代码简介：针对传统的机械故障诊断方法特征提取困难问题，提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。 将原始数据作为网络的输入，设计宽卷积层进行信息初步融合扩大模型的感受野；再分别构建三个独立的以残差块为基础的并行分支网络，通过设计多尺度卷积核分别从并行分支网络提取深度特征；接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系，对每个尺度的特征通道进行重标定，提高网络对故障信息的敏感性；将三个尺度的特征进行特征融合，通过分类器实现故障诊断。 在多个数据集上进行试验，验证了算法有效性。

参考文献：2022年振动与冲击 EI《基于动态加权的多尺度残差网络旋转机械故障诊断算法》，论文可以通过点击最左下角的阅读原文。

数据预处理：支持1维原始数据

网络模型：DWMRNet、AlexNet、CNN

数据集：西储大学CWRU、德国帕德博恩PU、河内大学2023轴承数据HUST

网络框架：pytorch

结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图

准确率：测试集97%以上

使用对象：初学者

代码保证：代码注释详细、即拿即可跑通。

额外免费服务：可提供半个小时的线上集中答疑，一对一群内售后