深度渐进收缩学习：双重收缩机制，强力拉开复合故障！

高端机械装备的状态监测中，复合故障往往是多个单一故障的并发与耦合，导致其在传统特征空间中与单一故障存在严重的交叠。与此同时，强烈的背景噪声会进一步扩散特征分布，加剧类内离散度，使得常规深度学习方法难以精确区分复合故障及其关联单故障。针对这一工业界长期面临的难题，发表于期刊《Measurement》的学术论文《Mechanical compound fault diagnosis via suppressing intra-class dispersions: A deep progressive shrinkage perspective》提出了一种深度渐进收缩学习（Deep Progressive Shrinkage Learning, DPSL）方法，致力于从抑制类内离散度的角度解决特征重叠问题。

DPSL的核心思想建立在“收缩”这一视角之上，构建了由浅入深的多层判别特征学习体系。该方法主要由两大部分协同构成：

一是在特征提取阶段构建的特征级收缩模块，用于消除噪声相关的无关特征并收敛受噪声扩散的分布；

二是在特征输出端构建的决策级收缩模块，用于约束同类特征向类别中心聚集。

通过特征级与决策级的双重收缩协同优化，模型有望在消除噪声干扰的同时大幅压缩类内离散度，从而强行拉开复合故障与各单一故障之间的决策边界。

在特征级收缩模块中，网络引入了残差收缩构建单元（RSBU），将软阈值化作为非线性变换层嵌入到残差结构中。为了避免传统信号处理中人工设定阈值的局限，RSBU通过结合全局平均池化与全连接层的通道注意力子网络，根据各个输入样本的噪声含量自适应生成各个通道的收缩阈值。通过将接近于零的噪声相关特征置零、保留并平移显著特征，特征级收缩模块在多层特征提取过程中逐步剥离无用干扰信息，使有效故障特征得以凸显。

在决策级收缩模块中，模型将经典的交叉熵损失与中心损失（Center Loss）进行联合。交叉熵损失侧重于拉大不同类别之间的样本距离，而中心损失则通过计算小批量样本特征与其对应类别中心之间的欧几里得距离，对偏离中心的样本施加高额惩罚，并随着训练迭代动态更新各个类别的特征中心。通过引入平衡系数对两者进行联合监督，决策级收缩模块强制拉近深层特征到类别中心的距离，有效抑制类内离散度，在一定程度上避免了传统分类策略中复合故障与关联单故障混杂的情况。

从整体网络结构来看，DPSL以一维卷积层和堆叠的RSBU模块为基础骨干网络，并在其后接入全局平均池化层与全连接层。全局平均池化层的输出一方面用于计算中心损失以驱动特征收缩，另一方面输入全连接层生成分类概率以计算交叉熵损失。两项损失在反向传播过程中端到端协同优化网络权重与收缩阈值，使特征级的自适应降噪与决策级的类内紧致化形成互补，实现了从特征表征到分类决策的渐进式收缩学习。

在具体的诊断实施流程中，设备采集到的原始一维振动信号首先划分为训练集与测试集，然后输入搭建好的DPSL网络。在训练阶段，特征级收缩模块逐步完成特征域的自适应滤波与变换，决策级模块则利用随机梯度下降算法联合最小化总损失并更新网络参数与类别中心。

待网络迭代收敛后，即可直接将测试信号输入模型，端到端完成从时域原始数据到齿轮、轴承单一故障及多部位复合故障等健康状态的分类判别。

来源文献：

Mechanical compound fault diagnosis via suppressing intra-class dispersions: A deep progressive shrinkage perspective（基于类内离散性抑制的机械复合故障诊断：一种深度渐进收缩的视角）[J]. Measurement, 2022, 199: 111433.

https://www.sciencedirect.com/science/article/pii/S0263224122006637