基于迁移学习的伺服电机轴承故障诊断

研究背景与意义​

工业机器人（IR）因高精度和耐久性被广泛应用于制造业，但其核心组件 ​伺服电机轴承​ 的故障可能导致停机和生产损失。传统故障诊断方法在复杂工业场景下面临挑战，因此本研究提出一种基于迁移学习（Transfer Learning, TL）​​ 的创新诊断方法，结合连续小波变换（CWT）​​ 和卷积神经网络（CNN）​，实现高效轴承故障检测。

​核心创新点​

1. ​迁移学习框架​

   • 利用预训练的 ​VGG19 模型​（在ImageNet数据集上训练）作为基础架构。
   • ​冻结前4个卷积层，保留其提取通用特征的能力；微调最后一层卷积层及全连接层以适应目标任务。
   • 优势：避免从头训练模型，减少计算资源需求，提升小样本场景下的泛化能力。

2. ​数据预处理流程​

   • ​信号分段​：通过短时傅里叶