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

点击下方卡片获取。

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