拓冰网站定制 
做故障诊断的朋友应该都有同感给振动信号做数据增强最怕的就是“增强完类别变了”。图像里旋转一只猫还是猫但振动信号里随便改个频率分量故障特征可能就没了甚至凭空造出一个不存在的故障。读到一篇论文其中的精妙之处在于它用EMD把信号拆成“模态”然后只改某个模态的幅值不改“有哪些模态”——就像换了一套衣服但人还是那个人。这种“分离语义与可变性”的思路让我对数据增强有了全新的理解。以下是对原论文的解读希望对大家有所帮助。论文解读数据增强新思路——经验模态重构EMR论文信息标题Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps作者Linghui Meng, Minghang Zhao, Zhiquan Cui, Xingming Zhang, Shisheng Zhong期刊Computers in Industry年份2021DOI10.1016/j.compind.2021.103557一、我为什么想写这篇解读说实话这篇论文我读了两遍才真正理解它的精妙之处。第一遍看的时候觉得”这不就是对某个IMF加个随机权重再重构吗好像也没什么特别的。“但当我把这篇论文和同期其他数据增强方法放在一起比较时才意识到作者在处理一个很容易被忽视、却极其关键的问题。这个问题就是在振动信号上做数据增强怎么保证增强后的样本和原始样本属于同一个故障类别听起来像个废话问题增强后的样本当然应该和原始样本同类啊。但恰恰是这一点在振动信号领域特别难做到。图像里旋转一张”杯子”的照片人眼一看还是杯子但振动信号里你随便改一改某个频率分量的幅值故障特征可能就没了或者凭空”造”出一个原本不存在的故障特征。这两种情况都会让增强样本变成”带错标签的噪声”喂给模型训练效果反而更差。这篇论文的核心贡献就是提出了一种叫做”经验模态重构”EMR的方法在保持故障类别不变的前提下有效地扩充了训练数据。而且作者把这个方法用在了民用航空液压泵的故障诊断上这是一个工程价值极高、但数据极其稀缺的场景。下面我会尽量用直白的方式把这篇论文的来龙去脉讲清楚。二、这个研究要解决什么问题2.1 民用航空液压泵一个”不能坏”的关键部件如果你坐过民航客机飞机起落架的收放、舵面的操纵、刹车系统的制动全都依赖液压系统提供动力。而液压泵就是这个系统的”心脏”它把机械能转化为高压液压油的压力能驱动整个液压系统工作。这个部件的工作环境相当恶劣高温、高压、高转速还要承受频繁的启停和负载变化。长期运行下来磨损、腐蚀、疲劳、变形这些故障模式几乎不可避免。一旦液压泵在空中出故障轻则影响飞行操控重则直接威胁飞行安全。所以航空领域对液压泵的维护和故障诊断要求极高。最理想的情况是在故障还处于”萌芽”状态时就检测出来提前更换或维修避免在飞行中出问题。2.2 故障诊断的三条路和大多数旋转机械一样液压泵的故障诊断也走过了三条技术路线。第一条路物理模型方法就是建立液压泵的动力学模型从理论上分析各种故障模式下系统的响应特性。这条路的问题在于液压泵是机械-液压耦合的复杂系统内部同时存在旋转部件如斜盘、柱塞和往复运动部件振动激励源非常多。再加上工作介质液压油的流体动力学效应整个系统的物理过程极其复杂。到目前为止液压泵的退化机理和故障机制还没有被完全搞清楚。物理模型方法在理论上很美好但工程实践中很难落地。第二条路信号分析方法从采集到的振动信号中提取故障特征。比如用包络分析找轴承故障特征频率用倒频谱分析找齿轮啮合频率等等。这条路在轴承、齿轮等相对简单的旋转机械上取得了不少成功。但液压泵的振动信号比轴承、齿轮复杂得多。它的振动是多种激励源机械碰撞、流体脉动、气蚀等的混合体而且存在大量的幅值调制、频率调制和相位调制。更麻烦的是液压泵的早期故障信号非常微弱特征频率在频谱中往往不明显甚至被噪声完全淹没。信号分析方法高度依赖工程师的经验和专业知识换个工况、换台设备分析方法可能就要重新调整。这条路在工程现场的可移植性和可靠性都比较有限。第三条路机器学习方法特别是深度学习这是近年来最热门也最有前景的方向。基本思路是用历史监测数据训练一个分类模型让模型自己学习从振动信号到故障类别的映射关系不需要人工去分析特征频率。深度学习的优势很明显自动特征提取、端到端训练、不需要深厚的信号处理背景。但深度学习有一个致命的前提需要大量带标签的训练数据。2.3 核心矛盾数据极度不平衡这正是本文要解决的痛点。在液压泵的实际运行中健康状态是常态故障状态是偶发。一个机队可能有几百台液压泵在运行采集到的健康样本成千上万但故障样本可能只有寥寥数个。即使做故障模拟实验由于液压泵结构复杂、实验成本高也很难获得大量故障样本。论文中的实验设定非常典型健康类有400个训练样本而每个故障类只有4个训练样本。 imbalance ratio不平衡比达到了100:1。这种极度不平衡的数据会带来什么后果如果你训练一个深度学习模型它会发现只要把样本全部预测为”健康”就能达到400/404 ≈ 99% 的”准确率”。模型会倾向于走这条”捷径”——因为预测错误的代价在训练过程中被健康样本的绝对优势稀释了。结果就是模型对故障类完全”失明”所有故障样本都被漏检。这在航空领域是不可接受的。漏检一个故障可能意味着一次飞行事故。