| 摘要 | 第5-13页 |
| 1 绪论 | 第13-29页 |
| 1．1 选题意义 | 第13-15页 |
| 1．2 基于非平稳信号处理的故障诊断技术现状 | 第15-19页 |
| 1．2．1 小波变换与机械故障诊断 | 第15-16页 |
| 1．2．2 Cohen类时频分布与故障诊断 | 第16-17页 |
| 1．2．3 局域波法与故障诊断 | 第17-19页 |
| 1．3 基于非高斯信号处理的故障诊断技术现状 | 第19-25页 |
| 1．3．1 基于高阶矩谱的故障诊断技术国内外现状 | 第20-21页 |
| 1．3．2 基于盲源分离的故障诊断技术国内外现状 | 第21-25页 |
| 1．4 论文的结构安排与主要工作 | 第25-29页 |
| 1．4．1 论文研究的主要问题 | 第25页 |
| 1．4．2 论文的研究内容和章节安排 | 第25-29页 |
| 2 局域波时频表示及其基于矩和边缘的特征提取方法 | 第29-47页 |
| 2．1 全域波分析方法的局限性 | 第29-31页 |
| 2．2 局域波时频分析 | 第31-40页 |
| 2．2．1 瞬时频率及其物理意义 | 第32-33页 |
| 2．2．2 局域波分解原理及算法 | 第33-38页 |
| 2．2．3 局域波时频分布 | 第38页 |
| 2．2．4 仿真信号分析 | 第38-40页 |
| 2．3 基于局域波时频谱的矩和边缘的特征提取与故障诊断 | 第40-46页 |
| 2．3．1 局域波时频谱的时间矩和频率矩以及时间边缘和频率边缘 | 第41-42页 |
| 2．3．2 概率神经网络分类器 | 第42-44页 |
| 2．3．3 转子故障的概率神经网络分类 | 第44-46页 |
| 2．4 小结 | 第46-47页 |
| 3 多分量神经网络预测模型及其在故障诊断中的应用 | 第47-62页 |
| 3．1 神经网络预测时间序列 | 第47-49页 |
| 3．1．1 简单描述 | 第47-48页 |
| 3．1．2 参数和网络大小 | 第48-49页 |
| 3．1．3 数据和预测精度 | 第49页 |
| 3．2 多分量神经网络预测模型 | 第49-54页 |
| 3．2．1 网络结构 | 第50-51页 |
| 3．2．2 算法介绍 | 第51-54页 |
| 3．3 仿真预测结果 | 第54-57页 |
| 3．4 在转子故障诊断中的应用 | 第57-61页 |
| 3．4．1 基于模型库的故障诊断方法 | 第57-59页 |
| 3．4．2 不同训练样本长度下的故障分类情况 | 第59-61页 |
| 3．5 小结 | 第61-62页 |
| 4 Wigner高阶矩谱在机械故障特征提取中的应用 | 第62-75页 |
| 4．1 高阶Wigner-Ville矩分布 | 第63-65页 |
| 4．1．1 Wigner高阶矩谱(WHOMS)的定义 | 第63-65页 |
| 4．1．2 切片Wigner高阶矩谱 | 第65页 |
| 4．2 模糊函数 | 第65-67页 |
| 4．3 利用局域波分解抑制WHOS交叉项的方法 | 第67-68页 |
| 4．4 仿真实验 | 第68-70页 |
| 4．5 WHOMS在柴油机缸套活塞磨损诊断中的应用实例 | 第70-73页 |
| 4．6 小结 | 第73-75页 |
| 5 基于局域波时频图像的盲源分离故障分类 | 第75-93页 |
| 5．1 盲源分离基本理论 | 第75-78页 |
| 5．1．1 问题描述 | 第75-76页 |
| 5．1．2 盲可辩识性 | 第76-77页 |
| 5．1．3 盲源分离的预处理 | 第77-78页 |
| 5．2 独立性和非高斯性 | 第78-80页 |
| 5．3 信号的非高斯性度量 | 第80-85页 |
| 5．3．1 峭度 | 第80-82页 |
| 5．3．2 负熵 | 第82-83页 |
| 5．3．3 互信息最小化 | 第83-85页 |
| 5．4 FastlCA算法 | 第85-87页 |
| 5．5 基于局域波时频图的盲源分离在故障诊断上的应用 | 第87-91页 |
| 5．5．1 基于局域波时频图像的盲源分离故障分类图解 | 第88页 |
| 5．5．2 用于局域波时频谱图像识别的盲源分离算法 | 第88-91页 |
| 5．6 小结 | 第91-93页 |
| 6 非平稳信号的盲源分离在机械故障诊断中的应用 | 第93-111页 |
| 6．1 非平稳源信号的盲分离模型 | 第93-94页 |
| 6．1．1 数学模型 | 第93页 |
| 6．1．2 假设条件 | 第93-94页 |
| 6．2 空间时频分布 | 第94-95页 |
| 6．3 基于时频分布的盲识别方法 | 第95-100页 |
| 6．3．1 第一步：预白化 | 第95-97页 |
| 6．3．2 第二步：联合对角化 | 第97-99页 |
| 6．3．3 非平稳信号的盲分离算法过程 | 第99-100页 |
| 6．4 不同时频分布的非平稳盲源分离算法性能比较 | 第100-105页 |
| 6．4．1 Cohen类时一频分布 | 第100-101页 |
| 6．4．2 仿真比较实验 | 第101-105页 |
| 6．5 非平稳信号盲源分离算法在机械故障诊断中的应用 | 第105-108页 |
| 6．6 基于盲源分离的多传感器数据融合故障诊断方法 | 第108-110页 |
| 6．6．1 数据融合框架 | 第108-109页 |
| 6．6．2 转子故障诊断的盲源分离多传感器数据融合诊断 | 第109-110页 |
| 6．7 小结 | 第110-111页 |
| 结论 | 第111-113页 |
| 参考文献 | 第113-124页 |
| 攻读博士学位期间发表学术论文情况 | 第124-125页 |
| 创新点摘要 | 第125-126页 |
| 致谢 | 第126-127页 |
| 附录A 联合对角化 | 第127-129页 |
| 大连理工大学学位论文版权使用授权书 | 第129页 |
