深度残差收缩网络（Deep Residual Shrinkage Networks for Fault Diagnosis ）

摘要-本文开发了新的深度学习方法，即深度残余收缩网络，提高来自高噪声振动信号的特征学习能力，并实现较高的故障诊断准确性。软阈值作为非线性转换层插入到深层体系结构中，以消除不重要的特征。此外，考虑到通常为阈值设置适当的值具有挑战性，开发的深度残余收缩网络集成了一些专门的神经网络作为可训练的模块来自动确定阈值，因此不需要信号处理方面的专业知识。通过各种噪声的实验验证了所开发方法的有效性。

引言

深度残差网络 (ResNets) 是ConvNets的一个有吸引力的变体，它使用身份快捷方式来缓解参数优化的难度 [15]。在ResNets中，梯度不仅逐层向后传播，而且还通过身份快捷方式直接流回初始层 [16]。

当处理高噪声的振动信号时，ResNets的特征学习能力通常会降低。Resnet中用作本地特征提取器的卷积内核可能由于噪声的干扰而无法检测到与故障相关的特征。在这种情况下，在输出层学习的高级特征通常没有足够的区分性来正确分类故障。因此，有必要开发新的深度学习方法，用于在强背景噪声下基于振动的旋转机械故障诊断。

本文的贡献：

1. 软阈值 (即一种流行的收缩函数) 作为非线性转换层插入到深度架构中，以有效消除噪声相关特征
2. 使用专门设计的子网自适应地确定阈值，以便每个振动信号都可以具有自己的阈值集。
3. 软阈值中考虑了两种阈值，即信道共享阈值和信道方式阈值

方法

身份捷径是使ResNet优于一般ConvNets的部分。交叉熵误差的梯度在通用ConvNet中逐层向后传播。通过使用身份快捷方式，梯度可