所以如何在小样本条件下训练出可靠的故障诊断模型是这篇论文要解决的核心问题。三、已有的方法为什么不够用面对数据不平衡最直接的想法就是”造数据”即数据增强。但这个方向在振动信号领域走得并不顺利。3.1 图像领域的数据增强很成熟但振动信号不适用在计算机视觉里数据增强已经是一门成熟的技术。一张图片旋转、平移、翻转、裁剪、调整亮度对比度……生成的新图片语义信息不变但像素分布变了。模型见过更多”变种”后泛化能力自然提升。但振动信号和图像有本质区别第一振动信号没有图像那样的”直观语义”。图像里一个杯子你旋转90度还是杯子人眼能直接判断。但振动信号是一维时间序列它的”语义”故障信息隐藏在复杂的频率结构和时域波形中不是肉眼能直接识别的。第二振动信号的故障特征非常脆弱。早期故障往往表现为某个特定频率分量的微小变化或者某个瞬态冲击脉冲。如果你像处理图像那样对信号做时域平移、翻转这些细微的故障特征可能被破坏如果你在频域做随机扰动又可能引入原本不存在的频率成分相当于”制造”了一个假故障。第三振动信号和物理系统强相关。一个振动信号不是任意的数字序列它必须对应某个物理系统的真实响应。你随便生成一个”看起来像振动信号”的序列可能在物理上根本不存在比如同时包含两个互斥的故障模式。3.2 简单的复制过采样不够最直接的”数据增强”就是不增强直接把少数类样本复制多份。这在机器学习中叫”过采样”Over-sampling。但过采样的问题在于它没有引入任何新信息。模型看到的只是同一批样本的重复学到的还是那一点点东西。在训练过程中模型很容易过拟合到这4个样本上记住它们的每一个细节包括噪声但泛化到新样本时表现很差。论文中的实验也验证了这一点过采样ConvNet的F1分数只有95.63%虽然比什么都不做强但提升有限。3.3 降采样下采样浪费信息另一个思路是”降采样”从多数类健康类中随机抽取和少数类一样多的样本让各类平衡。比如健康类也抽4个总共24个样本训练模型。但这样做的问题是你主动丢弃了396个健康样本的信息。深度学习模型本来就缺数据你还把大量的数据扔掉模型学到的健康类特征就不够充分。论文实验中降采样ConvNet的F1是94.96%比过采样还差。3.4 GAN生成数据想法很好落地困难生成对抗网络GAN是近年来数据增强的热门方向。思路是让生成器学习真实数据的分布然后采样生成新样本。但在振动信号领域GAN有两个难以克服的问题训练不稳定。GAN需要生成器和判别器达到纳什均衡实际训练中经常遇到模式崩溃mode collapse或梯度消失生成质量无法保证。在小样本场景下训练数据本身就不够GAN更难收敛。物理合理性无法保证。GAN生成的信号可能在统计上和真实信号相似但振动信号和机械结构、转速、负载等物理因素强相关。GAN可能生成一个在数学上”合理”但在物理上”不存在”的信号比如一个同时包含两种互斥故障特征的混合信号。这样的样本喂给模型相当于引入错误标签。3.5 SMOTE和ADASYN插值思路在信号空间不适用SMOTE和ADASYN是经典的过采样方法思路是在特征空间中对少数类样本做线性插值生成新样本。它们隐含一个假设在特征空间中同类样本之间的插值点也属于这一类。这个假设对于某些结构化数据如表格数据可能成立但对于原始振动信号问题很大振动信号的”距离”很难定义。两个振动信号在欧氏距离上可能很近但频率结构完全不同也可能欧氏距离很远但属于同一故障模式。简单的线性插值在原始信号空间缺乏物理意义。插值可能生成混合故障信号。比如一个轴承内圈故障信号和一个外圈故障信号做插值生成的新信号可能同时包含两种故障特征这在物理上是不存在的。论文虽然没有直接对比SMOTE和ADASYN但从原理上就能推断直接在原始振动信号空间做插值很难保证生成样本的类别一致性。四、本文的核心创新经验模态重构EMR4.1 一个关键的物理洞察作者抓住了振动信号的一个核心特性故障类别信息和信号的”内在模态”强相关。什么意思呢振动信号是多个振动源激励的叠加。从频域看不同故障对应不同的特征频率轴承故障有轴承故障频率齿轮故障有啮合频率液压泵有柱塞通过频率、轴频等。这些特征频率及其谐波、边频带构成了信号的”内在模态”intrinsic components。如果我们能保持这些内在模态的相对关系不变只改变某些模态的幅值那么信号的故障类别应该保持不变因为决定故障类型的是”有哪些频率成分”而不是”各频率成分的幅值是多少”。这个洞察和RWE论文中”故障信息与频率成分相关”的洞察本质上是相通的但EMR采用了不同的技术路线来实现。4.2 技术路线八步走EMR的完整流程可以概括为八个步骤比RWE更细致一些第一步零均值化原始振动信号的平均值可能不为零。先减去均值让信号围绕零轴对称。这一步是为了消除直流分量的影响让后续处理更规范。第二步计算原始信号的标准差标准差STD是振动信号最重要的统计特征之一它反映了信号的波动强度。在故障诊断中STD往往和故障严重程度相关。记录原始信号的STD后面要用。第三步经验模态分解EMD这是EMR的核心步骤。用EMD把信号分解成一系列”本征模态函数”Intrinsic Mode Functions, IMFs。EMD是黄锷等人1998年提出的一种自适应信号分解方法。它不需要预设基函数而是根据信号本身的局部特征极值点来分解。