基于SE-net注意力网络的美国西储大学轴承故障诊断代码，可以用于微小故障工况下的故障诊断

SE-net是指在残差块中添加注意力机制，使模型关注与目标相关的特征通道并弱化其他无关的特征通道，从而达到提升模型性能的目的。

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SE-net模型具有很好的抗噪性能。

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

“SE-net注意力残差网络模型.py”即为所提模型。

以下为实验结果（CPU跑的）：