面对强噪声环境的旋转机械故障诊断：深度残差收缩网络（DRSN）的技术解析

在工业生产中，旋转机械如齿轮箱和轴承等部件长期运行在恶劣的环境下，其振动信号往往夹杂着大量的背景噪声。传统的信号分析和深度学习方法在面对强噪声干扰时，特征提取能力往往会显著下降，导致故障诊断精度受限。为了应对这一挑战，学术界提出了一种新型的深度学习架构。发表在《IEEE Transactions on Industrial Informatics》上的论文 "Deep Residual Shrinkage Networks for Fault Diagnosis" 设计了深度残差收缩网络（Deep Residual Shrinkage Networks, DRSN），将经典的信号去噪算法与现代深度学习模型相结合，为高噪声环境下的智能故障诊断提供了一种新的技术方案。

深度残差收缩网络（DRSN）的核心是对经典深度残差网络（ResNet）的改进。在传统的残差网络中，虽然残差路径和恒等快捷连接有效缓解了梯度消失的问题，使得网络可以训练得更深，但当面临强噪声信号时，普通的卷积核难以在空间和通道层面上自主区分有用特征与噪声干扰。为此，DRSN引入了信号处理中经典的软阈值化方法。软阈值化是一种常用的收缩函数，它通过将绝对值小于某一特定阈值的特征置为零，同时将大于该阈值的特征向零收缩，从而达到过滤噪声、保留关键故障特征的目的。

在实际应用中，如何确定合理的软阈值一直是个棘手的难题。如果阈值设置得过低，去噪效果不明显；而如果阈值设置得过高，则容易把有用的故障特征也一并过滤掉，导致诊断失效。DRSN的精妙之处在于它无需人工根据专家经验去手动调节这个阈值。该网络在残差构建块内部巧妙地嵌入了一个小型全连接网络作为专门的参数学习模块。该子网络能够根据输入信号的实时状态，通过全局平均池化和非线性变换，自适应地为每一组输入信号计算出最匹配的收缩阈值，从而实现了阈值的自动化和智能化学习。

论文中设计了两种不同阈值尺度的深度残差收缩网络，第一种是具有通道共享阈值的深度残差收缩网络（DRSN-CS）。在DRSN-CS的内部构建模块（RSBU-CS）中，网络对输入特征图的绝对值取平均值，并结合子网络生成的缩放系数，为当前模块的所有特征通道计算出一个通用的、共享的软阈值。这种设计在保证阈值能够根据输入信号实时调整的同时，控制了网络的参数量和计算复杂度，使得模型在滤除共性噪声特征的过程中展现出了较好的稳定性和效率。

考虑到在多通道特征图中，不同的通道往往承载着不同物理意义或不同频段的信息，噪声在各个通道中的分布也存在差异，论文进一步提出了具有通道分立阈值的深度残差收缩网络（DRSN-CW）。在DRSN-CW的构建模块（RSBU-CW）中，子网络的输出层拥有与特征通道数相同的神经元，这意味着每个特征通道都可以自适应地获得一个专属的软阈值。这种通道级的精细化收缩机制赋予了网络较高的灵活性，使得模型能够针对不同通道中的噪声干扰进行定制化消除，从而在更复杂的噪声环境下更有效地保留判别性特征。

为了验证所提方法的有效性，研究团队利用传动系统综合故障诊断模拟平台收集了不同工况下的轴承和齿轮振动数据，并人工加入了多种不同强度的背景噪声进行测试。实验结果表明，DRSN-CS和DRSN-CW在不同信噪比和噪声类型下均展现出了较为稳定的分类表现，其学习到的高维特征在降维可视化中也表现出较高的类间可分性。这一研究不仅展示了将经典信号处理理论融入深度学习架构的潜力，也为高噪声工业环境下的机械设备健康监测提供了具有参考价值的实践思路。

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.