基本过程是找出信号的所有局部极大值和极小值用三次样条插值分别拟合上包络和下包络计算上下包络的平均值局部均值用原始信号减去局部均值得到新信号检查新信号是否满足IMF的两个条件极值点个数和过零点个数相等或最多差一个任意点处上下包络的均值为零如果不满足把新信号当作原始信号重复上述过程如果满足这就是一个IMF从原始信号中减去它对剩余信号重复上述过程最终一个信号被分解为若干个IMF和一个残余分量。每个IMF代表信号在某个特征尺度上的振荡模式通常IMF1包含最高频成分IMF2次之以此类推。论文中每个信号被分解为5个IMF。第四步随机选择并加权一个IMF从5个IMF中随机选择一个给它乘以一个随机权重。这个权重从一个预设范围中均匀随机选取论文中用的是[0.5, 2)。这一步是引入多样性的关键。乘以0.5相当于把该IMF的幅值减半乘以2相当于加倍。由于每次随机选择不同的IMF、不同的权重生成的样本各不相同。第五步信号重构把加权后的IMF和其余未改动的IMF相加重构出一个新的1维信号。第六步零均值化再次重构后的信号平均值可能不为零再次减去均值。第七步计算重构信号的标准差记录这个STD用于下一步的缩放。第八步标准差对齐这一步非常关键。用以下公式对重构信号做缩放其中是第六步得到的信号是最终的增强样本是原始信号的标准差是重构信号的标准差。这样做的目的是让增强样本和原始样本具有完全相同的标准差。4.3 这个设计精妙在哪里我梳理了三个觉得特别妙的地方第一在”模态层面”操作而不是在原始信号层面EMD把信号分解成了多个本征模态每个模态代表一种特征尺度的振荡。在模态层面做加权相当于对某个频率带做幅值调整而不是对整个信号做全局变换。这比直接在原始信号上加噪声或做线性变换精细得多你可以有针对性地改变某个频带的能量而不影响其他频带。第二标准差对齐保证了”物理相似性”论文特别强调STD是判断机械是否有故障的重要统计量。保持增强样本和原始样本的STD一致不仅仅是数值上的对齐更是保证了增强样本在”波动强度”这个关键物理属性上和原始样本一致。这避免了生成一个看起来”太平静”或”太剧烈”的不真实样本。第三随机性带来多样性但约束在合理范围内随机选择IMF和随机权重引入了多样性但有两个约束保证了不失真只改一个IMF其他IMF完全不变保持了大部分原始结构权重范围[0.5, 2)不算太大不会让某个模态完全消失或过度放大最终的标准差对齐把整体能量拉回到和原始样本一致。这些约束让EMR在”引入变化”和”保持真实性”之间取得了平衡。4.4 和过采样的本质区别过采样是”复制粘贴”模型看到的是完全相同的样本。EMR是”相似但不同”每个增强样本都保留了原始信号的核心模态结构但在某个模态的幅值上有所变化。这种”有意义的多样性”起到了正则化作用模型不能简单地记住几个样本而必须学习更鲁棒的特征表示。论文实验中EMRConvNet的测试损失明显低于过采样ConvNet图11说明泛化能力更强。五、实验做了哪些验证5.1 非常苛刻的数据设定实验用的是真实的民用航空液压泵振动数据采样频率10.24 kHz类别1个健康类H 5个故障类F1-F5每类总样本480个训练集健康类400个每个故障类仅4个测试集健康类80个每个故障类476个不平衡比100:15个故障类型分别是F1配油盘磨损F2缸体磨损F3进口压力降低0.3MPa的腐蚀故障F4出口压力20MPa的变形故障F5间隙0.1mm的疲劳故障这个设定非常贴近工程实际健康样本多故障样本极少而且故障类型多样。5.2 对比方法设置了四组对比实验方法说明ConvNet直接用原始不平衡数据训练不做任何增强DS ConvNet降采样健康类随机抽4个共24个样本US ConvNet过采样每个故障类复制100次共2400个样本EMR ConvNet本文方法每个故障类增强100次共2400个样本为了公平所有方法的ConvNet结构完全相同两个卷积层8个和16个滤波器核长3ReLU激活批归一化全局平均池化全连接层。学习率初始0.1每epoch乘0.96动量0.9L2正则化0.0001batch size 6。5.3 定量结果10次重复实验每次实验随机划分训练集和测试集结果表明EMRConvNet在三项指标上都是最优 而且EMRConvNet的标准差最小说明结果更稳定。作者还做了配对样本单侧t检验表3EMRConvNet显著优于其他方法p值远小于0.05。5.4 特征可视化t-SNE降维用t-SNE把GAP层的高维特征降到2D空间图10ConvNetF3和F4严重重叠F2和F5也混在一起DS ConvNetF1和F2严重重叠F4分布在两个不相连的区域US ConvNetF1样本分裂成两个 distant 区域部分F1被错分到F2EMR ConvNet各类别分布紧凑类间边界清晰没有明显错分可视化结果直观地说明EMR帮助ConvNet学到了更有判别性的特征表示。5.5 损失曲线训练和测试损失曲线图11显示所有方法的训练损失最终都趋近于0但测试损失差异明显EMRConvNet最低约0.05USConvNet约0.10DSConvNet约0.12ConvNet约0.15测试损失越低泛化能力越强。EMRConvNet的优势非常明显。