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。

、**** 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:

1\]Y. 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
麻雀无能为力37 分钟前
CAU数据挖掘 支持向量机
人工智能·支持向量机·数据挖掘·中国农业大学计算机
智能汽车人1 小时前
Robot---能打羽毛球的机器人
人工智能·机器人·强化学习
埃菲尔铁塔_CV算法1 小时前
基于 TOF 图像高频信息恢复 RGB 图像的原理、应用与实现
人工智能·深度学习·数码相机·算法·目标检测·计算机视觉
ζั͡山 ั͡有扶苏 ั͡✾1 小时前
AI辅助编程工具对比分析:Cursor、Copilot及其他主流选择
人工智能·copilot·cursor
东临碣石821 小时前
【AI论文】数学推理能否提升大型语言模型(LLM)的通用能力?——探究大型语言模型推理能力的可迁移性
人工智能·语言模型·自然语言处理
IT古董1 小时前
【第二章:机器学习与神经网络概述】04.回归算法理论与实践 -(3)决策树回归模型(Decision Tree Regression)
神经网络·机器学习·回归
未来智慧谷1 小时前
微软医疗AI诊断系统发布 多智能体协作实现疑难病例分析
人工智能·microsoft·医疗ai
野生技术架构师1 小时前
简述MCP的原理-AI时代的USB接口
人工智能·microsoft
Allen_LVyingbo2 小时前
Python常用医疗AI库以及案例解析(2025年版、上)
开发语言·人工智能·python·学习·健康医疗
jndingxin2 小时前
OpenCV中超分辨率(Super Resolution)模块类cv::dnn_superres::DnnSuperResImpl
人工智能·opencv·dnn