A diffusion-based data augmentation framework for hydraulic pump fault diagnosis

doi:10.1016/j.engappai.2026.114419

A diffusion-based data augmentation framework for hydraulic pump fault diagnosis

2026-03-11

0

PRE

AI

DOI：10.1016/j.engappai.2026.114419

原文链接

原文求助

摘要

En 中文

作为液压传动系统的核心动力源，轴向柱塞泵的故障诊断与预测在工业环境中常受限于故障样本的稀缺。这种严重的类别不平衡会降低数据驱动诊断模型的性能，对实际预测性维护构成挑战。为解决这一工程瓶颈，本文提出了一种新颖的数据增强框架，称为自适应振动增强去噪扩散概率模型。该框架采用自适应窗口短时傅里叶变换将一维振动信号转换为二维复值矩阵，从而捕捉时频域中的丰富结构故障特征。它整合了循环残差U-Net架构以缓解梯度消失并增强训练稳定性。此外，引入了稀疏时间调度器和分段余弦噪声调度器以加速采样过程，在显著降低推理延迟的同时保持合成数据的高保真度。在两种类型轴向柱塞泵的运行数据集上的实验表明，所提出的框架在特征相似性和生成质量方面优于当前最先进的生成对抗网络和标准去噪扩散概率模型，尤其在极端少样本场景下表现突出。当与ResNet50分类器结合时，增强数据显著提升了诊断准确率。本研究为工业故障诊断提供了一种实用且稳健的解决方案，即使在实际故障数据严重不足的情况下也能实现可靠的健康监测。

Keyword:

fault diagnosis

data augmentation

axial piston pumps

diffusion probabilistic model

few-shot learning

A diffusion-based data augmentation framework for hydraulic pump fault diagnosis

摘要

期刊

机构

引用论文