5.6 超参数权重范围的影响权重范围是EMR的关键超参数。论文系统测试了多个范围这里有几个值得注意的发现[0.3, 3) 平均效果最好这说明EMR引入的多样性确实有效。范围太大或太小都不好[0.1, 10)范围太大虽然平均F1不错但个别trial可能生成过于失真的样本[0.8, 1.4)范围太小变化不够效果接近过采样[0.9, 1.2)几乎就是过采样了。最优范围因trial而异10次实验中[0.3, 3)有5次最优[0.5, 2)有2次最优其他范围各1次。这说明权重范围的选择和数据集特性、模型超参数都有关系需要联合优化。5.7 为什么结果会有波动作者坦诚地指出了一个重要现象EMRConvNet并不是每次实验都是第一10次中6次第一。波动的主要原因在于训练样本的随机性。每个故障类只有4个训练样本随机选出来的4个样本是否能代表该类故障的整体特征很大程度上决定了最终效果。如果这4个样本恰好是”离群点”和大多数测试样本差异很大那么即使EMR生成再多增强样本也难以弥补训练样本本身不具代表性的问题。这说明数据增强不能替代高质量的训练样本。如果原始训练样本质量差增强方法也无力回天。六、方法的局限和未来方向作者在结论部分也指出了一些局限我觉得这些反而指明了后续研究的方向EMD本身的局限EMD存在模态混叠mode mixing问题不同尺度的振荡可能混在同一个IMF中或者同一个尺度的振荡被拆分到多个IMF中。这会让IMF失去明确的物理意义。虽然论文中N5的设定在实验中是可行的但更先进的分解方法如集合经验模态分解EEMD、经验小波变换EWT可能带来更好的效果。权重范围的联合优化论文发现最优权重范围和数据集、模型都有关。未来可以把EMR的超参数和ConvNet的超参数放在统一框架下联合优化而不是分别调参。更复杂的网络结构论文用的是相对简单的两层ConvNet。如果把EMR和更深、更先进的网络结构如ResNet、注意力机制结合效果可能进一步提升。应用到其他设备EMR的思想不仅限于液压泵。任何具有”故障信息与内在模态相关”这一特性的振动信号都可以尝试用EMR做增强。论文提到可以推广到其他旋转机械、往复机械甚至声学信号、电流信号等。七、我的一些思考和收获7.1 领域知识是算法设计的灵魂EMR不是一个通用的数据增强方法它是专门为振动信号设计的。它的有效性建立在两个物理洞察之上振动信号可以分解为代表不同特征尺度的内在模态故障类别由”有哪些模态”决定而不是”各模态的幅值”如果作者不懂信号处理、不懂机械故障的物理机理很难想到在IMF层面做操作。这让我再次确认真正有价值的创新往往来自对问题本质的深刻理解而不是数学技巧的堆砌。7.2 “保持语义不变”比”引入多样性”更难在数据增强中引入多样性相对容易加噪声、做变换、生成随机样本方法很多。但保证增强后的样本和原始样本属于同一类别这个约束条件非常难满足。EMR的精妙之处在于它通过EMD分解把”语义信息”哪些模态存在和”可变性”各模态的幅值分离开来。只改变后者保持前者从而实现了”类别不变”的增强。这种”分离-操作-重组”的思路对其他类型的数据增强也有启发意义。7.3 简单方法有时比复杂方法更可靠GAN在理论上可以学习任意复杂的数据分布但在小样本、物理约束强的场景下它往往不如EMR这种”基于物理直觉的确定性方法”可靠。EMR的每一步都有明确的数学意义和物理意义结果可解释、可复现、可调试。这提醒我们工程问题追求的是可靠、可控、可解释而不是算法的新潮程度。7.4 这篇论文的写作也有值得学习之处问题驱动开篇就把液压泵故障诊断的重要性、数据不平衡的痛点讲清楚了动机充分不仅讲了”要平衡类别”还讲了”要增加多样性”和”要保持类别不变”三个动机对比全面和不用增强、降采样、过采样都做了对比还有统计检验分析深入平均结果、标准差、t-SNE可视化、损失曲线、超参数扫描多角度验证坦诚局限不回避EMD的模态混叠问题也不回避结果波动的原因八、总结这篇论文针对民用航空液压泵故障诊断中数据极度不平衡的难题提出了一种基于经验模态分解的数据增强方法EMR。核心思路是用EMD把振动信号分解为多个本征模态函数随机选择其中一个做幅值加权再重构信号并保持标准差一致。这样既引入了样本多样性又保证了增强样本和原始样本属于同一故障类别。在液压泵数据集上的实验表明EMRConvNet在F1、Precision、Recall三项指标上均优于无增强、降采样和过采样方法。特征可视化和损失曲线进一步验证了EMR的有效性。和后续的RWE方法相比EMR采用了不同的分解工具EMD vs 小波包分解但核心思想是一致的在保持频率/模态结构不变的前提下通过幅值调整引入多样性。两种方法殊途同归都体现了”基于物理直觉设计算法”这一研究范式在工程问题中的强大生命力。参考文献L. Meng, M. Zhao, Z. Cui, X. Zhang, and S. Zhong, “Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps,”Comput. Ind., vol. 135, p. 103557, 2022, doi: 10.1016/j.compind.2021.103557. 振动信号做数据增强，怎么保证“同类”不变？EMR：分解成模态再重构，故障诊断F1较高
