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