / source
- Scientia Sinica Technologica
- Volume
- 56
- Issue
- 4
- Pages
- 1107–1118
- Publication date
- 11 February 2026
- Language
- EN