Fault diagnosis of rotating machinery plays a significant role in the industrial production and engineering field. Owing to the drawbacks of traditional fault diagnosis methods, such as heavily dependence on human knowledge and professional experience, intelligent fault diagnosis based on deep learning (DL) has aroused the interest of researchers. DL achieves the desirable automatic feature learning and fault classification. Therefore, in this review, DL and DL-based intelligent fault diagnosis techniques are overviewed. DL-based fault diagnosis approaches for rotating machinery are summarized and discussed, primarily including bearing, gear/gearbox and pumps. Finally, with respect to modern intelligent fault diagnosis, the existing challenges and possible future research orientations are prospected and analyzed.

Rotating machinery plays an essential part in many engineering fields. It needs prompt solutions to the prognosis and health management to ensure the system reliability. Facilitated by big data and artificial intelligence, intelligent fault diagnosis provides a new approach. As for the insufficient faulty data and complex conditions, deep transfer learning (DTL) presents a possible approach for cross-domain and cross-machine diagnosis. The published reviews thus far mainly emphasize on the analysis of fault diagnosis based on common classes of DTL or industrial application scenarios. This review concentrates on the applications of DTL in rotating machinery. Moreover, present relevant reviews were mainly till the end of 2021. The latest researches are analyzed from then until now. A special main line based on input types is chosen that distinguishes it from other reviews. From this perspective, it is therefore valuable to comprehensively investigate the fault diagnosis of rotating machinery. This survey firstly outlines the fundamental principle and conventional categories of DTL. The primary applications of DTL in fault diagnosis of rotating machinery are then summarized, and more than 100 relative studies have been analyzed. The special perspective of input types is selected and evaluated, including one-dimensional and two-dimensional, on the DTL framework as applied to the rotary machines discussed. Finally, the existing challenges are pointed out and potential future trends of DTL are prospected. This review helps readers to understand the research status and development trends of transfer intelligent fault diagnosis. It serves to the innovative exploration from multiple different scales.

Optimizing the hydraulic components of nuclear main pump (NMP) and conducting performance verification is crucial. Due to the large size of the real NMP, the strict requirements of the operation and the high test-cost, there are many difficulties in the real test. The mixed flow NMP is taken as the research object, and the CAP1400 NMP is selected as the prototype pump (PP). The model pumps (MPs) with varying scales are established based on the similarity conversion algorithm (SCA). Then, the influence of different scales on the hydraulic performance and internal flow field is investigated and compared. It is demonstrated that the predicted value of head is 4 % higher than the design value at the design operating point, and the maximum efficiency point is close to the design operating point. In the range of full flow conditions, the head, hydraulic efficiency, impeller efficiency, guide vane energy loss, internal flow field, and vorticity distribution of PP and MPs are basically consistent with the trend of flow rate variations. The PP and MPs conform to the SCA. The hydraulic design and performance optimization of NMP are achieved by using the model proportional scaling approach.

Liver fibrosis is a major cause of morbidity and mortality among in patients with chronic hepatitis. Radiomics, particularly of the spleen, may improve diagnostic accuracy and treatment strategies. External validations are necessary to ensure reliability and generalizability.