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
山烛3 分钟前
KNN 算法中的各种距离:从原理到应用
人工智能·python·算法·机器学习·knn·k近邻算法·距离公式
盲盒Q13 分钟前
《频率之光:归途之光》
人工智能·硬件架构·量子计算
墨染点香22 分钟前
第七章 Pytorch构建模型详解【构建CIFAR10模型结构】
人工智能·pytorch·python
go546315846522 分钟前
基于分组规则的Excel数据分组优化系统设计与实现
人工智能·学习·生成对抗网络·数学建模·语音识别
茫茫人海一粒沙28 分钟前
vLLM 的“投机取巧”:Speculative Decoding 如何加速大语言模型推理
人工智能·语言模型·自然语言处理
诗酒当趁年华30 分钟前
【NLP实践】二、自训练数据实现中文文本分类并提供RestfulAPI服务
人工智能·自然语言处理·分类
静心问道1 小时前
Idefics3:构建和更好地理解视觉-语言模型:洞察与未来方向
人工智能·多模态·ai技术应用
sheep88881 小时前
AI与区块链Web3技术融合:重塑数字经济的未来格局
人工智能·区块链
奋进的孤狼1 小时前
【Spring AI】阿里云DashScope灵积模型
人工智能·spring·阿里云·ai·云计算
AIGC_北苏1 小时前
让UV管理一切!!!
linux·人工智能·uv