基于多尺度残差收缩网络的美国西储大学轴承故障诊断代码，可以用于微小故障、强噪声干扰工况下的故障诊断

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。

所提多尺度残差收缩网络由3个一维残差收缩网络分支(branch)组成，每个branch 包含 3个相同的残差收缩模块，各branch分支中的残差块的卷积核分别为1×3、1×5、1×7，通过融合故障信号在不同尺度下的故障特征，极大的提高了模型的抗噪性能，提高了故障诊断的准确率。

采用MATLAB对数据进行预处理；网络训练环境为python3.7 与 pytorch1.8.0。

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。

“多尺度残差收缩网络.py”即为所提模型。