1. Xiangyang Zhang, Guo Chen. Rolling bearing fault convolutional neural network diagnosis method based on casing signal[J]. Jouranl of Mechanical Science and Technology.（已录用，SCI检索）

2. 张向阳 , 陈果, 郝腾飞等. 基于机匣信号的滚动轴承故障卷积神经网络诊断方法[J]. 航空动力学报.（已录用, EI检索, 重要核心期刊）

3. 张旭, 陈果, 寸文渊, 赵正大, 陈雪梅, 张向阳 等. 管道CATIA图形特征的自动提取及接口技术研究[J]. 航空计算技术.（已录用, 核心期刊）

题目：《基于深度迁移学习的航空发动机滚动轴承故障智能诊断》

       滚动轴承作为航空发动机转子支承系统关键部件，工作在高温、高速、载荷大且变化剧烈等恶劣条件下，属于故障频发部件。实时监测航空发动机滚动轴承的健康状态、尽早发现滚动轴承早期剥落故障对于保证飞机安全飞行具有重要意义。本文针对航空发动机的机匣微弱故障信号监测和小样本故障数据的智能诊断方法进行了研究，主要研究内容如下：
     （1）分析了滚动轴承的振动机理与剥落故障激励下的振动特性。并通过试验对滚动轴承故障激励下的航空发动机机匣故障信号的微弱性进行了验证分析。
     （2）研究了基于卷积神经网络的滚动轴承故障诊断方法。介绍了三种不同数据预处理方法：矩阵图法、峭度图法、小波尺度谱法。最后通过带机匣的航空发动机转子试验器进行滚动轴承试验研究，结果表明：1）以小波尺度谱为前处理方法的卷积神经网络诊断方法效果最好；2）本文研究的卷积神经网络诊断方法更易提取滚动轴承的故障特征，且其故障识别率明显高于传统支持向量机方法。
     （3）针对小样本下的机匣故障信号，提出了基于卷积神经网络与迁移学习相结合的滚动轴承智能故障诊断方法。首先将轴承座信号作为源域，机匣信号作为目标域，利用非线性特征映射同时从源域和目标域中学习可迁移的特征；然后利用MMD来衡量学习的可迁移特征的分布差异，最后利用域共享分类器实现基于特征迁移的目标域故障分类。
       本文工作对于进一步提升航空发动机滚动轴承故障诊断的精度与智能化程度、有效实施航空发动机健康管理具有重要意义。