**DL00358-基于迁移学习的离心泵滚动轴承故障自动识别方法研究**
一、引言
在工业领域中，离心泵滚动轴承的故障检测是一项至关重要的任务。随着技术的进步，尤其是人工智
能的崛起，自动识别方法在故障检测中扮演着越来越重要的角色。本文将重点研究基于迁移学习的离
心泵滚动轴承故障自动识别方法，以实现更高效、更准确的故障检测。
二、数据预处理与截取
在进行深度学习模型的训练之前，首先需要对原始数据进行预处理。由于原始时序加速度数据长度过
长，且数据采样频率高达 12kHZ，因此需要对数据进行截取。根据发动机转速和加速度计的采样能力
，我们设定了每个截取段的长度为 200 个数据点，并设定 batch_size 为 20。这样的设定可以确保
每个截取段包含足够的信息，同时也能适应模型的训练需求。
三、模型架构与参数设置
本研究所采用的模型为深度学习网络，特别是考虑了迁移学习的应用。在特征提取部分，我们设定了
特定的参数，如 Dropout rate（丢弃率）设为 0.3，以及训练周期（epochs）设为 10。在这样的
设置下，训练集的准确率达到了 93.33%，而测试集的准确率则达到了 94.74%。这表明模型在特征
提取阶段已经取得了良好的性能。
然而，为了进一步提高模型的性能，我们进一步增加了训练周期（epochs）至 20，并引入了更多的
训练数据和优化策略。在输入原始时序加速度数据的网络中，我们保持了与特征提取网络相同的考虑
，即 batch_size 依然设为 20。这样的设置不仅保证了模型的训练效率，也确保了模型能够充分学
习到数据的特征。
四、特征提取与模型性能
在特征提取阶段，我们发现当 epochs 设为 10 时，模型的性能已经趋于稳定。即使增加 epochs 的
数量，训练集和测试集的准确率也不会再有显著的提升。这表明模型已经充分学习了数据中的特征，
并且没有出现过拟合的现象。这一发现也为我们后续的模型优化提供了重要的参考。
五、原始数据与模型对比
当我们使用完整的原始数据进行模型训练时，我们发现训练集的准确率达到了 94.22%，而测试集的
准确率则为 93.6%。虽然这与之前使用特征提取数据的模型性能相当接近，但我们仍可以尝试进一步
优化模型，以提高其在实际应用中的性能。