做故障诊断的朋友应该都有同感给振动信号做数据增强最怕的就是“增强完类别变了”。图像里旋转一只猫还是猫但振动信号里随便改个频率分量故障特征可能就没了甚至凭空造出一个不存在的故障。读到一篇论文其中的精妙之处在于它用EMD把信号拆成“模态”然后只改某个模态的幅值不改“有哪些模态”——就像换了一套衣服但人还是那个人。这种“分离语义与可变性”的思路让我对数据增强有了全新的理解。以下是对原论文的解读希望对大家有所帮助。论文解读数据增强新思路——经验模态重构EMR论文信息标题Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps作者Linghui Meng, Minghang Zhao, Zhiquan Cui, Xingming Zhang, Shisheng Zhong期刊Computers in Industry年份2021DOI10.1016/j.compind.2021.103557一、我为什么想写这篇解读说实话这篇论文我读了两遍才真正理解它的精妙之处。第一遍看的时候觉得”这不就是对某个IMF加个随机权重再重构吗好像也没什么特别的。“但当我把这篇论文和同期其他数据增强方法放在一起比较时才意识到作者在处理一个很容易被忽视、却极其关键的问题。这个问题就是在振动信号上做数据增强怎么保证增强后的样本和原始样本属于同一个故障类别听起来像个废话问题增强后的样本当然应该和原始样本同类啊。但恰恰是这一点在振动信号领域特别难做到。图像里旋转一张”杯子”的照片人眼一看还是杯子但振动信号里你随便改一改某个频率分量的幅值故障特征可能就没了或者凭空”造”出一个原本不存在的故障特征。这两种情况都会让增强样本变成”带错标签的噪声”喂给模型训练效果反而更差。这篇论文的核心贡献就是提出了一种叫做”经验模态重构”EMR的方法在保持故障类别不变的前提下有效地扩充了训练数据。而且作者把这个方法用在了民用航空液压泵的故障诊断上这是一个工程价值极高、但数据极其稀缺的场景。下面我会尽量用直白的方式把这篇论文的来龙去脉讲清楚。二、这个研究要解决什么问题2.1 民用航空液压泵一个”不能坏”的关键部件如果你坐过民航客机飞机起落架的收放、舵面的操纵、刹车系统的制动全都依赖液压系统提供动力。而液压泵就是这个系统的”心脏”它把机械能转化为高压液压油的压力能驱动整个液压系统工作。这个部件的工作环境相当恶劣高温、高压、高转速还要承受频繁的启停和负载变化。长期运行下来磨损、腐蚀、疲劳、变形这些故障模式几乎不可避免。一旦液压泵在空中出故障轻则影响飞行操控重则直接威胁飞行安全。所以航空领域对液压泵的维护和故障诊断要求极高。最理想的情况是在故障还处于”萌芽”状态时就检测出来提前更换或维修避免在飞行中出问题。2.2 故障诊断的三条路和大多数旋转机械一样液压泵的故障诊断也走过了三条技术路线。第一条路物理模型方法就是建立液压泵的动力学模型从理论上分析各种故障模式下系统的响应特性。这条路的问题在于液压泵是机械-液压耦合的复杂系统内部同时存在旋转部件如斜盘、柱塞和往复运动部件振动激励源非常多。再加上工作介质液压油的流体动力学效应整个系统的物理过程极其复杂。到目前为止液压泵的退化机理和故障机制还没有被完全搞清楚。物理模型方法在理论上很美好但工程实践中很难落地。第二条路信号分析方法从采集到的振动信号中提取故障特征。比如用包络分析找轴承故障特征频率用倒频谱分析找齿轮啮合频率等等。这条路在轴承、齿轮等相对简单的旋转机械上取得了不少成功。但液压泵的振动信号比轴承、齿轮复杂得多。它的振动是多种激励源机械碰撞、流体脉动、气蚀等的混合体而且存在大量的幅值调制、频率调制和相位调制。更麻烦的是液压泵的早期故障信号非常微弱特征频率在频谱中往往不明显甚至被噪声完全淹没。信号分析方法高度依赖工程师的经验和专业知识换个工况、换台设备分析方法可能就要重新调整。这条路在工程现场的可移植性和可靠性都比较有限。第三条路机器学习方法特别是深度学习这是近年来最热门也最有前景的方向。基本思路是用历史监测数据训练一个分类模型让模型自己学习从振动信号到故障类别的映射关系不需要人工去分析特征频率。深度学习的优势很明显自动特征提取、端到端训练、不需要深厚的信号处理背景。但深度学习有一个致命的前提需要大量带标签的训练数据。2.3 核心矛盾数据极度不平衡这正是本文要解决的痛点。在液压泵的实际运行中健康状态是常态故障状态是偶发。一个机队可能有几百台液压泵在运行采集到的健康样本成千上万但故障样本可能只有寥寥数个。即使做故障模拟实验由于液压泵结构复杂、实验成本高也很难获得大量故障样本。论文中的实验设定非常典型健康类有400个训练样本而每个故障类只有4个训练样本。 imbalance ratio不平衡比达到了100:1。这种极度不平衡的数据会带来什么后果如果你训练一个深度学习模型它会发现只要把样本全部预测为”健康”就能达到400/404 ≈ 99% 的”准确率”。模型会倾向于走这条”捷径”——因为预测错误的代价在训练过程中被健康样本的绝对优势稀释了。结果就是模型对故障类完全”失明”所有故障样本都被漏检。这在航空领域是不可接受的。