在工业智能运维与机械故障诊断中，设备绝大多数时间处于正常状态，采集到的故障数据通常极为匮乏，形成了典型的类别不平衡问题。针对这一难题，发表于期刊《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》提出了一种新颖的时序信号增强方法。与图像数据直观的空间变换不同，一维时序信号难以通过简单的几何操作进行扩充，单纯复制已有样本无法增加样本多样性，而盲目添加随机噪声又容易破坏关键故障特征进而破坏类别属性，因此亟需一种能精准保留时序信号内在物理特性的增强机制。

为了在扩充样本的同时维持原有的故障类别信息，论文提出了 经验模态重构（Empirical Mode Reconstruction, EMR）方法。该方法将时频分析中的模态分解与信号重构思想相结合，通过在信号的内在物理分量层面引入可控扰动来生成新样本。这种设计既能在特征空间中拓展少数类样本的分布范围以增强多样性，又能尽量保留原信号的核心动态特征，在一定程度上确保增强后的样本与原始样本保持相同的状态类别。

在具体实施上，EMR首先对输入的原始一维时序信号进行去均值预处理，并提取其初始标准差作为基准统计量。然后，利用经验模态分解（EMD）算法将该信号自适应分解为若干个代表不同时间尺度的固有模态函数（IMF）。在分解得到的模态分量中，算法随机挑选其中一个IMF，并在预先设定的取值区间内随机选取一个权重系数对其进行线性缩放，以此对特定频率尺度的局部波形进行受控的幅值微调。

完成单模态缩放后，被调整的模态分量与其余保持原样的模态分量进行直接线性叠加，合成一条全新的一维时序信号。为保证增强信号在全局统计尺度上的一致性，重构后的信号会再次进行均值归零，并根据初始标准差与重构标准差的比例关系实施幅值校准，强制使增强信号的标准差与原始输入信号完全一致，从而在保留信号总能量水平的同时完成数据构造。

在结合深度学习模型进行分类训练时，该方案并未采用离线一次性扩增的常规做法，而是在每个训练轮次（Epoch）中对少数类样本在线动态执行EMR增强。这种动态重构机制使得神经网络在每一次参数更新时都能接收到具有细微差异的新样本，有效构建了类别均衡的批次数据，配合早停策略能够显著减轻深层网络在小样本条件下的过拟合风险。

作为一种通用的时序数据扩充手段，经验模态重构不仅适用于振动监测信号，也可推广至声学、电流、压力等各类旋转与往复机械的一维时序数据处理中。该方法从信号本身的固有模态出发，在时频分解与统计约束之间建立了桥梁，为类别不平衡场景下的工业时序深度学习模型提供了较为稳健的样本生成支撑。

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/abs/pii/S0166361521001640