矿用主扇风机滚动轴承的状态监测与故障诊断研究对煤矿生产安全具有重要意义。现有的滚动轴承故障诊断方法在实际工况中进行直接应用时存在训练不足、故障诊断准确率不足的问题。并且矿用主扇风机滚动轴承长期处于正常运行状态，正常样本的数量远多于故障样本，存在样本不平衡问题。因此，本文提出一种基于迁移学习的矿用主扇风机滚动轴承故障诊断方法。该方法将常规滚动轴承数据作为源域数据，将矿用主扇风机滚动轴承数据作为目标域数据。首先利用对称极坐标（SDP）方法将振动信号转换为SDP图像，接着利用充足的源域图像样本对常规滚动轴承故障诊断模型进行训练，训练完成后将诊断模型的参数迁移至矿用主扇风机滚动轴承故障诊断模型中。迁移过程中对低层网络进行锁定并通过目标域图像样本对模型的高层网络进行微调，最终得到参数权重优化后的矿用主扇风机滚动轴承故障诊断模型。同时，为了解决样本不平衡问题，在模型中添加了加权交叉熵损失函数进行训练，使诊断模型对作为少数类的故障样本赋予更高的权重并在诊断过程中更加关注故障样本，从而提高诊断准确率。为了验证提出方法的有效性，本文通过常规滚动轴承故障试验台与实际工况中的矿用主扇风机滚动轴承数据进行了实验验证。结果表明本文提出方法可以对矿用主扇风机滚动轴承的运行状态进行准确识别分类，准确率达99.28%。

0引言
1理论基础
1.1 迁移学习
1.2 卷积神经网络
1.3 加权交叉熵损失函数
1.4对称极坐标（SDP）图像
2基于迁移学习的故障诊断方法
3实验验证
4结论