在机械装备智能故障诊断中，样本类别不平衡是一个典型的工程实际问题。针对民航液压泵故障样本稀少、健康样本充足所导致的分类器训练偏置难题，学术论文《 Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps》提出了一种基于信号分解与重构的数据增强方法——经验模态重构（Empirical Mode Reconstruction, EMR）。该方法立足于一维时序信号的物理与统计特性，通过对振动信号进行本征模态分解、可控扰动与统计量约束校正，实现少数类样本的高质量生成，为工业时序信号的样本扩充提供了一种严谨可行的技术路径。

一、时序信号数据增强的核心考量

在图像识别领域，数据增强通常采用几何变换（如旋转、平移、翻转等），这些操作直观且不易破坏图像本身的语义属性。然而，一维振动时序信号具有非平稳、多源混叠以及物理意义明确等特征，简单的信号加噪、随机截断或纯粹的时域拉伸往往会破坏关键故障特征频率，甚至改变信号所代表的物理健康状态。

面向机械故障诊断的时序信号数据增强，通常需要满足三个基本要求：

1. 类别平衡：扩充少数类样本规模，使各类在训练阶段获得对等的损失权重，缓解分类器将样本偏向判为多数类的倾向。

2. 样本多样性：简单复制少数类样本无法改变其数据分布，易导致深度模型对局部噪声过拟合；新样本应在合理空间内具有适度差异。

3. 类别不变性：生成样本必须延续原始信号所属的故障类别与物理属性，不能因数据变形造成标签误导。

二、经验模态重构的技术实现细节

经验模态重构的核心逻辑在于：将复杂时序信号解构为若干具备不同特征尺度的子分量，仅对局部尺度施加可控扰动，再行组装并施加能量统计约束。

图1：时序信号及其经验模态分解生成的分量（对应原论文 Fig. 3）

1.信号的本征尺度分解

时序信号通常包含由旋转、摩擦及冲击激发的混合振动成分。该方法首先利用经验模态分解，将经过中心化处理的时序信号自适应地逐级筛分为若干个本征模态分量和一个残余分量。高频瞬态冲击成分通常集中在起始的几个模态中，而低频基底趋势则分布在后续模态中。

图2：经验模态重构算法的实施流程（对应原论文Fig.4）

2.EMR的具体处理步骤

整个增强流程由以下八个具体环节构成：

步骤一：零均值化处理

计算输入振动信号的均值并予以扣除，确保信号时序波形中心平稳对齐于零电平基准。

步骤二：计算原始标准差

统计经零均值化后原始信号的标准差。在机械振动状态分析中，标准差反映了振动信号的整体能量水平，是表征不同设备运行工况与损伤程度的关键指标。

步骤三：模态分解

采用经验模态分解算法，将零均值信号分解为固定数量的本征模态分量。

步骤四：随机选择与线性加权

在分解得到的所有本征模态分量中，随机抽取其中某一个分量；然后在预设的数值区间内随机抽取一个比例系数，对该分量的幅值进行线性的放大或缩小。该操作仅改变单一时间尺度的振幅强弱，在增加样本多样性的同时，最大限度维持原信号的频率结构。

步骤五：信号求和重构

将经过加权缩放的模态分量与其余未作改动的模态分量以及残余分量直接线性叠加，合成新的一维重构时序信号。

步骤六：重构信号二次均值校正

由于局部分量的幅值伸缩可能会引起合成基线的微小浮动，需重新计算重构信号的平均值并予以扣除，再次确保其均值为零。

步骤七：计算重构标准差

计算二次均值校正后重构信号的标准差。

步骤八：标准差强制对齐

将重构信号整体乘以原始标准差与重构后标准差的比值。此步骤通过数学变换强制使生成样本的标准差完全恢复至原始真实样本的水平，严格约束振动能量不发生宏观漂移，确保类别属性不受干扰。

三、基于动态重构的故障诊断流程

为了充分发挥数据增强对深层模型表征学习的辅助作用，该技术结合卷积神经网络建立了端到端的诊断流程。

图3：整体故障诊断流程示意图（对应原论文Fig.6）

1. Epoch 动态在线生成机制

与传统在训练前一次性生成静态增强数据集的作法不同，该方案在每个训练周期（Epoch）中均重新执行一次经验模态重构。由于每次重构所选取的模态序号与随机缩放系数均具有独立随机性，模型在不同训练周期接触到的少数类样本形态存在动态变化。这种机制能够有效平抑深层网络对固定少样本模式的机械记忆，抑制过拟合现象。

2. 网络训练与早停策略

构建以一维卷积层、批归一化层、非线性激活单元及全局平均池化层为基础的特征提取网络。在平衡后的训练集上采用交叉熵损失进行反向传播更新；同时设置训练早停准则，当达到最大迭代周期或训练分类准确率达到完全拟合时终止训练，防止模型在增强后的样本上过度拟合。

四、参数设置与工程适用性探讨

在经验模态重构的具体实施中，加权系数区间的选取是该方法的核心超参数：

• 区间宽度的权衡：若权重系数的取值范围过于狭窄（接近无缩放），生成的样本与原始样本差异极小，无法提供足够的样本多样性；反之，若缩放倍数范围过宽，可能导致单一分量严重失真，破坏原有时序波形的内在动力学平衡。

• 与特征提取器的适配：数据增强所带来的扰动强度需要与后续分类网络的容量和特征提取深度相匹配。网络表达能力较强时，可适当放宽扰动区间；网络结构较紧凑时，则宜采用温和的缩放范围。

从信号处理角度来看，经验模态重构通过“频域尺度分离—局部分解扰动—全局统计量还原”的方式，较好地规避了一维机械信号在时域或频域直接扰动可能带来的物理意义失真问题。除航空液压泵振动信号外，该方法的技术框架对于具有多源混叠特性的旋转机械振动、声学监测以及电流波动等一维工业时序信号的数据平衡任务，同样具有通用的参考价值。在实际工业部署中，亦可根据信号具体工况，将基础的分解工具进一步替换为集合经验模态分解或经验小波变换，以进一步缓解模态混叠对重构过程的干扰。

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/pii/S0166361521001640