在民航液压泵等关键工业装备的智能故障诊断任务中，实际采集到的故障样本往往远少于正常样本，容易导致深度学习模型在训练时对少数类失效。这篇发表在期刊《Computers in Industry》上的论文"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（Empirical Mode Reconstruction, EMR）的工业时序数据扩增方法。该方法直接面向一维振动信号，致力于解决类别严重不平衡背景下少数类样本特征多样性不足的问题。
与传统缺失值填补或简单复制样本的过采样方法不同，工业振动信号具有复杂的调制特性和严苛的类别敏感性。常规的插值与填补方法主要用于补全断流数据，无法创造新的有效故障特征；而机械性复制样本则无法扩展分布边界，极易引发过拟合。经验模态重构的核心思想在于"本征保真与受控扰动"，它在增强样本多样性的同时，在一定程度上约束扩增样本保留原始信号的内在动力学本征成分，避免因扰动过大导致类别标签失真。
该方法首先借助经验模态分解算法将一维振动序列拆解为若干阶本征模态函数。通过这种自适应分解手段，原始信号中由不同振动源产生的局部冲击分量与稳态趋势被有效解耦至不同的频带模态中。这种分解尽量保留了时序信号的物理振动结构，使算法在一定程度上避开全局盲目加噪，转而在特定的局部模态分量上施加受控变换。
具体的重构流程包含模态微调与统计量校准两个核心环节。系统在分解得到的各阶本征模态函数中随机选取一个分量，根据预设范围内的随机权重对其进行幅值线性缩放，然后将其与其余未修改的分量直接线性叠加重构成新的一维时序信号。重构后，新信号会执行零均值化处理，并通过校准系数将其标准差严格调整为与原始输入样本完全一致，从而在保留特征多样性的同时，消除了无关能量漂移对分类模型的负面干扰。
在模型训练阶段，该方案采用了"轮次动态扩增与早停"的协同机制。与一次性生成并固定扩增数据集的离线做法不同，该框架在训练网络的每个轮次中都会对少数类样本重新执行随机重构，使输入网络的时序波形处于动态变化之中，有效抑制了深度模型对固定噪声的记忆效应。同时，该机制仅对故障样本实施按需扩增以实现各类别的数量均衡，保证了分类器能够在更加合理的决策边界上完成参数收敛。
经验模态重构方法为工业时序数据在小样本与类别不平衡条件下的扩充提供了可解释性较强且易于实现的技术路径。除了航空液压泵的振动监测外，该方法的基本框架同样适用于各类旋转与往复机械装备的声学、电流等多源一维监测信号，能够与各类深度学习架构解耦并协同使用。
来源文献：
Empirical mode reconstruction: Preserving intrinsic components in data augmentation for intelligent fault diagnosis of civil aviation hydraulic pumpsJ. Computers in Industry, 2022, 134: 103557.
https://www.sciencedirect.com/science/article/pii/S0166361521001640