♣论文：

[1]Kang Yuxiang, Chen Guo,Wang Hao, Pan Wenping, Wei Xunkai.Fault anomaly detection method of aero-engine rolling bearing based on distillation learning.[J]. ISA Transactions.

[2] Kang Yuxiang, Chen Guo,Wang Hao, Pan Wenping, Wei Xunkai.Dual-Input Anomaly Detection Method Based on Deep Reinforcement Learning[J].Structural Health Monitoring.

[3] Kang Yuxiang, Chen Guo,Wang Hao, Wei Xunkai. A New Dual-Input Deep Anomaly Detection Method for Early Faults Warning of Rolling Bearings [J].Sensors.

[4] Yuxiang Kang,Guo Chen,Wenping Pan,Xunkai Wei,Hao Wang,Zhiyuan He.A dual-experience pool deep reinforcement learning method and its application in fault diagnosis of rolling bearing with unbalanced data[J].Journal of Mechanical Science and Technology.2023,Vol.37(No.6):2715-2726.

[5] Yuxiang Kang,Guo Chen;Wenping Pan,Xunkai Wei,Hao Wang. A Deep Anomaly Detection with Same Probability Distribution and Its Application in Rolling Bearing[J]. Journal of Dynamic Systems, Measurement and Control.

[6] 康玉祥,陈果,尉询楷等.深度残差对冲网络及其在滚动轴承故障诊断中的应用[J].航空学报,2022,43(08):63-74.

[7] 康玉祥,陈果,尉询楷等.基于残差网络的航空发动机滚动轴承故障多任务诊断方法[J].振动与冲击,2022,41(16):285-293.

[8] 康玉祥,陈果,盛嘉玖,王浩,尉询楷.低转速航空发动机滚动轴承故障深度异常检测方法[J].振动与冲击

[9] 康玉祥,陈果,王浩,尉询楷.基于自监督深度一类分类的滚动轴承早期故障预警[J].航空动力学报

       滚动轴承是航空发动机、地面燃气轮机等旋转机械系统中的关键支撑部件，由于复杂的运行环境和工况，导致其极易产生故障。统计显示，滚动轴承故障成为了飞机发动机空中停车和提前换发的主要原因之一。因此，开展针对滚动轴承的状态与健康监测，对于航空发动机、燃气轮机等装备而言，具有极其重要的工程实用价值。有鉴于此，本文以实际航空发动机滚动轴承的状态监测为需求牵引，进行了多工况下滚动轴承早期故障检测与融合诊断关键技术研究及试验验证。论文的具体研究内容及创新点如下：
       （1）针对滚动轴承故障样本难以获取的特点，提出了一种适用于滚动轴承故障的融合深度强化学习的双输入深度异常检测方法，所提方法主要由特征提取器和异常检测器两部分组成。其中，特征提取器以深度强化学习框架为基础，采用了双输入深度神经网络构成当前值网络和目标值网络，用于提取低维特征向量。基于 3σ 原理设计了强化学习的回报函数，用于在训练时对模型的输出结果进行奖惩。仅依靠正常类数据完成模型的训练，将所提取的正常类的特征向量作为异常检测器的输入，完成检测器的学习。在测试时，依据双输入卷积神经网络和学习完成的异常检测器实现对输入的异常检测。为了说明所提方法的通用性和泛化性能，在不同领域的 4 组公开图像数据集和多组滚动轴承故障数据集以及某型真实的航空发动机滚动轴承故障数据集上分别进行了验证。结果表明，所提模型具有很高的异常检测精度，明显优于当前的最优方法。
       （2）提出了三种少故障样本下滚动轴承的故障诊断方法，分别是：1）基于深度强化学习的少故障样本故障诊断方法，该方法利用两个深度残差网络分别用于实现多数类和少数类的诊断。同时，为提高诊断精度，提出了双经验池和平衡交叉采样技术。2）对深度残差网络进行了改进，提出了对冲残差网络结构，大大提高了训练速度。3）提出了一种多任务深度残差网络模型，该模型能够同时实现故障诊断、故障告警以及损伤尺寸预测三种任务。最后，在多种滚动轴承数据集上和某型真实的航空发动机滚动轴承故障数据集上对上述方法进行了充分的对比验证。
       （3）针提出了低转速下滚动轴承故障异常检测方法。首先，利用小波包络分析技术，对低转速状态下基于机匣测点信号的某型航空发动机滚动轴承故障频率的难检测性进行了分析，得出了低转速状态下很难利用寻找故障特征频率的方法实现某型航空发动机滚动轴承故障诊断的结论。然后，利用低转速状态下滚动轴承故障冲击间隔长以及手摇情况下转速波动的特点，提出了基于 Vision Transformer（ViT）的异常检测方法。最后，在带机匣的航空发动机转子试验器上和某型真实的航空发动机上进行了低转速试验验证，验证了上述方法的有效性。
       （4）为充分利用振动加速度数据和滑油监测数据，进一步提高诊断精度，分别利用高斯多元分布方法和模糊融合诊断方法实现了滚动轴承故障的多源数据融合诊断。在融合诊断中，提取振动有效值、峭度等振动特征，以及滑油监测数据中的 Fe 颗粒累计质量等特征，作为融合诊断的输入。最后，利用滚动轴承全寿命试验数据和航空发动机故障演化试车数据对融合诊断方法进行了验证。针提出了低转速下滚动轴承故障异常检测方法。首先，利用小波包络分析技术，对低转速状态下基于机匣测点信号的某型航空发动机滚动轴承故障频率的难检测性进行了分析，得出了低转速状态下很难利用寻找故障特征频率的方法实现某型航空发动机滚动轴承故障诊断的结论。然后，利用低转速状态下滚动轴承故障冲击间隔长以及手摇情况下转速波动的特点，提出了基于 Vision Transformer（ViT）的异常检测方法。最后，在带机匣的航空发动机转子试验器上和某型真实的航空发动机上进行了低转速试验验证，验证了上述方法的有效性。