| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 引言 | 第11-21页 |
| ·课题的来源、目的及意义 | 第11-12页 |
| ·课题来源 | 第11页 |
| ·目的及意义 | 第11-12页 |
| ·旋转机械故障诊断技术的研究内容和发展现状 | 第12-16页 |
| ·故障信息检测 | 第12-13页 |
| ·状态监测方法 | 第13页 |
| ·故障特征分析 | 第13-14页 |
| ·故障机理研究 | 第14页 |
| ·故障识别系统 | 第14-16页 |
| ·独立分量分析和神经网络技术在特征提取技术中的发展现状 | 第16-20页 |
| ·独立分量分析的研究概况及在特征提取中的应用 | 第16-17页 |
| ·神经网络的研究概况及在特征提取中的应用 | 第17-20页 |
| ·本文主要研究内容 | 第20-21页 |
| 第2章 独立分量分析原理 | 第21-34页 |
| ·相关的统计学基础 | 第21-22页 |
| ·随机变量的数字特征 | 第21-22页 |
| ·统计独立 | 第22页 |
| ·独立分量分析原理 | 第22-25页 |
| ·ICA 定义 | 第22-24页 |
| ·ICA 估计中的几个问题 | 第24页 |
| ·ICA 估计原理 | 第24-25页 |
| ·常用预处理 | 第25-28页 |
| ·中心化 | 第25-26页 |
| ·白化处理 | 第26-28页 |
| ·其它预处理 | 第28页 |
| ·非高斯性度量 | 第28-33页 |
| ·非高斯信号 | 第28-29页 |
| ·峭度 | 第29-30页 |
| ·负熵 | 第30-32页 |
| ·互信息最小化 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 独立分量分析在滚动轴承故障诊断中的应用 | 第34-49页 |
| ·统计算法概述 | 第34-36页 |
| ·自然梯度法 ICA | 第34页 |
| ·负熵最大化 ICA | 第34-35页 |
| ·信息最大化 ICA | 第35-36页 |
| ·快速算法FastICA | 第36-40页 |
| ·FastICA 原理 | 第36页 |
| ·单个单元的 FastICA | 第36-38页 |
| ·多单元FastICA 算法 | 第38页 |
| ·FastICA 算法仿真 | 第38-40页 |
| ·FastICA 在滚动轴承故障诊断中的应用 | 第40-48页 |
| ·滚动轴承的振动检测法 | 第40-43页 |
| ·试验装置 | 第43页 |
| ·滚动轴承状态 | 第43-44页 |
| ·基于 FastICA 滚动轴承故障特征提取和诊断 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 GTM 神经网络及在滚动轴承故障诊断中的应用 | 第49-62页 |
| ·引言 | 第49-50页 |
| ·GTM 模型 | 第50-55页 |
| ·隐变量模型 | 第50-52页 |
| ·EM 算法 | 第52-53页 |
| ·算法步骤总结 | 第53页 |
| ·仿真实例分析 | 第53-54页 |
| ·数据可视化 | 第54-55页 |
| ·放大因子 | 第55-57页 |
| ·GTM 模型在轴承故障模式识别中的应用 | 第57-62页 |
| ·信号时域特征值的选择 | 第58-59页 |
| ·基于 GTM 的滚动轴承故障特征提取和诊断 | 第59-62页 |
| 第5章 总结和展望 | 第62-63页 |
| ·全文回顾 | 第62页 |
| ·展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 附录1 硕士期间发表的论文 | 第67-68页 |
| 附录2 硕士期间参加的科研项目 | 第68页 |
