未发表!一个小创新分类模型,融合SE注意力机制的TCN-SVM模型,江南大学、西储大学轴承数据为例---MATLAB代码...

概述

本期采用SENet中的通道注意力机制对TCN 进行改进,以增强TCN网络的特征提取能力,使模型在信号形态变化较大处,能有选择性地关注具有关键信息的通道,加强模型的特征表达能力。

同时为了进一步提升网络的分类能力,采用经典的SVM分类器替换原始的Softmax分类器。分别在西储大学、江南大学的轴承数据集进行测试,实验表明,本期提出的SENet-TCN-SVM模型具有较高的分类能力。


方向为机器学习、故障分类的小伙伴不妨借鉴一下这个模型,可以帮助你快速入门故障诊断。

TCN 网络是由多个残差块叠加构成,本期文章对每层残差块后引入SE 模块作为该残差块的注意力机制。结构如下:

网络整体流程如下:

首先对轴承数据进行快速傅里叶变换处理,然后将其输入改进后的SE-TCN网络模型中,最后采用SVM分类器替换原始的Softmax分类器输出分类结果。

结果展示

一、西储大学轴承数据实验结果

对工况0的10种故障状态进行数据划分,每种状态收集200个样本,每个样本大小为1×1024,训练集:验证集:测试集=7:2:1。

FFT-SE-TCN-SVM模型诊断结果:

在西储大学数据上的诊断结果可达到100%的诊断效果。

二、**** 江南大学轴承数据实验结果

江南大学数据共12种故障状态,每种状态收集200个样本,每个样本大小为1×1024,训练集:验证集:测试集=7:2:1。

江南大学数据的12种状态诊断难度较大,仍能有94%以上的精度。

代码目录

按照程序步骤一步步执行即可。

以上所有图片均可运行出来。

代码获取

链接:https://mbd.pub/o/bread/ZpqZmppv

已将此代码添加至故障诊断全家桶中,

已购买全家桶的小伙伴,可以直接跳转以下链接下载哦!

故障诊断全家桶获取链接:

https://mbd.pub/o/bread/ZJ2Ym5ts

参考文献:

1Y. Wang, H. Ding and X. Sun, "Residual Life Prediction of Bearings Based on SENet-TCN and Transfer Learning," in IEEE Access, vol. 10, pp. 123007-123019, 2022, doi: 10.1109/ACCESS.2022.3223387.

2何利健,张锐,陈文卿.基于SE-TCN网络模型的太阳电池阵温度异常检测J.上海航天(中英文),2021,38(5):8-16

相关推荐
吴佳浩3 小时前
我把 HAMi 摆回一台双卡机器上跑了一遍:GPU 编排的性能账,到底记在谁头上
人工智能·gpu
Evand J5 小时前
【MATLAB例程】二维IMM-UKF定位,基于四个基站的AOA与测距辅助
开发语言·matlab
forest_097 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
火山引擎开发者社区8 小时前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔9 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区9 小时前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM1239 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI9 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健9 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程