【论文解读】基于深度残差收缩网络的机械故障诊断方法

在旋转机械工作过程中，振动信号常伴随强烈的背景噪声，微弱的早期故障特征容易被干扰成分掩盖，影响特征提取的判别力。为此，发表于 IEEE Transactions on Industrial Informatics 的论文《Deep Residual Shrinkage Networks for Fault Diagnosis》提出了一种深度残差收缩网络（DRSN）。该方法将信号去噪领域常用的软阈值化作为非线性变换层嵌入到深度残差网络中，并设计了可自适应确定阈值的子网络模块，实现了在特征学习过程中自动消除与噪声相关的无关特征。

软阈值化是该网络的核心环节。不同于直接将所有负值置零的常见激活函数，软阈值化将处于正负阈值区间内的近零特征置零，并对超出区间的特征向零平移，从而保留了有用的正负特征并去除了幅值较小的不重要特征。由于软阈值化关于输入的导数仅为一或零，在反向传播过程中不会造成梯度爆炸或消失，能够与残差网络的恒等映射配合，保持深层网络训练的稳定性。

图1 软阈值化非线性变换及其导数示意图

为了避免人工设置阈值对专业信号处理经验的依赖，网络通过内置轻量化子网络来自动预测阈值。在通道共享残差收缩单元（RSBU-CS）中，网络先对特征图取绝对值并通过全局平均池化压缩为向量，接着传入两层全连接网络，经由非线性变换生成归一化的缩放系数，最后将该系数乘以特征图绝对值的平均值作为该单元的阈值。这种设计确保了阈值始终为正，且大小被限制在合理区间内，避免了特征被全部置零的情况。

图2 深度残差收缩网络的基本构建单元与整体架构图：(a) 通道共享残差收缩单元（RSBU-CS），(b) 通道共享深度残差收缩网络架构（DRSN-CS），(c) 通道级残差收缩单元（RSBU-CW），(d) 通道级深度残差收缩网络架构（DRSN-CW）

考虑到特征图中各个通道所包含的有效信息与噪声程度不同，论文进一步给出了通道级残差收缩单元（RSBU-CW）。在该结构中，子网络输出层的神经元数量与特征图通道数一致，能够针对每一个通道分别输出对应的缩放系数和收缩阈值。这种逐通道的独立阈值机制相比通道共享策略更为灵活，能够针对各通道的特征分布实现差异化的噪声抑制。

深度残差收缩网络将传统信号滤波中的软阈值化方法与深度残差学习的端到端优化框架相结合，通过模块化设计实现了阈值的自动估计与不重要特征的逐层衰减。除了旋转机械的振动数据分析，这种将领域物理降噪机制融入神经网络层设计的思路，也可推广应用至声学、电流等其他含噪时序信号的模式分类任务中。

参考文献：

Deep residual shrinkage networks for fault diagnosis[J]. IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020.

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