#701_基于多尺度滑动卷积及多级注意力残差网络的轴承故障诊断

• 代码简介：复现Structral Health Monitoring的论文(中科院二区、JCR1区)《A bearing fault diagnosis method based on M-SSCNN and M-LR attention mechanism》。

• 通过小波变换的方式进行信号的时频域变换，通过超像素分割技术进行图像的结构划分；

• 提出一种多尺度卷积核并行采样的方式来进行特征信息的提取增加模型对特征信息的敏感性，同时以滑动卷积的方式代替池化操作以避免池化所造成的特征丢失及特征模糊问题；

• 在模型中嵌入了CBAM注意力机制来关注通道内及空间上更加重要的特征信息；

• 为防止频繁使用注意力机制造成模型丧失对原始信息的理解，加入了残差连接块。

• 数据预处理：首先，利用通道拼接将振动信号和电流信号构造成多通道数据，以充分描述设备运行的状态信息；采用小波变换进行时频处理，并采用超像素分割进行结构划分

• 网络模型：M-SSCNN-M-LR

• 数据集：XJTU-SY

• 网络框架：pytorch

• 结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图

• 准确率：测试集99%

• 使用对象：初学者
• 代码保证：代码注释详细、即拿即可跑通。
• 额外免费服务：可提供半个小时的线上集中答