高效对抗噪声！基于深度残差收缩网络（DRSN）的轴承故障诊断模型

本期基于凯斯西储大学（CWRU）轴承数据集，结合深度残差收缩网络（Deep Residual Shrinkage Networks, DRSN）进行轴承故障分类研究。通过引入残差收缩模块，有效抑制噪声和无关信息，提升模型对关键特征的敏感性。基于PyTorch框架，实现了一种1D卷积DRSN模型，评估了其对CWRU数据集不同故障的分类性能。实验结果表明，所提模型在准确率、鲁棒性均优于普通残差网络，验证了深度残差收缩机制在轴承故障诊断中的有效性。

● 数据集：凯斯西储大学（CWRU）轴承数据集

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 准确率：测试集100%

● 使用对象：初学者、论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

1 深度残差收缩网络（DRSN）络简介

1.1 模型简介

当面对大量高噪声振动信号时，ResNet的学习能力会有所下降。因为ResNet使用卷积核作为局部特征提取器，由于噪声的干扰，有可能无法检测到故障相关的特征，进而输出层学习到的高层次特征判别力较差，不足以实现故障的准确分类。因此，针对强背景噪声下的旋转电机基于振动的故障诊断，提出一种新的深度学习方法是必要的。

DRSN由残差网络基础上添加收缩模块组成。收缩模块类似注意力机制，通过门控结构控制特征通道的激活程度，自动"软阈值"处理信号，压制无效信息。该结构特别适合含噪声和干扰的机械振动信号，能提升关键故障特征的表征能力。

（1）DRSN-CS

DRSN-CS是ResNet网络的一个变种，使用软阈值化来消除噪声相关的特征。软阈值化作为一个非线性转换层被插入结构单元中。同时，该阈值可以在结构单元中学习得到。该结构单元命名为（RSBU-CS，即Residual shrinkage building unit）。不同于RBU（Residual building unit，ResNet网络中的基本单元），RSBU-CS有一个特殊的模块用于估计阈值。在该模块中，GAP被用于特征图x的绝对值中，来得到一维向量。随后，该一维向量会传入两层全连接层来获得尺度参数。在两层全连接层后会使用一个sigmoid函数，此时尺度参数会被转换为（0，1）中的某个值。该尺度参数随后会与特征图|x|的平均值相乘来得到阈值。这一步是考虑到阈值不仅需要是正数，而且不能太大，否则软阈值化后的特征将全为0.RSBU-CS和DRSN-CS的网络结构如下图所示：

（2）DRSN-CW

DRSN-CW是ResNet的另一个变种，DRSN-CS将一个阈值应用到了全部通道，而DRSN-CW为每一个通道都设置了一个阈值。特征图x被GAP降维成了一个一维向量，随后输入两个全连接层。第二个全连接层输出的神经元数量为输入特征图通道的数量，随后每一个神经元都进行sigmoid化。最后特定通道的尺度值与输入特征图的特定通道平均值相乘，得到每一个通道的阈值。该结构如下所示：