不同工况下的迁移轴承故障诊断，融合SE注意力机制的Resnet18迁移学习，附MATLAB代码...

概要

迁移学习（Transfer Learning）是一种在机器学习中广泛应用的技术，它利用在一个任务上获得的知识来帮助解决另一个相关任务。迁移学习尤其适用于数据量有限或训练成本较高的情况。它可以显著提高模型的性能和训练效率。 

 本期采用MATLAB语言编写SE-Resnet18网络，实现对西储大学数据的故障诊断。并将在工况0条件下训练好的SE-Resnet18模型的残差模块和SE模块进行冻结，只对全连接层进行微调，实现在工况1、2、3下的迁移学习。

最终实验结果：

在工况0下，取800个样本进行训练，400个样本进行测试，诊断准确率为：100%

将工况0的模型迁移到工况1时，只采用小样本（每种故障取10个样本）对全连接层微调，训练速度只有几秒，测试集（1100个样本）的诊断准确率为：99.72%

将工况0的模型迁移到工况2时，只采用小样本（每种故障取10个样本）对全连接层微调，训练速度只有几秒，测试集（1100个样本）的诊断准确率为：99.2%

将工况0的模型迁移到工况3时，只采用小样本（每种故障取10个样本）对全连接层微调，训练速度只有几秒，测试集（1100个样本）的诊断准确率为：99.10%

1. SE-Resnet介绍

近年来，各种注意力机制横空出行，将注意力机制与各种深度学习模型结合，模型对特征提取的能力相较于一般的深度学习网络更加强大，在降低网络学习的参数量的同时也提高了网络模型的泛化能力。

SE-ResNet（Squeeze-and-Excitation ResNet）是ResNet的一种改进版本，它结合了Squeeze-and-Excitation（SE）模块来提升网络的性能。SE模块通过对通道进行重新加权，使网络能够更好地自适应地关注不同通道的重要性。SE-ResNet的优势包括：

1. 增强的特征表达能力：通过对特征通道进行重要性建模，SE模块能够提升网络对重要特征的敏感度，从而增强特征的表达能力。

2. 更少的计算开销：尽管SE模块引入了额外的计算，但其设计相对简单，计算开销相比于网络其他部分较小，且通常带来性能的显著提升。

3. 易于集成：SE模块可以与现有的网络架构（如ResNet、Inception等）无缝集成，提升网络性能而不需要重新设计整个网络架构。

• SE机制的论文地址：https://arxiv.org/abs/1709.01507

下图是在提出SE模块的原文截取的，原文作者将SE模块应用在Resnet模块为例进行了展示。

可以看到SEmodule被应用到了Resnet模块的残差分支上。为了更好解释SE模块为什么能提高Resnet网络的泛化能力，这里附上一张更加形象的图。

原始的Resnet网络（图左），在进行两次3×3的卷积后，直接与上一步的池化或卷积的结果进行相加。

而在SE-Resnet结构（图右），首先将两次卷积后的特征维度进行全局池化处理，然后经过两个全连接层，而玄妙就在这两个全连接层，其中第一个全连接层将特征维度降低到输入的1/r，然后经过ReLu激活后再通过第二个全连接层升回到原来的维度。这样做比直接用一个全连接层的好处在于：①具有更多的非线性，可以更好地拟合通道间复杂的相关性；②极大地减少了参数量和计算量。最后再通过一个Sigmoid的门获得[0，1]之间归一化的权重。最后通过一个Scale的操作（也就是对应通道相乘）来将归一化后的权重加权到每个通道的特征上。相当于对每个通道的权重特征进行了一个标定，使得注意力集中在权重较高的通道上。不得不说，秒啊！

2. SE-Resnet的MATLAB实现

本期代码将SE机制在MATLAB中实现，并缝合到Resnet18网络中。看一下网络结果图吧，左边是SE-ResNET模块的结构图，右边是在MATLAB中实现的网络结构，完美实现了一一对应！

核心代码如下：这里展示了如何将SE模块缝合进去。

% Then, you need to connect the SE block properly
SEblockName = '2a';
ecaLayers = SEBlock(64,16,SEblockName); % Example parameters
lgraph = addLayers(lgraph, ecaLayers);
lgraph = disconnectLayers(lgraph, 'bn2a_branch2b', 'res2a/in1');
lgraph = connectLayers(lgraph, 'bn2a_branch2b', ['se_global_pool_',SEblockName]);
mul = multiplicationLayer(2,'Name',['scale_',SEblockName]);
lgraph = addLayers(lgraph, mul);
lgraph = connectLayers(lgraph, 'bn2a_branch2b', ['scale_',SEblockName,'/in1']);
lgraph = connectLayers(lgraph, ['se_sigmoid_',SEblockName],['scale_',SEblockName,'/in2']);
lgraph = connectLayers(lgraph, ['scale_',SEblockName], 'res2a/in1');

3.基于SE-Resnet模型，在不同工况下实现迁移学习的轴承故障诊断

实验步骤如下：

第一步：处理不同工况的西储大学数据。西储大学数据详情截图如下：

可以看到第二列的电机载荷分为0、1、2、3四种工况，这里只取故障直径为0.1778、0.3556、0.5334mm时的四种工况。对四种工况数据进行处理，处理方式如下：

采取部分重叠的采样方法即从原始信号中采集样本，相邻的采样样本之间存在部分重叠。将原始时域信号每2048个数据点组成一个样本，为了保证每个数据点都能采集到，相邻的样本点会有重叠的1048个数据点，滑动窗口的步长为1000。最终每个工况包含10种故障类型，每种类型包含120个样本。

第一步的代码整理截图如下，最后得到Working condition0.mat、Working condition1.mat、Working condition2.mat、Working condition3.mat，分别表示工况0、1、2、3。

第二步：将第一步数据转换为连续小波变换时频图：

将第一步得到的四种不同工况的数据进行同步提取小波变换，提取的图片放在了相应的“工况x连续小波变换视频图”文件夹内，然后再将图像进行一个压缩，之所以压缩，是为了后续训练模型节省时间，代码整理截图如下：

第三步：模型训练与不同工况下的迁移学习。

首先采用SE-Resnet18网络对工况0的数据进行训练与测试，选每组故障的前80个样本进行训练，后40个样本测试，结果如下：

模型识别前后的Tsne降维图如下：

迁移学习：然后将工况0下训练好的SEResnet18模型的残差模块和SE模块进行冻结，并采用工况1、2、3的小样本数据（每种故障类型只取10组样本）对模型的全连接层进行微调，并采用剩下的1100个样本（每种故障类型110个）进行测试。

测试结果如下：

工况0迁移到工况1的测试结果：

同样的操作，将工况0下训练好的SEResnet18模型迁移到工况2、3，测试结果如下：

工况0迁移到工况2的测试结果：

工况0迁移到工况3的测试结果：

第三步的代码目录截图如下：

代码获取

链接：https://mbd.pub/o/bread/mbd-Zpmal51y

或者点击下方阅读原文获取。

---

获取更多代码：

或者复制链接跳转：
https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu