摘要： 针对实际工程应用中被标记的滚动轴承故障样本收集困难，传统诊断模型精度较低的问题，提出一种伪标签学习融合参数迁移深度学习网络的半监督滚动轴承故障诊断模型。首先将ImageNet 数据集上预训练的残差网络（Residual Network，ResNet）模型参数迁移至本文模型中作为初始参数，并使用不同学习率微调网络层参数以加快模型收敛速度；随后引入伪标签半监督学习，使用标签数据训练模型并对无标记数据进行预测以生成伪标签；最后使用标签数据以及伪标签数据训练参数迁移后的ResNet 模型，并测试诊断效果。对两种滚动轴承故障数据进行半监督下故障诊断实验及跨域故障诊断实验。实验结果表明，在具有大量未标记样本集下，所提出模型可迁移至不同设备完成诊断，具有较强的鲁棒性，可用于处理复杂工业环境中的故障诊断问题。

关键词: 故障诊断, 滚动轴承, 半监督学习, 深度迁移学习