基于模型迁移学习的滚动轴承智能故障诊断方法

针对滚动轴承故障诊断中可用的故障数据较少，同时基于数据驱动的故障诊断模型在训练过程中需要耗费大量的时间和计算资源的问题，提出一种基于EfficientNet模型迁移学习的滚动轴承智能故障诊断方法。首先，利用信号转化图像的方法，将不同健康类别滚动轴承振动信号生成相应的训练集和测试集；然后，将经过预训练的EfficientNet模型，通过参数共享迁移到训练集上进行训练并微调，以达到模型最佳参数；最后，通过测试集验证模型的故障诊断能力。在双转子高速滚动轴承故障数据集上，对提出的故障诊断方法进行了验证。结果表明：在不同工况下，所提出故障诊断方法的准确率最高能达到99.48%，优于传统的数据驱动故障诊断方法，具有较好的应用前景。