【轴承故障诊断】基于SE-TCN和SE-TCN-SVM西储大学轴承故障诊断研究（Matlab代码实现）-优快云博客

本文链接：https://blog.youkuaiyun.com/2301_79155639/article/details/146931211

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、SE-TCN模型的技术原理与改进

1. TCN基础架构

2. SE注意力机制的引入

3. SE-TCN的改进优势

二、SE-TCN-SVM模型的创新设计

1. 模型架构

2. 关键改进点

三、西储大学轴承数据集构成

1. 数据采集参数

2. 故障类型与尺寸

四、SE-TCN-SVM的性能表现

1. 实验设置

2. 实验结果

3. 优势分析

五、与传统方法的对比研究

六、应用前景与挑战

结论

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

一、SE-TCN模型的技术原理与改进

1. TCN基础架构

时间卷积网络（TCN）通过因果卷积和扩张卷积构建序列建模能力。其核心特点包括：

因果性：仅利用历史时间步信息，避免未来信息泄露。
扩张卷积：通过指数级扩张率（如d=2ld=2l）扩大感受野，捕捉长程依赖。
残差模块：解决深层网络梯度问题，每层输出为Output=F(x)+xOutput=F(x)+x。
全卷积结构：输入输出维度一致，支持端到端处理。

2. SE注意力机制的引入

SE模块通过通道注意力动态调整特征权重，提升关键信息提取能力：

压缩（Squeeze） ：对特征图进行全局平均池化，生成通道描述向量。
激励（Excitation） ：通过两层全连接层学习通道间非线性关系，输出通道权重。
特征重标定：加权后的特征图输入下一层，增强重要通道的贡献。

在SE-TCN中，SE模块嵌入TCN残差块后（见图3），显著提升了模型对信号突变区域的敏感度（如轴承故障冲击特征）。

3. SE-TCN的改进优势

多尺度特征融合：结合TCN的时序建模与SE的通道筛选，解决传统TCN在短期剧烈变化处表征不足的问题。
性能对比：在卫星温度数据插补任务中，SE-TCN相比TCN的MAE降低12.28%，RMSE降低2.17%。

二、SE-TCN-SVM模型的创新设计

1. 模型架构

前端特征提取：SE-TCN网络处理原始振动信号，生成高维特征。
分类器替换：用SVM替代Softmax，结合深度学习特征提取与SVM在小样本下的强分类能力。
数据预处理：对输入信号进行快速傅里叶变换（FFT），提取频域特征。

2. 关键改进点

通道注意力增强：在每层残差块后加入SE模块，使模型聚焦于故障特征显著的频带。
端到端优化：SE-TCN与SVM联合训练，避免传统两阶段模型的误差累积。

三、西储大学轴承数据集构成

1. 数据采集参数

传感器：加速度计采集驱动端和风扇端振动信号。
采样频率：12kHz（主流）和48kHz（高频）。
负载条件：0-3马力（HP）四种工况。

2. 故障类型与尺寸

故障位置：内圈、外圈、滚动体。
故障直径：0.007英寸、0.014英寸、0.021英寸。
数据划分：正常状态与故障状态数据按7:2:1划分训练/验证/测试集。

四、SE-TCN-SVM的性能表现

1. 实验设置

西储大学数据集：10种故障状态（含正常），每种200个样本（1×1024长度）。
对比模型：TCN、LSTM、SVM。

2. 实验结果

指标	SE-TCN-SVM vs TCN	SE-TCN-SVM vs LSTM
准确率（%）	100 vs 97.83	100 vs 94.41
MAE降低（%）	12.28	65.85
RMSE降低（%）	2.17	42.94

（数据来源：）

3. 优势分析

高鲁棒性：在江南大学更复杂的12类故障中仍保持94%精度。
计算效率：TCN的并行计算特性使训练速度比LSTM快3倍。

五、与传统方法的对比研究

与胶囊网络（CapsNet）对比
SE-TCN-SVM在变工况下的准确率比CapsNet高8.3%。
与自编码器（AE）对比
TCN-AE模型的异常检测F1-score为92.1%，而SE-TCN-SVM在分类任务中达到100%。
与迁移学习方法对比
加入SE模块后，模型跨工况迁移准确率提升6.7%。

六、应用前景与挑战

工业场景适配性
SE-TCN-SVM适用于实时监测系统，但其对完整序列的依赖可能增加在线诊断延迟。
超参数优化
扩张率、残差块层数等需根据故障类型调整，通用性有待提升。
多模态融合
未来可结合声发射、温度信号等多源数据，进一步提升诊断可靠性。

结论

SE-TCN-SVM通过融合通道注意力机制与SVM分类器，在西储大学轴承数据集上实现了100%的故障分类精度，显著优于传统TCN和LSTM模型。其创新性在于同时解决了时序特征提取的关键性筛选问题与小样本分类的稳定性问题，为工业设备智能诊断提供了新的技术路径。

📚2 运行结果

部分代码：

temp = [];
NumTypes = 10;  %故障类别数
for i = 1:size(train_Y,1)
headers = {'故障类别1';'故障类别2';'故障类别3';'故障类别4';'故障类别5';'故障类别6';'故障类别7';'故障类别8';'故障类别9';'故障类别10'};
cmap = hsv(NumTypes);
lable = double(train_Y);
% 计算训练集每类（第一类为例）多少种故障
str = headers(lable(i));
tempdata = categorical(cellstr(str));
temp = [temp;tempdata];
end

% 类别标签
species = temp;

% 二维图像
figure('Position',[100,120,500,350])
gscatter(tsne_data(:,1),tsne_data(:,2),species,cmap,'.',20,'on');
% 添加整张图的主标题
sgtitle('原始样本分布', 'Interpreter', 'none', 'FontSize', 14);