Page 282 - 《振动工程学报》2026年第2期

598 振 动 工 程 学 报 第 39 卷

数据预处理 特征提取 故障分类
反向传播 ∂Loss
源域数据 ∂θ
多尺度残差网络
loss cls

STFT
Concat POOL Loss

loss df
参数共享

预测
标签
STFT
Concat 残差模块

目标域数据 Conv3×1 Conv1×3 Conv5×1 Conv1×5
多尺度卷积层

Conv1×1 Conv3×3 ReLU

图 2 MsRDDA 模型结构
Fig. 2 The structure for MsRDDA

表 1 MsRDDA 模型参数
征。该网络使用不同尺寸的卷积核来提取特征，以
Tab. 1 Parameters for MsRDDA
捕捉图像中不同尺度的信息。
名称 尺寸，通道数 输出大小
输入数据 — 33×33，1 传统残差网络使用一个固定大小的卷积核作为
1×1，16 33×33，16 输 入 层 进 行 特 征 提 取， 无 法 广 泛 适 应 各 种 故 障 信
 
息。因此，本文提出由多尺度卷积层替代传统输入
33×33，64
1×1,16    
3×1,32   
        
1×3,64 层的方法来进行浅层特征提取。多尺度卷积层由大
输入层  
小 不 同 的 卷 积 核 堆 叠 组 成， 卷 积 核 的 大 小 分 别 为
33×33，64
1×1,16    
5×1,32   
        
1×5,64 1×1、3×3、5×5，不同尺度的特征可以提供更加全面、
Concat 33×33，144 丰富的信息描述，较小的卷积核捕捉到细节信息，较
3×3，320
大的卷积核提取到全局信息。但多个卷积核的引入
3×3，320
残差模块1   16×16，320 带来大量的参数，为了解决这个问题，将空间可分离
卷积引入到多尺度残差网络中。采取 1×n 和 n×1 卷
1×1,320    
        
3×1,320   
1×3,320
积代替普通的 n×n 卷积的方式，在保证提取到丰富
3×3，512
3×3，512 特征的同时，减少参数，降低计算量。如图 3 所示，
残差模块2  1×1,512      8×8，512 输入特征分别通过 3 个不同大小的分支卷积网络，
        
3×1,512   
1×3,512 得到不同尺度的特征，将提取到的不同尺度的特征
3×3，1024 通过 Concat 融合到一起，得到丰富的特征。
3×3，1024
残差模块3   4×4，1024
Concat
1×1,1024    
X
3×1,1024   
        
1×3,1024
3×3，2048
3×3，2048 输入层 改进残差模块
残差模块4  1×1,2048      2×2，2048
        
3×1,2048   
1×3,2048 Conv1×1 Conv3×1 Conv1×3 Conv3×3 ReLU Conv5×1 Conv1×5

全局平均池化 — 2048 图 3 多尺度残差网络
FC1 — 256
Fig. 3 Multi-scale residual network
FC2 — 64
FC3 — 32 多尺度残差网络的残差模块如图 3 所示，将传
FC4 — 5 统 的 残 差 模 块 中 一个 3×3 的 卷 积 核 改 进 为 并 行 的