机智的E君1. 机械系统故障诊断中的类别不平衡问题
在工业机械系统的运行维护中，故障诊断一直是个关键挑战。以航空液压泵为例，这类设备在飞机起降和飞行过程中承担着输送高压液压油的重要任务，一旦发生故障可能造成严重后果。然而在实际监测中，我们获取的故障样本数量往往远少于正常样本——可能只有正常样本的1/80甚至更少。这种极端不平衡的数据分布给传统数据驱动方法带来了巨大挑战。
想象一下，如果我们用这样的数据集训练一个分类器，模型很可能会简单地"偷懒"：把所有样本都预测为正常类别，这样在训练集上就能获得很高的准确率（比如98%），但对实际故障的识别率却可能是0%。这就是典型的"类别不平衡问题"。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 现有解决方案的局限性
目前处理类别不平衡的常见方法主要有三类：
- 下采样：减少多数类样本数量
- 过采样：简单复制少数类样本
- 代价敏感学习：给不同类别分配不同权重
但这些方法各有缺陷。下采样会丢失大量有用信息；简单过采样容易导致过拟合；代价敏感学习则需要复杂的参数调整。更重要的是，这些方法都未能从根本上解决样本多样性不足的问题。
3. 小波包畸变：一种创新的数据增广方法
3.1 小波包变换基础
小波包变换是传统小波变换的扩展，它能够对信号进行更精细的时频分解。具体来说：
- 传统小波变换只对低频部分继续分解
- 小波包变换则同时对高频和低频部分进行分解
- 最终得到的是完整的二叉树结构，每个节点都对应一个特定频带
这种特性使其特别适合分析机械振动信号，因为不同故障往往会在不同频带上留下特征。
3.2 畸变操作的核心思想
本文提出的创新点在于对小波系数进行有控制的畸变：
- 随机选择部分小波包节点
- 对这些节点的小波系数进行非线性变换
- 保持信号的整体能量特性不变
具体实现上，采用如下畸变公式：
$$
\tilde{\omega} = \operatorname{sign}(\omega) \cdot \operatorname{abs}(\omega)^d
$$
其中d是从预设范围（如[0.8,1.2)）随机选取的畸变系数。当d=1时，信号保持不变；d偏离1越多，畸变程度越大。
关键技巧：保持重构信号的标准差与原始信号一致，确保故障特征的能量特性不被破坏。
4. 结合CNN的完整诊断流程
4.1 网络架构设计
本文采用的CNN结构经过精心设计，兼顾了性能和效率：
- 输入层：原始振动信号（经过必要的预处理）
- 卷积层：两层卷积，分别使用8和16个滤波器
- BN层：批量归一化加速训练
- 激活函数：ReLU提供非线性
- 池化层：全局平均池化减少参数量
- 输出层：Softmax分类
4.2 训练策略创新
为避免过拟合，采用了独特的渐进式训练策略：
- 初始训练集：少量原始样本
- 每轮训练后：
- 评估模型性能
- 动态调整畸变程度
- 生成新的增广样本
- 终止条件：
- 达到最大迭代次数(200轮)
- 或训练准确率达到100%
这种策略既保证了样本多样性，又防止了过拟合。
5. 实验验证与结果分析
5.1 数据集说明
实验使用航空液压泵的振动数据，包含：
- 1种正常状态
- 5种故障状态
- 训练集：正常400样本，每类故障仅5样本
- 测试集：正常80样本，每类故障475样本
这种80:1的极端不平衡比例很好地模拟了实际场景。
5.2 性能对比
与基线方法相比，本文方法展现出明显优势：
| 方法 | 平均F1分数 | 训练时间 |
|---|---|---|
| 原始CNN | 82.3% | 30轮 |
| 下采样+CNN | 85.5% | 30轮 |
| 过采样+CNN | 89.0% | 5轮 |
| 本文方法 | 90.5% | 5轮 |
特别值得注意的是，本文方法不仅准确率最高，训练效率也显著提升。
5.3 特征可视化分析
通过t-SNE降维可视化特征空间，可以直观看到：
- 原始CNN方法中多个故障类别严重重叠
- 本文方法各类别分离更加清晰
- 特别是原先难以区分的F1和F2类别，现在有了明显界限
这验证了小波包畸变确实帮助模型学习到了更具判别性的特征。
6. 实际应用建议
基于研究结果，给工程实践者的建议：
-
畸变系数选择：
- 初始范围建议[0.8,1.2)
- 可根据验证集表现微调
- 范围过大会增加模型复杂度需求
-
小波函数选择：
- 默认使用DB4小波
- 对特定设备可尝试其他小波族
- 建议进行小波选择实验
-
计算资源考量：
- 该方法在普通GPU上即可运行
- 单次训练约40秒
- 适合在线监测系统部署
7. 技术延伸与展望
这项技术的潜力不仅限于机械故障诊断：
- 其他旋转机械：如风力发电机、燃气轮机等
- 其他信号类型：电流信号、声发射信号等
- 其他领域：医疗诊断、金融欺诈检测等不平衡分类问题
未来研究方向包括：
- 自适应畸变范围确定
- 结合注意力机制的改进网络
- 在线增量学习版本开发
我在实际应用中发现，保持增广样本的物理合理性是关键。过于激进的畸变虽然增加了样本多样性，但可能生成不符合物理规律的"虚假"样本，反而会降低模型性能。建议工程师在使用时，先通过领域知识验证增广样本的合理性，再大规模应用。