【轴承故障诊断】基于SE-TCN和SE-TCN-SVM江南大学轴承诊断轴承故障诊断研究（Matlab代码实现）
欢迎来到本博客❤️❤️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
本文目录如下：
目录
⛳️赠与读者
1 概述
江南大学基于SE-TCN和SE-TCN-SVM的轴承故障诊断研究
一、研究背景与团队基础
二、SE-TCN和SE-TCN-SVM技术原理
三、实验验证与性能对比
四、应用场景与未来方向
五、总结
2 运行结果
3 参考文献
4 Matlab代码、数据下载
⛳️赠与读者
做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......
1 概述
江南大学基于SE-TCN和SE-TCN-SVM的轴承故障诊断研究
一、研究背景与团队基础
江南大学机械工程学院在机械系统动态监测与故障诊断领域具有深厚的研究基础，李可教授团队长期聚焦于多学科交叉的智能诊断技术。学院依托国家级一流本科专业和工程教育认证平台，结合数字化设计与制造、智能化制造系统等特色方向，构建了完善的轴承故障诊断研究体系。研究团队自主研发的江南大学轴承数据集（包含600r/min、800r/min、1000r/min三种转速下的正常、内圈、外圈和滚动体故障数据，采样频率50kHz）为算法验证提供了高质量数据支撑。
二、SE-TCN和SE-TCN-SVM技术原理
- SE-TCN（Squeeze-and-Excitation Temporal Convolutional Network）
- 基础架构：基于时间卷积网络（TCN），通过因果卷积和膨胀卷积捕获长时序依赖关系，残差块设计避免梯度消失。
- 创新点：引入SENet的通道注意力机制，通过全局平均池化（Squeeze）和全连接层（Excitation）动态调整各通道权重，增强关键特征的表征能力。例如，在轴承振动信号中，高频故障成分的通道权重会被显著提升。
- 数学表达：通道注意力权重计算为：
- SE-TCN-SVM融合模型
- 改进策略：将SE-TCN的特征提取层与支持向量机（SVM）分类器结合，替代传统Softmax。SVM通过核函数映射解决高维非线性分类问题，尤其适用于小样本场景。
- 流程设计：
- 信号预处理：对原始振动信号进行快速傅里叶变换（FFT），提取频域特征以降低噪声干扰。
- 特征学习：SE-TCN网络处理FFT信号，输出高层抽象特征向量。
- 分类决策：采用径向基核函数（RBF）的SVM进行分类，优化目标为最大化分类间隔。
三、实验验证与性能对比
-
数据集划分
- 江南大学数据集：12类故障（3种故障类型×4种转速），每类200个样本（1×1024长度），按7:2:1划分训练集、验证集和测试集。
- 西储大学数据集：10类故障，用于验证模型泛化能力。
-
实验结果
- SE-TCN-SVM性能：
- 在江南大学数据集上，准确率达94%以上，较传统TCN提升约12%。
- 在西储大学数据集上达到100%分类精度，证明模型跨数据集的强适应性。
- 对比分析：
| 模型 | 江南大学准确率 | 西储大学准确率 | 参数量（万） |
|---|---|---|---|
| TCN + Softmax | 82% | 92% | 85.6 |
| SE-TCN + Softmax | 89% | 98% | 91.2 |
| SE-TCN-SVM | 94% | 100% | 91.2 |
- 可视化分析
- 特征分布：t-SNE降维显示，SE-TCN-SVM的特征聚类更紧密，类间距离更大（见图1）。
- 注意力热图：SE模块在滚动体故障信号中显著增强高频谐波成分的权重（见图2）。
四、应用场景与未来方向
-
工业应用
- 实时监测：模型可部署于风电齿轮箱、高铁轴承等关键设备，实现故障早期预警。
- 维护优化：结合剩余寿命预测（如提到的残差卷积变换网络），制定预防性维护策略。
-
研究拓展
- 复合故障诊断：当前数据集仅含单一故障，未来需融合声发射、温度等多模态数据以应对复杂工况。
- 轻量化设计：通过知识蒸馏或模型剪枝压缩参数量，适配边缘计算设备。
五、总结
江南大学通过SE-TCN-SVM模型，将通道注意力机制与SVM分类器创新结合，显著提升了轴承故障诊断的准确率和泛化能力。其研究不仅推动了深度学习在机械健康监测中的应用，也为工业智能维护提供了理论和技术支撑。未来，团队计划进一步优化模型效率并拓展至更广泛的故障诊断场景。
2 运行结果
部分代码：
temp = [];
NumTypes = 10; %故障类别数
for i = 1:size(train_Y,1)
headers = {'故障类别1';'故障类别2';'故障类别3';'故障类别4';'故障类别5';'故障类别6';'故障类别7';'故障类别8';'故障类别9';'故障类别10'};
cmap = hsv(NumTypes);
lable = double(train_Y);
% 计算训练集每类（第一类为例）多少种故障
str = headers(lable(i));
tempdata = categorical(cellstr(str));
temp = [temp;tempdata];
end
% 类别标签
species = temp;
% 二维图像
figure('Position',[100,120,500,350])
gscatter(tsne_data(:,1),tsne_data(:,2),species,cmap,'.',20,'on');
% 添加整张图的主标题
sgtitle('原始样本分布', 'Interpreter', 'none', 'FontSize', 14);3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
[1]李敏.基于优化并行二维卷积神经网络的滚动轴承智能故障诊断方法研究[D].长安大学,2023.
[2]黄海松,范青松,魏建安,等.基于CEEMDAN-IGWO-SVM的轴承故障诊断研究[J].组合机床与自动化加工技术, 2020(3):5.
[3]肖安,李开宇,范佳能,等.改进注意力机制的滚动轴承故障诊断方法研究[J].计算机测量与控制, 2023, 31(11):22-30.
[4]徐先峰,黄坤,邹浩泉,等.基于SSAE-SVM的滚动轴承故障诊断方法研究[J].自动化仪表, 2022, 43(1):6.
[5]燕志星,王海瑞,杨宏伟,等.基于深度学习特征提取和GWO-SVM滚动轴承故障诊断的研究[J].云南大学学报：自然科学版, 2020, 42(4):656-663.
4 Matlab代码、数据下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
