基于注意力模块及1D-CNN的滚动轴承故障诊断
故障诊断代码 复现
针对传统的卷积神经网络对特征的辨识性差的问题，提出一种将注意力模块与一维卷积神经网络相结合的滚动轴承故障诊断模型
首先以加入噪声的振动信号作为输入，利用“卷积+池化”单元提取信号的多维特征，然后通过注意力模块对特征赋予不同的权重，利用双池化层取代传统卷积神经网络中的全连接层进行特征的再次提取及特征信息整合，最后通过 Softmax层完成轴承状态分类
●参考文献：2022年太阳能学报EI《基于注意力模块及1D-CNN的滚动轴承故障诊断》
●数据预处理：1维数据
●网络模型：AM-CNN
●数据集：西储大学CWRU的10分类任务
●准确率：100%
●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
●使用对象：初学者
YID:7730776551356232
唱唱反调
