经验模态重构：面向不均衡故障诊断的时序数据扩增方法

在民航液压泵等关键机械设备的智能运维中，实际监测数据往往存在正常样本充裕而故障样本极度匮乏的类不平衡问题。针对这一工程瓶颈，发表于《Computers in Industry》的学术论文《Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps》提出了一种面向一维时序信号的数据扩增新方法。常规的简单复制或粗暴扰动容易造成模型过拟合或破坏原有故障机理，而该研究通过尽力保留原始信号的本征物理成分，生成既具备样本多样性又尽量保持类别属性一致的增强样本，以此构建类别平衡的训练集。

振动信号作为复杂的非平稳时序数据，其故障特征通常隐含在特定频段的本征模态之中。与可以通过几何旋转、平移进行直观变换的图像数据不同，振动数据若受到不合理的幅度或相位畸变，可能会导致样本标签发生漂移。经验模态重构（EMR）的核心思想在于：利用信号自适应分解算法提取出信号内部的基础本征成分，通过对局部模态进行受控的随机扰动与重构，并在重构后严格对齐关键统计特征，从而在拓展样本边界的同时维持类别不变性。

在具体的技术实现中，首先利用经验模态分解（EMD）将一维原始故障振动信号自适应地解耦为若干阶本征模态函数（IMF）。EMD通过反复提取信号的局部极值包络并扣除局部均值，将包含不同振源与频带信息的复合波形自上而下逐层分离，使得高频冲击成分与低频调制分量分别落入不同的模态通道中。这种自适应时频剖析有助于保留信号内在的动态特性，为后续局部微扰提供了较好的物理载体。

经验模态重构的单样本生成流程涵盖了预处理、随机加权与统计对齐三大环节。系统首先对原始故障样本进行去均值化处理，并计算其初始标准差；然后通过EMD将信号分解为预定数量的IMF分量，并随机选定其中一个分量，赋予其在预设取值范围内随机抽取的权重系数以实现局部的线性缩放；接着将加权后的分量与其余未修改的分量直接线性叠加重构出新样本；最后对重构信号重新执行零均值化，并通过尺度修正将其标准差严格还原至与对应原始样本完全一致的水平，以确保核心能量统计特征不发生偏移。

在分类模型的训练阶段，EMR被有机集成到一维卷积神经网络（ConvNet）的动态优化流程中。为了提高泛化性能并抑制过拟合，算法仅对少数类故障样本实施扩增，且在每个训练轮次（Epoch）中均重新执行随机重构，使得网络在不同迭代周期中接触到动态变化的生成样本。均衡后的数据集被送入由卷积层、修正线性单元、批归一化层、全局平均池化层及全连接层构成的网络中，实现故障特征的端到端自主提取与状态识别。

经验模态重构方法通过本征分量的受控微扰与全局统计特征的强约束，为机械时序信号的少样本扩增提供了一种较为严谨且可解释的实现路径。重构过程中的随机权重取值区间直接调控了生成样本的多样性程度，在实际部署中需结合分类网络的表征能力进行协同设置。该方法不仅适用于民航液压泵的振动数据扩充，同样可推广至旋转机械与往复机械的声学、电流等多源时序监测信号的不平衡故障诊断任务中。

来源文献：

Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps[J]. Computers in Industry, 2022, 134: 103557.

https://www.sciencedirect.com/science/article/pii/S0166361521001640