在机械系统状态监测中实测故障样本数量往往远少于正常样本容易导致分类模型偏向多数类而出现误诊。针对这一问题论文《Highly imbalanced fault diagnosis of mechanical systems based on wavelet packet distortion and convolutional neural networks》提出了一种结合小波包畸变数据增强与卷积神经网络的诊断方案。该方法的核心思路是在训练前通过扰动时频域的小波包系数来合成少数类故障样本构建类别平衡的训练集。小波包畸变过程由正变换分解、系数非线性畸变与逆变换重构三部分组成。原始振动信号首先通过小波包变换分解为多个子带系数然后算法随机选取其中一个子带节点并在预设范围内抽取畸变系数对该节点系数执行保持符号不变的幂律非线性运算。这种变换在改变波形数值的同时保留了原始信号的主要频率成分最后经逆小波包变换重构出时域信号并将重构信号的标准差校正至与原样本一致以此完成样本扩充。分类阶段采用一维卷积神经网络完成特征提取与状态判定。网络主体由卷积层、批归一化层、非线性激活函数、全局平均池化以及全连接输出层组成。卷积操作借助局部感受野和权值共享降低模型参数量批归一化用于稳定中间特征分布以加快优化速度全局平均池化直接计算各个特征通道的均值压缩特征维度的同时省去了复杂的全连接隐藏层有助于约束网络容量。在整体训练策略上该方法引入了动态重新采样的机制。初始阶段将有限的故障样本扩增至与健康样本等量输入网络执行单轮训练。为了避免网络在训练过程中反复拟合同一批生成样本而产生过拟合每个训练轮次结束后均重新执行一次小波包畸变生成全新的故障样本替换上一轮数据交替迭代直至训练误差完全收敛或达到设定的最大迭代轮次。在实际参数设定与应用部署中主要配置项包括小波基函数、分解层数以及畸变系数的取值区间其中系数区间直接决定了增强样本的多样性程度。完成交替迭代训练后卷积神经网络的权重参数即被固化并用于待测信号的推理分类整个过程直接基于时域振动序列展开计算不依赖人工提取时频统计特征。参考文献Highly imbalanced fault diagnosis of mechanical systems based on wavelet packet distortion and convolutional neural networks[J]. Advanced Engineering Informatics, 2022, 51: 101535.https://www.sciencedirect.com/science/article/abs/pii/S1474034622000118