漏检一个故障可能意味着一次飞行事故。所以如何在小样本条件下训练出可靠的故障诊断模型是这篇论文要解决的核心问题。三、已有的方法为什么不够用面对数据不平衡最直接的想法就是”造数据”即数据增强。但这个方向在振动信号领域走得并不顺利。3.1 图像领域的数据增强很成熟但振动信号不适用在计算机视觉里数据增强已经是一门成熟的技术。一张图片旋转、平移、翻转、裁剪、调整亮度对比度……生成的新图片语义信息不变但像素分布变了。模型见过更多”变种”后泛化能力自然提升。但振动信号和图像有本质区别第一振动信号没有图像那样的”直观语义”。图像里一个杯子你旋转90度还是杯子人眼能直接判断。但振动信号是一维时间序列它的”语义”故障信息隐藏在复杂的频率结构和时域波形中不是肉眼能直接识别的。第二振动信号的故障特征非常脆弱。早期故障往往表现为某个特定频率分量的微小变化或者某个瞬态冲击脉冲。如果你像处理图像那样对信号做时域平移、翻转这些细微的故障特征可能被破坏如果你在频域做随机扰动又可能引入原本不存在的频率成分相当于”制造”了一个假故障。第三振动信号和物理系统强相关。一个振动信号不是任意的数字序列它必须对应某个物理系统的真实响应。你随便生成一个”看起来像振动信号”的序列可能在物理上根本不存在比如同时包含两个互斥的故障模式。3.2 简单的复制过采样不够最直接的”数据增强”就是不增强直接把少数类样本复制多份。这在机器学习中叫”过采样”Over-sampling。但过采样的问题在于它没有引入任何新信息。模型看到的只是同一批样本的重复学到的还是那一点点东西。在训练过程中模型很容易过拟合到这4个样本上记住它们的每一个细节包括噪声但泛化到新样本时表现很差。论文中的实验也验证了这一点过采样ConvNet的F1分数只有95.63%虽然比什么都不做强但提升有限。3.3 降采样下采样浪费信息另一个思路是”降采样”从多数类健康类中随机抽取和少数类一样多的样本让各类平衡。比如健康类也抽4个总共24个样本训练模型。但这样做的问题是你主动丢弃了396个健康样本的信息。深度学习模型本来就缺数据你还把大量的数据扔掉模型学到的健康类特征就不够充分。论文实验中降采样ConvNet的F1是94.96%比过采样还差。3.4 GAN生成数据想法很好落地困难生成对抗网络GAN是近年来数据增强的热门方向。思路是让生成器学习真实数据的分布然后采样生成新样本。但在振动信号领域GAN有两个难以克服的问题训练不稳定。GAN需要生成器和判别器达到纳什均衡实际训练中经常遇到模式崩溃mode collapse或梯度消失生成质量无法保证。在小样本场景下训练数据本身就不够GAN更难收敛。物理合理性无法保证。GAN生成的信号可能在统计上和真实信号相似但振动信号和机械结构、转速、负载等物理因素强相关。GAN可能生成一个在数学上”合理”但在物理上”不存在”的信号比如一个同时包含两种互斥故障特征的混合信号。这样的样本喂给模型相当于引入错误标签。3.5 SMOTE和ADASYN插值思路在信号空间不适用SMOTE和ADASYN是经典的过采样方法思路是在特征空间中对少数类样本做线性插值生成新样本。它们隐含一个假设在特征空间中同类样本之间的插值点也属于这一类。这个假设对于某些结构化数据如表格数据可能成立但对于原始振动信号问题很大振动信号的”距离”很难定义。两个振动信号在欧氏距离上可能很近但频率结构完全不同也可能欧氏距离很远但属于同一故障模式。简单的线性插值在原始信号空间缺乏物理意义。插值可能生成混合故障信号。比如一个轴承内圈故障信号和一个外圈故障信号做插值生成的新信号可能同时包含两种故障特征这在物理上是不存在的。论文虽然没有直接对比SMOTE和ADASYN但从原理上就能推断直接在原始振动信号空间做插值很难保证生成样本的类别一致性。四、本文的核心创新经验模态重构EMR4.1 一个关键的物理洞察作者抓住了振动信号的一个核心特性故障类别信息和信号的”内在模态”强相关。什么意思呢振动信号是多个振动源激励的叠加。从频域看不同故障对应不同的特征频率轴承故障有轴承故障频率齿轮故障有啮合频率液压泵有柱塞通过频率、轴频等。这些特征频率及其谐波、边频带构成了信号的”内在模态”intrinsic components。如果我们能保持这些内在模态的相对关系不变只改变某些模态的幅值那么信号的故障类别应该保持不变因为决定故障类型的是”有哪些频率成分”而不是”各频率成分的幅值是多少”。这个洞察和RWE论文中”故障信息与频率成分相关”的洞察本质上是相通的但EMR采用了不同的技术路线来实现。4.2 技术路线八步走EMR的完整流程可以概括为八个步骤比RWE更细致一些第一步零均值化原始振动信号的平均值可能不为零。先减去均值让信号围绕零轴对称。这一步是为了消除直流分量的影响让后续处理更规范。第二步计算原始信号的标准差标准差STD是振动信号最重要的统计特征之一它反映了信号的波动强度。在故障诊断中STD往往和故障严重程度相关。记录原始信号的STD后面要用。第三步经验模态分解EMD这是EMR的核心步骤。用EMD把信号分解成一系列”本征模态函数”Intrinsic Mode Functions, IMFs。EMD是黄锷等人1998年提出的一种自适应信号分解方法。