电机异常检测在电机生产过程中扮演着重要的角色,基于深度学习的异常检测方法得到了广泛研究和应用。近年来,出现了基于特征提取与神经网络结合的方案以及基于深度学习模型的方案,用于电机异常检测。然而,前者的方案过于依赖特征提取技术的可靠性,而后者的模型设计需要足够数量的特征样本支持,因此难以适用于特征样本较少的异常检测任务。此外,在实际应用中,电机生产商通常会定期对模型进行重新训练,但现有的方案采用的是随机初始化的重新训练策略,存在无法保证每次训练结果都优良的问题。本文的主要工作如下:（1）针对特征样本有限的电机异常检测场景,本文提出了一种具有泛化性能的电机异常检测模型。该模型包括强化单元和诊断单元,通过集成学习从原始振动信号中提取相邻特征,并通过嵌套的TCN模型（Temporal Convolutional Network,TCN）和残差网络增强模型泛化性能。实验结果表明,在工厂数据集中,该模型的异常检测准确率达到了 97.96%,并且具有出色的泛化能力。（2）针对随机初始化的模型重新训练策略存在的不稳定性问题,本文提出了分级迁移的模型重新训练策略。首先,利用分级的思想,将所有的数据分为困难数据集、中等数据集以及简单数据集。同时,结合迁移学习的思想,将知识分批次的进行分级迁移。先利用困难数据集来训练冻结少部分层数的模型,在利用困难数据集和中等数据集来训练冻结更多层数的模型,最后在利用所有数据来训练模型的全连接层。实验结果表明,相比随机初始化的模型训练策略以及冻结加微调的迁移学习模型训练策略,本文提出的分级迁移策略来进行模型的重新训练可以取得更高的准确率以及更稳定的分类效果。本文通过提出不同的改进方案,对电机异常检测的不足进行了优化。实验证明所提出的模型和策略在不同数据集上均取得了有效的结果。这为电机异常检测提供了新的思路与解决方案。