Diffusionsmodell erzeugt realistische Fehlersignale mit wenigen Beispielen

In der industriellen Anlagenüberwachung ist die Fehlerdiagnose entscheidend für die Zuverlässigkeit von Systemen und die Umsetzung vorausschauender Wartung. Ein großes Problem ist jedoch die Knappheit an Fehlervorgängen, weil Fehler selten auftreten und die Anmerkung von Daten sehr kostenintensiv ist. Traditionelle Zeitreihen‑Generierungsmodelle, die auf reichlich vorhandenen Normaldaten trainiert werden, können die Verteilung von Fehlerdaten in wenigen Beispielen nicht adäquat erfassen. Das Ergebnis sind synthetische Signale, die weder authentisch noch vielfältig sind, weil die Domänenlücke zwischen Normal- und Fehlermustern groß ist und die Fehler selbst sehr unterschiedlich auftreten.

Um dieses Problem zu lösen, wurde ein neues Framework für die Few‑Shot‑Generierung von Fehlersignalen auf Basis von Diffusionsmodellen entwickelt. Das System nutzt einen Positiv‑Negativ‑Differenz‑Adapter, der die vortrainierten Normaldaten nutzt, um die Unterschiede zwischen Normal- und Fehlermustern präzise zu modellieren. Zusätzlich wird ein Diversitätsverlust eingeführt, der Modenkollaps verhindert und die Vielfalt der erzeugten Fehlerproben durch Inter‑Sample‑Differenzregulierung fördert.

Experimentelle Ergebnisse zeigen, dass das neue Modell die Authentizität und Vielfalt der generierten Fehlersignale deutlich über herkömmliche Methoden hinaus verbessert. Auf führenden Benchmarks erreicht es damit einen neuen Stand der Technik und bietet damit eine vielversprechende Lösung für die datenknappheit in der industriellen Fehlerdiagnose.