它不需要预设基函数而是根据信号本身的局部特征极值点来分解。基本过程是找出信号的所有局部极大值和极小值用三次样条插值分别拟合上包络和下包络计算上下包络的平均值局部均值用原始信号减去局部均值得到新信号检查新信号是否满足IMF的两个条件极值点个数和过零点个数相等或最多差一个任意点处上下包络的均值为零如果不满足把新信号当作原始信号重复上述过程如果满足这就是一个IMF从原始信号中减去它对剩余信号重复上述过程最终一个信号被分解为若干个IMF和一个残余分量。每个IMF代表信号在某个特征尺度上的振荡模式通常IMF1包含最高频成分IMF2次之以此类推。论文中每个信号被分解为5个IMF。第四步随机选择并加权一个IMF从5个IMF中随机选择一个给它乘以一个随机权重。这个权重从一个预设范围中均匀随机选取论文中用的是[0.5, 2)。这一步是引入多样性的关键。乘以0.5相当于把该IMF的幅值减半乘以2相当于加倍。由于每次随机选择不同的IMF、不同的权重生成的样本各不相同。第五步信号重构把加权后的IMF和其余未改动的IMF相加重构出一个新的1维信号。第六步零均值化再次重构后的信号平均值可能不为零再次减去均值。第七步计算重构信号的标准差记录这个STD用于下一步的缩放。第八步标准差对齐这一步非常关键。用以下公式对重构信号做缩放其中是第六步得到的信号是最终的增强样本是原始信号的标准差是重构信号的标准差。这样做的目的是让增强样本和原始样本具有完全相同的标准差。4.3 这个设计精妙在哪里我梳理了三个觉得特别妙的地方第一在”模态层面”操作而不是在原始信号层面EMD把信号分解成了多个本征模态每个模态代表一种特征尺度的振荡。在模态层面做加权相当于对某个频率带做幅值调整而不是对整个信号做全局变换。这比直接在原始信号上加噪声或做线性变换精细得多你可以有针对性地改变某个频带的能量而不影响其他频带。第二标准差对齐保证了”物理相似性”论文特别强调STD是判断机械是否有故障的重要统计量。保持增强样本和原始样本的STD一致不仅仅是数值上的对齐更是保证了增强样本在”波动强度”这个关键物理属性上和原始样本一致。这避免了生成一个看起来”太平静”或”太剧烈”的不真实样本。第三随机性带来多样性但约束在合理范围内随机选择IMF和随机权重引入了多样性但有两个约束保证了不失真只改一个IMF其他IMF完全不变保持了大部分原始结构权重范围[0.5, 2)不算太大不会让某个模态完全消失或过度放大最终的标准差对齐把整体能量拉回到和原始样本一致。这些约束让EMR在”引入变化”和”保持真实性”之间取得了平衡。4.4 和过采样的本质区别过采样是”复制粘贴”模型看到的是完全相同的样本。EMR是”相似但不同”每个增强样本都保留了原始信号的核心模态结构但在某个模态的幅值上有所变化。这种”有意义的多样性”起到了正则化作用模型不能简单地记住几个样本而必须学习更鲁棒的特征表示。论文实验中EMRConvNet的测试损失明显低于过采样ConvNet图11说明泛化能力更强。五、实验做了哪些验证5.1 非常苛刻的数据设定实验用的是真实的民用航空液压泵振动数据采样频率10.24 kHz类别1个健康类H 5个故障类F1-F5每类总样本480个训练集健康类400个每个故障类仅4个测试集健康类80个每个故障类476个不平衡比100:15个故障类型分别是F1配油盘磨损F2缸体磨损F3进口压力降低0.3MPa的腐蚀故障F4出口压力20MPa的变形故障F5间隙0.1mm的疲劳故障这个设定非常贴近工程实际健康样本多故障样本极少而且故障类型多样。5.2 对比方法设置了四组对比实验方法说明ConvNet直接用原始不平衡数据训练不做任何增强DS ConvNet降采样健康类随机抽4个共24个样本US ConvNet过采样每个故障类复制100次共2400个样本EMR ConvNet本文方法每个故障类增强100次共2400个样本为了公平所有方法的ConvNet结构完全相同两个卷积层8个和16个滤波器核长3ReLU激活批归一化全局平均池化全连接层。学习率初始0.1每epoch乘0.96动量0.9L2正则化0.0001batch size 6。5.3 定量结果10次重复实验每次实验随机划分训练集和测试集结果表明EMRConvNet在三项指标上都是最优 而且EMRConvNet的标准差最小说明结果更稳定。作者还做了配对样本单侧t检验表3EMRConvNet显著优于其他方法p值远小于0.05。5.4 特征可视化t-SNE降维用t-SNE把GAP层的高维特征降到2D空间图10ConvNetF3和F4严重重叠F2和F5也混在一起DS ConvNetF1和F2严重重叠F4分布在两个不相连的区域US ConvNetF1样本分裂成两个 distant 区域部分F1被错分到F2EMR ConvNet各类别分布紧凑类间边界清晰没有明显错分可视化结果直观地说明EMR帮助ConvNet学到了更有判别性的特征表示。5.5 损失曲线训练和测试损失曲线图11显示所有方法的训练损失最终都趋近于0但测试损失差异明显EMRConvNet最低约0.05USConvNet约0.10DSConvNet约0.12ConvNet约0.15测试损失越低泛化能力越强。