深度学习：抗噪DRSN-CNN实现端对端滚动轴承故障诊断，CWRU轴承数据集，T-SEN可视化

深度残差收缩网络（DRSN）：

哈工大赵明航老师2020年发表在《IEEE TRANSACTIONS ON INDUSTRIALINFORMATICS》的研究。

原文：Deep Residual Shrinkage Networks for Fault Diagnosis

作者：Minghang Zhao , Shisheng Zhong, Xuyun Fu

     抗噪DRSN-CNN，加入深度残差收缩模块实现端对端滚动轴承故障诊断，采用西储大学(CWRU)轴承数据集，并利用T-SEN可视化方法对其输入数据和预测结果进行可视化处理。

1.部分代码展示

####导入相应库####
import tensorflow as tf
import numpy as np
from sklearn.manifold import TSNE
from tensorflow import keras
from ovs_preprocess import prepro
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import random
from keras import layers
from datetime import datetime


###效果对比（消融实验）：

## 1.原始CNN:注释加噪模块和注释DRSN抗噪模块             准确率99% 
## 2.加噪4dB CNN:加噪模块不注释，注释DRSN抗噪模块       准确率45%（CNN抗噪能力弱）
## 3.原始DRSN-CNN:注释加噪模块和DRSN抗噪模块不注释      准确率99% 
## 4.加噪4dB DRSN-CNN：加噪模块和DRSN抗噪模块都不注释   准确率80%（DRSN-CNN抗噪能力较强）

#代码、数据集自取 https://mbd.pub/o/bread/mbd-ZZeUmplx

2.数据集：西储大学(CWRU)轴承数据集

 3.运行效果

1）原始CNN（未调用抗噪模块）

    输入数据t-sen可视化

损失函数、准确率

混淆矩阵

预测结果t-sen可视化

2）加噪4dB DRSN-CNN的运行效果

运行视频效果：B站名 深度学习探索猿

深度学习：抗噪DRSN-CNN实现端对端滚动轴承故障诊断，CWRU轴承数据集，T-SEN可视化_哔哩哔哩_bilibili