Conditional Diffusion-Based Data Augmentation for Imbalanced Multi-Mode Fault Diagnosis in Predictive Maintenance
Diese Arbeit zeigt, dass klassenbedingte Denoising Diffusion Probabilistic Models (DDPMs) die starke Klassenimbalance in der vorausschauenden Instandhaltung effektiv mildern, indem sie hochpräzise Stichproben der Minderheitenklasse synthetisieren, wobei sie traditionelle Augmentierungsmethoden wie SMOTE und GANs bei der Erkennung seltener industrieller Ausfälle signifikant übertreffen.