EMRConvNet的优势非常明显。5.6 超参数权重范围的影响权重范围是EMR的关键超参数。论文系统测试了多个范围这里有几个值得注意的发现[0.3, 3) 平均效果最好这说明EMR引入的多样性确实有效。范围太大或太小都不好[0.1, 10)范围太大虽然平均F1不错但个别trial可能生成过于失真的样本[0.8, 1.4)范围太小变化不够效果接近过采样[0.9, 1.2)几乎就是过采样了。最优范围因trial而异10次实验中[0.3, 3)有5次最优[0.5, 2)有2次最优其他范围各1次。这说明权重范围的选择和数据集特性、模型超参数都有关系需要联合优化。5.7 为什么结果会有波动作者坦诚地指出了一个重要现象EMRConvNet并不是每次实验都是第一10次中6次第一。波动的主要原因在于训练样本的随机性。每个故障类只有4个训练样本随机选出来的4个样本是否能代表该类故障的整体特征很大程度上决定了最终效果。如果这4个样本恰好是”离群点”和大多数测试样本差异很大那么即使EMR生成再多增强样本也难以弥补训练样本本身不具代表性的问题。这说明数据增强不能替代高质量的训练样本。如果原始训练样本质量差增强方法也无力回天。六、方法的局限和未来方向作者在结论部分也指出了一些局限我觉得这些反而指明了后续研究的方向EMD本身的局限EMD存在模态混叠mode mixing问题不同尺度的振荡可能混在同一个IMF中或者同一个尺度的振荡被拆分到多个IMF中。这会让IMF失去明确的物理意义。虽然论文中N5的设定在实验中是可行的但更先进的分解方法如集合经验模态分解EEMD、经验小波变换EWT可能带来更好的效果。权重范围的联合优化论文发现最优权重范围和数据集、模型都有关。未来可以把EMR的超参数和ConvNet的超参数放在统一框架下联合优化而不是分别调参。更复杂的网络结构论文用的是相对简单的两层ConvNet。如果把EMR和更深、更先进的网络结构如ResNet、注意力机制结合效果可能进一步提升。应用到其他设备EMR的思想不仅限于液压泵。任何具有”故障信息与内在模态相关”这一特性的振动信号都可以尝试用EMR做增强。论文提到可以推广到其他旋转机械、往复机械甚至声学信号、电流信号等。七、我的一些思考和收获7.1 领域知识是算法设计的灵魂EMR不是一个通用的数据增强方法它是专门为振动信号设计的。它的有效性建立在两个物理洞察之上振动信号可以分解为代表不同特征尺度的内在模态故障类别由”有哪些模态”决定而不是”各模态的幅值”如果作者不懂信号处理、不懂机械故障的物理机理很难想到在IMF层面做操作。这让我再次确认真正有价值的创新往往来自对问题本质的深刻理解而不是数学技巧的堆砌。7.2 “保持语义不变”比”引入多样性”更难在数据增强中引入多样性相对容易加噪声、做变换、生成随机样本方法很多。但保证增强后的样本和原始样本属于同一类别这个约束条件非常难满足。EMR的精妙之处在于它通过EMD分解把”语义信息”哪些模态存在和”可变性”各模态的幅值分离开来。只改变后者保持前者从而实现了”类别不变”的增强。这种”分离-操作-重组”的思路对其他类型的数据增强也有启发意义。7.3 简单方法有时比复杂方法更可靠GAN在理论上可以学习任意复杂的数据分布但在小样本、物理约束强的场景下它往往不如EMR这种”基于物理直觉的确定性方法”可靠。EMR的每一步都有明确的数学意义和物理意义结果可解释、可复现、可调试。这提醒我们工程问题追求的是可靠、可控、可解释而不是算法的新潮程度。7.4 这篇论文的写作也有值得学习之处问题驱动开篇就把液压泵故障诊断的重要性、数据不平衡的痛点讲清楚了动机充分不仅讲了”要平衡类别”还讲了”要增加多样性”和”要保持类别不变”三个动机对比全面和不用增强、降采样、过采样都做了对比还有统计检验分析深入平均结果、标准差、t-SNE可视化、损失曲线、超参数扫描多角度验证坦诚局限不回避EMD的模态混叠问题也不回避结果波动的原因八、总结这篇论文针对民用航空液压泵故障诊断中数据极度不平衡的难题提出了一种基于经验模态分解的数据增强方法EMR。核心思路是用EMD把振动信号分解为多个本征模态函数随机选择其中一个做幅值加权再重构信号并保持标准差一致。这样既引入了样本多样性又保证了增强样本和原始样本属于同一故障类别。在液压泵数据集上的实验表明EMRConvNet在F1、Precision、Recall三项指标上均优于无增强、降采样和过采样方法。特征可视化和损失曲线进一步验证了EMR的有效性。和后续的RWE方法相比EMR采用了不同的分解工具EMD vs 小波包分解但核心思想是一致的在保持频率/模态结构不变的前提下通过幅值调整引入多样性。两种方法殊途同归都体现了”基于物理直觉设计算法”这一研究范式在工程问题中的强大生命力。参考文献L. Meng, M. Zhao, Z. Cui, X. Zhang, and S. Zhong, “Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumps,”Comput. Ind., vol. 135, p. 103557, 2022, doi: 10.1016/j.compind.2021.103557.