산업 장비 모니터링에서 결함 진단은 시스템 신뢰성을 보장하고 예측 유지보수를 가능하게 합니다. 그러나 결함 발생의 희소성과 데이터 주석의 높은 비용으로 인해 결함 데이터가 부족하여 데이터 기반 접근 방식에 큰 제약이 있습니다. 풍부한 정상 데이터를 위해 최적화된 기존 시계열 생성 모델은 소량의 데이터 시나리오에서 결함 분포를 포착하는 데 어려움을 겪고, 도메인 간의 큰 격차와 결함의 높은 클래스 내 변동성으로 인해 실제성과 다양성이 부족한 샘플을 생성합니다. 이를 해결하기 위해 확산 모델을 기반으로 하는 새로운 소량 결함 시계열 생성 프레임워크를 제안합니다. 이 접근 방식은 사전 훈련된 정상 데이터 분포를 활용하여 정확한 결함 합성을 위해 정상 도메인과 결함 도메인 간의 불일치를 모델링하는 긍정-부정 차이 어댑터를 사용합니다. 또한, 모드 붕괴를 방지하고, 샘플 간 차이 정규화를 통해 다양한 결함 샘플 생성을 장려하기 위해 다양성 손실을 도입했습니다. 실험 결과는 제안하는 모델이 실제성과 다양성 측면에서 기존 방식보다 훨씬 뛰어나고, 주요 벤치마크에서 최첨단 성능을 달성함을 보여줍니다.
