一、复合故障特征重叠的成因
在高端机械装备的健康监测领域，发表于《Measurement》的论文《Mechanical compound fault diagnosis via suppressing intra-class dispersions: A deep progressive shrinkage perspective》针对强噪声环境下的复合故障诊断问题展开了深入探讨。
复合故障本质上是多个单一故障的并发状态，其振动信号必然耦合了各单一故障的特征信息。在传统特征空间中，复合故障与相关单一故障之间往往存在严重的特征重叠，加之实际工况中电磁、气动及机械等强背景噪声的干扰，使得故障特征分布进一步扩散，加剧了分类识别的难度。
从特征分布机理来看，样本重叠与类内发散度密切相关。强背景噪声会使原本聚集的类内样本向外扩散，导致特征分布范围扩大，而复合故障与单一故障之间固有的高相似度又限制了类间距离。
传统的深度学习分类方法通常采用交叉熵损失函数进行监督训练，其侧重于增大类间差异并惩罚误分类样本，但对于非平稳工况和噪声引起的类内样本发散缺乏足够的约束能力，难以从根本上分离重叠的特征区域。
二、特征级自适应软阈值收缩机制
为了消除噪声对特征分布的扩散影响，该研究构建了基于残差收缩网络单元的特征级收缩模块。该模块将深度残差学习与软阈值化非线性变换相融合。
在理想状态下，原始一维振动信号通过卷积层映射到特征空间，其中与噪声相关的特征幅值被映射到接近零的区间，然后通过软阈值函数将落在阈值范围内的特征置零，其余特征向零收缩，从而在特征学习阶段逐步剔除噪声相关分量。
针对不同样本噪声水平各异、固定阈值难以普适的问题，特征级收缩模块引入了基于通道注意力机制的自适应阈值学习子网络。
该子网络通过对特征图进行全局平均池化以获取全局特征向量，经由全连接层、批归一化与激活函数处理后，利用Sigmoid函数生成归一化尺度参数。
该参数与特征图绝对值的通道均值相乘，即可为不同通道自适应计算独立的软阈值，实现了根据输入信号噪声含量动态调整滤波强度的目的。
三、决策级收缩
在决策输出端，该方法设计了融合交叉熵损失与中心损失的决策级收缩模块。交叉熵损失用于计算分类预测概率与真实标签之间的误差，而中心损失则用于度量样本特征与其所属类别中心之间的欧氏距离。
通过对偏离类中心的样本施加惩罚，决策级收缩模块能够将同类样本特征向其类别中心紧密拉拢。为了保证计算效率，各类别特征中心在每个小批量迭代训练过程中依据样本梯度进行实时更新。
深度渐进收缩学习（DPSL）的整体架构由浅层卷积层、多个级联的残差收缩构建单元、全局平均池化层及全连接层依次连接构成。
特征级收缩模块在多层特征提取过程中逐步过滤无关噪声，全局平均池化层输出的特征向量则直接用于计算中心损失，全连接层输出用于计算交叉熵损失。
两项损失通过平衡系数加权组合，在反向传播中联合优化网络权重与类别中心参数，形成了从特征表征到分类决策的递进式类内收缩机制。
来源文献：
Mechanical compound fault diagnosis via suppressing intra-class dispersions: A deep progressive shrinkage perspectiveJ. Measurement, 2022, 199: 111433.
https://www.sciencedirect.com/science/article/pii/S0263224122006637