文章介绍了深度残差收缩网络利用软阈值机制对故障信号进行降噪处理，特别适用于微小故障和强噪声环境下的轴承故障诊断。实验基于美国西储大学的轴承故障数据集，通过添加不同SNR的白噪声模拟实际工况，验证了模型的抗噪性能。数据预处理使用MATLAB，模型训练环境为Python3.7和pytorch1.8.0，支持CPU和GPU运行。
深度残差收缩网络的软阈值机制能够自适应的对故障信号进行降噪处理，因此可以用于微小故障、强噪声干扰工况下的故障诊断。
本次实验的数据来自美国西储大学轴承故障诊断数据集，48k/0HP，总共10个故障类别。在每个测试样本上添加了不同信噪比的白噪声(SNR)来模拟噪声干扰下的工作环境，实验结果表明残差收缩网络模型具有很好的抗噪性能，能够用于强噪声干扰环境下的故障诊断。
采用MATLAB对数据进行预处理；网络训练环境为python3.7 与 pytorch1.8.0，代码既可以用CPU也可以用GPU。
file1_data_process.m文件是对原始数据按7:2:1的比例进行划分，并保存在data_process.mat中。
File2_fft_preprocess.m是对划分后的data_process.mat进行FFT变换操作，并将处理后的数据保存在FFT.mat文件中。
“残差收缩网络.py”即为所提模型。
以下为实验结果（CPU跑的）：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
