液压泵故障诊断：半监督学习与小样本数据增强实践

1. 项目背景与核心挑战

液压泵作为工业设备中的关键动力元件，其运行状态直接影响整个系统的可靠性。传统故障诊断方法通常面临两个技术瓶颈：一是需要大量标注样本进行模型训练，而实际工业场景中故障样本获取成本极高；二是不同工况下的故障特征存在显著差异，导致模型泛化能力不足。

我在某重型机械制造企业的实地调研中发现，其液压系统平均每运行2000小时才会出现1-2次可记录的故障案例。这种小样本场景下，常规深度学习方法的分类准确率往往低于65%，且存在严重的过拟合现象。产线工程师最常反馈的问题是："模型在测试集表现很好，但遇到新设备或新工况就完全失效"。

2. 技术方案设计思路

2.1 半监督学习框架选型

采用Mean Teacher模型作为基础架构，其核心优势在于：

1. 通过教师-学生模型的双网络结构，能有效利用未标注数据（占实际工业数据的80%以上）
2. 一致性正则化约束使模型对输入扰动保持稳定，特别适合存在噪声的工业振动信号
3. 指数移动平均(EMA)更新策略平滑参数变化，避免小样本场景下的训练震荡

具体实现时，对标准框架做了三点改进：

• 引入动态权重调整机制，在训练后期逐步降低无监督损失权重
• 采用谱聚类预处理未标注数据，增强特征空间的可分性
• 添加通道注意力模块，提升对故障敏感频带的特征提取能力

2.2 小样本数据处理策略

针对液压泵故障诊断中的样本稀缺问题，我们开发了混合数据增强方案：

振动信号增强方法：

1. 时域增强：

   • 随机时间扭曲（最大伸缩比0.2）
   • 局部窗口抖动（窗口大小5%信号长度）
   • 高斯噪声注入（SNR≥30dB）

2. 频域增强：

   • 选择性频带衰减（保留关键故障特征频段）
   • 谐波分量合成（基于故障特征频率）

3. 特征空间增强：

   • 使用GAN生成对抗样本（需配合鉴别器损失约束）
   • 基于原型网络的特征混合（mixup系数α=0.3）

特别注意：增强后的样本必须通过领域专家验证，避免引入物理不可行的虚假特征

3. 关键技术实现细节

3.1 多模态特征融合网络

设计了一种层级特征提取架构：

code复制原始振动信号
↓ [1D-CNN层] kernel_size=64, stride=8
时域局部特征
↓