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。