根据《噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断》，针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题，有学者提出了一种基于二维特征图和深度残差收缩网络（TM-DRSN）的故障诊断方法。
深度残差收缩网络的齿轮箱故障诊断根据采集到的齿轮箱振动信号，基于重叠采样方法获取故障数据样本，并分为训练集和测试集；基于横向插样法将一维数据样本构建成便于深度残差收缩网络输入的二维特征图，在深度残差收缩网络输入层构建宽卷积核层作为第一特征提取层；将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层；叠加多个残差收缩模块得到深度残差收缩网络模型；将构建的深度残差收缩网络用于噪声环境下的轴承故障诊断试验。
基于二维特征图的深度残差收缩网络深度残差收缩网络融合了ResNet、SENet及软阈值的优点，构建出的深度神经网络模型可以自适应地去除噪声，避免了过度依赖于专家经验的信号处理等繁琐过程。
深度残差收缩网络原理图结果表明：TM-深度残差收缩网络方法的故障诊断精度优于其他对比方法。
#深度学习#