企业官网建设流程全解析

在现代工业中，旋转机械在恶劣环境下长期运行容易发生各种机械故障。传统的故障诊断方法过度依赖人工提取特征，而深度学习的发展为自动特征学习提供了新的方向。然而，强背景噪声往往会掩盖微弱的早期故障信号，导致传统深度模型诊断准确率下降。

为此，发表于《IEEE Transactions on Industrial Informatics》的研究提出了名为“Deep Residual Shrinkage Networks for Fault Diagnosis”（用于故障诊断的深度残差收缩网络，简称DRSN）的模型。该网络通过在深度残差网络中引入软阈值机制作为非线性收缩层，致力于从高噪声振动信号中有效滤除干扰特征，提升特征的判别力。

强烈的噪声干扰是制约机械故障诊断准确率的核心瓶颈之一。

• 虽然经典的深度残差网络通过恒等路径缓解了深度模型训练中的梯度消失问题，但在面对强噪声振动信号时，卷积核作为局部特征提取器容易学到大量与噪声相关的无用特征，从而影响最终分类器的判断。
• 传统的信号降噪方法（如小波降噪）需要专家手动设计滤波器并人为设定阈值，不仅耗时耗力，而且泛化能力不足。深度残差收缩网络正是为了解决这一痛点而设计的，它能够借助神经网络的自主优化能力，在模型内部自动学习并调整降噪所需的关键参数。

作为该研究提出的第一种变体，通道共享阈值的深度残差收缩网络（DRSN-CS）通过特定的子网络实现阈值的自适应计算。其技术步骤主要包括：

• 首先，获取残差块内输入特征图的绝对值，并通过全局均值池化将其转化为一个一维向量。
• 接着，将该向量输入一个双层全连接网络中进行特征组合，并在最后一层应用Sigmoid激活函数，将输出约束在零到一之间作为缩放系数。
• 然后，计算输入特征图绝对值的平均值。
• 最后，将这个平均值与前面得到的缩放系数相乘，从而自适应地确定用于软阈值的正阈值。

通过该阈值对特征图进行软阈值化处理，将低于阈值的特征置为零，同时保留并收缩大于阈值的特征，从而达到去除噪声特征的目的。

考虑到特征图的不同通道通常代表不同的物理特征，且它们所包含的噪声水平也各不相同，研究进一步设计了通道宽阈值的深度残差收缩网络（DRSN-CW）。

在DRSN-CW的构建模块中，技术步骤进行了精细化升级。特征图在经过绝对值化和全局均值池化后，同样被送入双层全连接网络，但此时全连接网络的第二层神经元个数被设定为与特征图的通道数一致。这意味着，子网络会输出一组长度与通道数相同的缩放系数，并通过Sigmoid函数缩放到零到一的区间。然后，这些系数分别与对应通道的特征绝对值平均值相乘，从而为每一个特征通道量身定制一个独立的软阈值。这种通道级的个性化收缩机制，使模型在保留有用信号和抑制特定通道噪声时具备了更高的灵活性。

总的来看，深度残差收缩网络为高噪声环境下的工业装备故障诊断提供了一种通用的深度学习解决方案。该方法不仅消除了传统信号处理中对专家经验和人工设定降噪参数的依赖，还展现出了在处理非平稳、多噪声源干扰下的良好鲁棒性。不仅如此，除了振动信号，这种结合软阈值与注意力机制的设计思想同样可以推广到声学、电流、图像等其他易受噪声干扰的工业数据处理任务中。

参考文献：

Deep residual shrinkage networks for fault diagnosis. IEEE Transactions on Industrial Informatics, 2020, 16(7), pp.4681-4690.

https://ieeexplore.ieee.org/document/8850096