【论文解读】基于经验模态重构的民航液压泵故障诊断数据增强方法

民用航空液压泵在实际运行过程中健康状态样本充足，而故障样本极为稀缺，导致智能故障诊断模型面临严重的类别不平衡问题。针对这一工程难点，论文《Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps》提出了一种名为经验模态重构（EMR）的振动信号数据增强方法。该方法通过尽量保留原始信号的本征成分，在扩充少数类故障样本数量的同时尽量保持类别属性不变，从而为深度学习模型提供分布合理且具备多样性的训练数据。

图1 类别不平衡与平衡分类示意图

经验模态重构的核心流程依托于经验模态分解技术与信号重构约束。该方法首先将原始振动信号去均值，并计算其初始标准差；利用经验模态分解将一维时域信号分解为多个不同频段的本征模态函数分量；接着在分解得到的分量中随机选取一个，乘以在预设区间内随机生成的加权系数，再与其余未修改的分量直接相加完成信号重构；最后对重构信号重新进行零均值化处理，并强制缩放调整至与原始信号完全相同的标准差。这种处理方式在引入局部扰动以丰富样本多样性的同时，在一定程度上锁定了信号的关键统计特性与本征信息。

图2 经验模态重构流程图

在整体诊断流程设计上，论文构建了结合经验模态重构与一维卷积神经网络的端到端诊断框架。系统仅对训练集中的少数类故障样本执行数据增强，而多数类健康样本保持不变，从而构建平衡的训练集；同时，数据增强操作在模型的每个训练轮次中动态重复执行，而非一次性静态扩充，使网络在每一轮训练中接触到形态略有差异的重构样本；此外，训练流程结合了早停策略，当训练准确率达到上限或达到预设轮次时及时终止优化，以降低模型在小样本场景下的过拟合风险。

图3 故障诊断整体流程图

权重选取区间的设定是经验模态重构中的关键超参数，直接影响生成样本的多样性程度与模型适配性。权重区间范围越宽，重构样本与原始样本的差异性越大，提供给分类器探索的数据空间越广，但也对卷积神经网络的特征提取能力提出了更高要求；反之，若权重区间过窄，则扩充样本的多样性提升有限。在实际工程部署与模型构建过程中，需要结合具体信号特征以及卷积神经网络的层数、卷积核尺寸等容量参数，对加权区间的上下限进行协同配置。

该文提出的经验模态重构方法从时频分解与物理分量重组的角度切入，为一维机械振动信号的样本扩充提供了一种尽量保持本征特征的数据增强思路。通过约束重构信号的统计量与模态结构，该方法在缓解样本分布失衡的同时缓解了标签漂移问题。该信号重构机制不仅适用于民航液压泵的振动监测数据，也可推广应用于其他往复与旋转机械设备的振动、声音及电流等一维时序信号的智能故障诊断任务中。

参考文献：

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/abs/pii/S0166361521001640