最近这几年,如果你关注顶会论文或者生成式 AI,一定对 DDPM(去噪扩散概率模型) 这个名字如雷贯耳。
自从UC Berkeley 团队在 NeurIPS 发表那篇奠基性论文开始,这个曾经小众的模型彻底改写了生成模型的格局:
它是 Stable Diffusion、DALL E3、Midjourney 这些现象级 AI 绘画工具的底层核心,让 AI 生成的图像第一次做到了 “以假乱真”;
在顶会学术圈,它更是取代了曾经的 “顶流” GAN,成为了生成模型领域的新标杆 —— 仅 2023-2024 年,NeurIPS、ICML 等顶会中,扩散模型相关的论文数量就暴涨了 300%,覆盖了从图像生成到科学计算、从医疗影像到工业 AI 的几乎所有领域;
更重要的是,它完美解决了之前生成模型的老痛点:GAN 训练不稳定、容易模式崩塌,VAE 生成的样本模糊不清,而 DDPM 用 “逐步加噪 - 逐步去噪” 的极简框架,做到了训练稳定、生成质量高、多样性强。
本期就是要把这个顶会 “香饽饽”,用到—— 小样本故障诊断。
🚨 痛点:故障样本永远不够用
做过故障诊断的同学都知道一个现实困境:正常运行的数据堆成山,真正的故障数据却少得可怜。
设备不可能为了采集数据天天坏,某些严重故障甚至整个生命周期只出现一两次。每类故障只有 5~20 个样本,训练出来的模型能用吗?
今天分享一个完整项目 —— 用扩散模型(DDPM)生成高质量合成故障样本,在极端小样本条件下大幅提升诊断准确率。
本项目基于CWRU西储大学轴承数据集,在每类故障仅有5/10/20个样本的极端小样本条件下,将振动信号通过CWT转为时频图后,分别用DDPM扩散模型、WGAN-GP和VAE三种生成模型学习故障数据分布并生成合成样本扩充训练集,再用Vision Transformer分类器进行故障诊断,通过准确率、FID、IS等多维度指标的全面对比实验,验证了DDPM在生成质量、样本多样性和诊断性能提升方面均优于GAN和VAE,尤其在样本极度稀缺时优势最为显著。

🧭技术路线图如下:

具体来说:
将一维振动信号通过连续小波变换(CWT)转化为二维 RGB 时频图
用条件 DDPM 学习各类故障时频图的数据分布
从极少量真实样本出发,生成大量高质量合成样本
合成样本 + 真实样本一起训练分类器,完成故障诊断
产生丰富的可视化图形,突出DDPM的优势
⚙️ 实验设置
**数据集**:CWRU 西储大学轴承数据
**故障类别**:10 类(正常 + 滚动体 / 内圈 / 外圈 × 三种严重程度)
**小样本设置**:每类分别只用 5 / 10 / 20 个样本训练
**分类器**:Vision Transformer(ViT),对数据量极其敏感,少样本时性能显著下降
**评估指标**:分类准确率、FID(生成质量)、IS(生成多样性)
实验结果:
这里展示了三种实验,5-shot、10-shot、15-shot是指,每类故障样本仅选5、10、15个样本来进行数据增强,然后分类。

DDPM当真厉害!
📊 可视化结果展示
以下的所有可视化过程,代码都可以运行出来!
1. 扩散过程可视化
下图展示了 DDPM 的前向扩散过程 —— 一张清晰的 CWT 时频图如何被逐步加噪直至变为纯噪声:

以及逆向去噪过程 —— 从一团随机噪声,经过 1000 步迭代去噪,逐渐 画出 一张故障时频图:

可以清晰看到:DDPM 不是一步到位,而是像画家一样从粗到细逐步 "雕刻" 出图像细节。
2. 生成样本质量对比
下面对比了三种方法生成的时频图:

第一行是真实样本,后面依次是 DDPM、GAN、VAE 的生成结果。肉眼可见:
DDPM:纹理清晰,频率分布与真实样本高度一致
GAN:部分类别尚可,部分出现伪影
VAE:整体偏模糊,丢失了高频细节
3. 生成多样性对比
同一类故障,DDPM 和 GAN 各生成 8 张样本:

DDPM 生成的 8 张图各不相同,保持了类内多样性;而 GAN 在小样本下倾向于生成高度相似的图案 —— 这就是模式崩塌的直观表现。
4. t-SNE 特征分布
用 t-SNE 降维观察生成样本在特征空间中的分布:

真实样本:各类别聚类清晰
DDPM 生成:分布与真实样本高度对齐
GAN/VAE 生成:部分类别出现重叠或偏移
DDPM 生成的样本不仅 "看起来像",在特征层面也与真实数据分布一致。
5. 诊断准确率对比
这是最关键的结果 —— 数据增强到底能提升多少诊断性能?
这里展示了三种实验,5-shot、10-shot、15-shot是指,每类故障样本仅选5、10、15个样本来进行数据增强,然后分类。


核心结论:
无增强(No Aug):ViT 在极少样本下性能较差
VAE 增强:有一定提升,但受限于生成质量
WGAN-GP 增强:中等提升,小样本下不稳定
DDPM 增强:各设置下均为最优,5-shot 提升最为显著
越是样本稀缺的极端场景,DDPM 的优势越明显。
6. 混淆矩阵细节
每类故障仅用10个样本的情况下的分类结果如下:
不用数据增强:

VAE增强:

GAN增强:

DDPM增强:

可以看到 DDPM 增强后,各类故障的分类准确率都得到了提升。
---
7. 各类准确率雷达图

雷达图直观展示了 10 类故障各自的诊断准确率。DDPM 增强后的红色轮廓明显比其他方法更 "饱满",几乎每个类别都达到了较高水平。
✨ 代码亮点总结
特性 | 说明 |
完整对比实验 | No Aug / VAE / WGAN-GP / DDPM 四种方法全面 PK |
多维度评估 | 准确率 + FID + IS + 混淆矩阵 + 雷达图 |
极端小样本 | 每类仅 5 个样本也能有效增强 |
多转速支持 | 支持 1797/1772/1750/1730 四种工况一键切换 |
全流程可视化 | 13 + 张高质量实验图表,论文 / 报告直接可用 |
配置友好 | 所有参数集中管理,改一行代码切换实验 |
代码目录:

在readme中有详细的代码使用教程,不用担心不会使用!小白也能轻松运行。
💡 总结
本项目证明了:DDPM 可以从极少量样本中 "学会" 故障的数据分布,生成逼真且多样的合成数据。相比 GAN 的训练不稳定和 VAE 的生成模糊,DDPM 在小样本场景下展现了压倒性的优势。
本项目为完整可运行代码,包含数据预处理、模型训练、实验评估、可视化全流程。开箱即用,一键复现。
🍭代码获取
https://mbd.pub/o/bread/mbd-YZaTlZZtZQ==
点击下方阅读原文也可获取哦!
1325



被折叠的 条评论
为什么被折叠?



