심층 전이 학습 (Deep Transfer Learning, DTL)은 지능형 고장 진단 시스템 (Intelligent Fault Diagnosis Systems, IFDS)을 효율적으로 구축할 수 있게 해줍니다. 반면, DTL 방법론은 여전히 대량의 라벨링된 데이터 (labelled data)에 크게 의존합니다. 기계나 구조물의 결함을 다룰 때 이러한 양의 데이터를 확보하는 것은 어려울 수 있습니다. 본 문서는 데이터가 매우 부족한 상황에서 DTL을 사용하여 진동 기반 IFDS를 설계하는 새로운 접근 방식을 제안합니다. 실제 시스템의 고유한 비선형성 (non-linearities)을 활용하는 주기적인 다중 흥분 레벨 (multi-excitation level) 절차를 사용하여, 사전 학습된 합성곱 신경망 (Convolutional Neural Networks, CNNs)에 의해 편리하게 분석되어 고장을 진단할 수 있는 이미지를 생성합니다. 본 논문에서는 IFDS 설계 중에 직면하는 전형적인 데이터 부족 문제를 해결하기 위해 새로운 데이터 시각화 방법과 그 증강 (augmentation) 기술을 제안합니다. 철도 팬터그래프 (railway pantograph) 구조에 대한 실험적 검증은 제안된 방법의 효과적인 지원을 제공합니다.