一、引言
在大数据背景下，神经网络应用的范围越来越广泛，其较强的学习能力，能够很好的应用于故障识别领域，且具有较高的故障识别能力。但结合实际情况看，将深度卷积神经网络应用到故障识别之中，仍然存在着一定的不足，使得错误率提升。因此在具体应用深度卷积神经网络时，需要针对其中存在的问题进行有效的完善。
二、采用深度卷积神经网络的故障处理方法
深度学习技术中的重要神经网络模式之一，即是卷积神经网络。卷积神经网络自应用以来，发展十分迅速，对图像识别的准确率不断提升，在在很对大规模数据测评竞赛中也有很好的成绩效果，如分类、目标定位、检测等，同时在一些其他领域包括交通标志识别、人脸验证、神视频分类、游戏等领域中，卷积神经网络也有相对广泛的应用，且效果限制。在故障诊断领域应用卷积神经网络，成效也比较明显。现阶段，相关专家学者针对故障诊断中应用的卷积神经网络具体情况，将其中的卷积神经网络分为以下类型，如图1：
图1 卷积神经网络分类
对于卷积层、池化层以及全连接层而言，每层只能够连接相邻层，也正是因为该因素，会很容易对卷积神经网络的灵活性、多样性造成影响。深度学习中越深的神经网络会有越好的效果。但另一方面，深层次的神经网络对应的训练难度也相对较大。增加神经网络层数会伴随梯度爆炸或是梯度消失的情况，进一步导致较深层次的神经网络，还会导致更高的错误率。为了对上述问题有效降低，可以应用跨层连接，对深层卷积神经网络的跨连模型进行有效的建立，借助该模式对深度卷积神经网络学习准确率、学习效率有效提升。
（一）卷积神经网络
卷积神经网络属性为前馈式神经网络，在首先数字识别中最先应用该种功能。近些年，相关研究者将卷积神经网络应用到更加广泛的范围之中，包括识别通用物体、车牌、语音、脑电波等。池化层和卷积层共同组成的特征提取器是卷积神经网络的核心，其它层与卷积层之间的连接为稀疏连接。卷积层的卷积面可以包含若干个，在同一个卷积面中能够共享权值，权值便是卷积核。共享权值能够对神经网络过度拟合的风险有效降低。池化层能够针对卷积层中提取的特征值，将其降为一样的维度，对信息缺失度有效降低。池化层应用的池化方法一般包括最大子采样以及均值子采样。借助卷积审计网络卷积核以及池化层，能够很好的对模型的复杂层度降低，对模型对应的参数降低。
（二）跨连模型
前文提及，越深的神经网络对应越好的效果。但更深层次的神经网络对应的训练难度也相对较大。同时增加神经网络还会出现梯度爆炸或是消失的情况，导致较高的错误率。为了对上述问题有效解决，可以应用跨连模型。跨连模型可以突破相邻层连接的限制，可以从前面任何层输入，也能够将输出传递到任何不相邻的层之中。跨连卷积神经网络的深度相对较大，能够到百层以上甚至千层以上。密连网络、快道网络以及残差网络是跨连模型的主要类型。其中对于密连网络，主要是指其内部能够使得任何两个不相邻层之间实现跨层连接。在一些特殊情况下，如果一个神经网络对应的密连深度为N层，则对应的层连接为N(N+1)/2个。不同层输出之前都对应特征图，并将特征图深入到后续所有的层之中。但一般的卷积神经网络如果有N层，则对应的层连接也同样为N个，且不同层之间只能够与相邻层进行联系。对于快道网络，主要是伴随神经网络结构深度提升，梯度爆炸或是消失的情况更加严重，对应的神经网络训练、学习难度也相对较大，建立对应的快速通道，能够提升信息传递速度，促进快道网络的建立，从而保证信息可以不受障碍影响跨越多个层次。对于残差网络而言，神经网络层数不断增加，一些神经网络会出现逐渐收敛的情况，这一过程中可能发生退化的问题，从而使得准确率在短时间内便能够实现饱和，从而是得更深的神经网络层数对应更高的错误率。相比于普通神经网络，残差网络应用跨层连接，促进残差模块的构建。残差模块可以应用全连接层构建，也能够应用卷积层构建。借助残差模块，能够很好的加深神经网络的结构。
（三）神经网络超参数对诊断结果影响
影响神经网络模型学习效果的重要因素即是超参数。对于相同网络结构的神经网络，如果超参数设置不同，则对应的结果也存在一定的差异。学习速率、激活函数、卷积核个数等是神经网络超参数的主要组成内容。具体影响如表1：
表1 神经网络超参数对诊断结果影响
三、结束语
综上所述，近些年，神经网络学习能力不断强大，应用的领域也越来越广泛，且越来越多学者逐渐重视对神经网络的研究内容。深度学习与神经网络应用相对广泛的一种神经网络即是深度卷积神经网络。本文主要对深度卷积神经网络识别故障以及处理方法进行相应的论述，具有一定的实践意义，有利于对故障诊断的准确率，可靠性有效提升。深度卷积神经网络的跨连模块类型比较广泛，本文提及了三种重要的网络类型，如果应用不同的诊断方法，则对应的诊断结果也同样会存在着一定的差异。对于神经网络而言，最优的参数选择应当借助大量试验进行相应的选择。但上述工作势必需要花费一定的人力、物理以及财力。因此对于相关研究人员而言，需要加强进一步的研究。
基金项目：广东科技学院2019年度校级科研项目一般课题“深度卷积神经网络在电气系统中的运用研究-以四大机床电气故障检测方法为例”
参考文献：
[1] 宫文峰,陈辉,张泽辉,等. 基于改进卷积神经网络的滚动轴承智能故障诊断研究[J]. 振动工程学报,2020,33(2):400-413.
[2] 汪颖,孙建风,肖先勇,等. 基于优化卷积神经网络的电缆早期故障分类识别[J]. 电力系统保护与控制,2020,48(7):10-18.
[3] 曾全昊,王丰华,郑一鸣,等. 基于卷积神经网络的变压器有载分接开关故障识别[J]. 电力系统自动化,2020,44(11):144-151.
[4] 陈淑梅,余建波. 卷积神经网络多变量过程特征学习与故障诊断[J]. 哈尔滨工业大学学报,2020,52(7):59-67.
