| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题来源及研究意义 | 第10页 |
| 1.2 国内外研究现状分析 | 第10-15页 |
| 1.2.1 盲信号处理技术的研究现状 | 第10-11页 |
| 1.2.2 轴承信号特征提取方法的研究现状 | 第11-12页 |
| 1.2.3 信号熵特征的研究现状 | 第12-13页 |
| 1.2.4 信号特征降维方法研究现状 | 第13-14页 |
| 1.2.5 研究现状分析 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 第2章 基于滑动熵-ICA算法的轴承振动信号盲源分离 | 第16-33页 |
| 2.1 信号的盲源分离系统模型 | 第16-18页 |
| 2.2 独立主成分(ICA)算法原理 | 第18-22页 |
| 2.2.1 独立成分分析(ICA)的前提假设 | 第18页 |
| 2.2.2 独立成分分析(ICA)的基本理论 | 第18-22页 |
| 2.3 基于滑动熵-ICA算法的单通道轴承信号的盲源分离 | 第22-25页 |
| 2.3.1 EMD算法介绍 | 第22-23页 |
| 2.3.2 基于信号滑动熵互相关系数法筛选有效IMF分量 | 第23-24页 |
| 2.3.3 基于滑动熵-ICA算法盲源分离的实现流程 | 第24-25页 |
| 2.4 滑动熵-ICA算法的仿真实验分析 | 第25-32页 |
| 2.5 本章总结 | 第32-33页 |
| 第3章 基于小波包络分析法和信号熵的轴承信号特征提取方法 | 第33-45页 |
| 3.1 小波包分解重构轴承信号 | 第33-34页 |
| 3.2 基于Hilbert变换的轴承信号包络解调 | 第34-35页 |
| 3.3 轴承信号熵特征的计算 | 第35-37页 |
| 3.3.1 时域信号熵(Timeentropy,TimeEn) | 第35-36页 |
| 3.3.2 样本熵(Sampleentropy,SamEn) | 第36-37页 |
| 3.4 基于小波包络分析的轴承信号样本熵特征 | 第37-38页 |
| 3.5 基于ReliefF算法选择有效子频带包络信号特征 | 第38-40页 |
| 3.6 轴承信号的特征提取方法实验分析 | 第40-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第4章 基于相关流形学习算法的轴承信号特征降维方法 | 第45-61页 |
| 4.1 轴承信号多域特征提取 | 第45-49页 |
| 4.1.1 信号时域特征统计量 | 第45-46页 |
| 4.1.2 信号频域特征统计量 | 第46-49页 |
| 4.1.3 轴承信号多域特征提取提取方法优缺点对比 | 第49页 |
| 4.2 基于主成分分析法(PCA)的数据降维 | 第49-51页 |
| 4.3 基于相关流形学习算法的轴承信号多域特征降维 | 第51-54页 |
| 4.3.1 LLE算法原理推导 | 第51-53页 |
| 4.3.2 基于相关流形学习算法(Cor-LLE)的数据降维 | 第53-54页 |
| 4.4 基于Cor-LLE算法的轴承信号多域特征降维流程 | 第54-55页 |
| 4.5 仿真与实验验证 | 第55-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 基于MFC和MATLAB混编的轴承故障诊断系统实现 | 第61-74页 |
| 5.1 MFC简介 | 第61-63页 |
| 5.1.1 MFC工作原理及使用方法 | 第61-62页 |
| 5.1.2 MFC调用MATLAB函数 | 第62-63页 |
| 5.2 数据采集系统结构设计 | 第63-66页 |
| 5.2.1 轴承振动信号采集实验平台 | 第64页 |
| 5.2.2 信号加速度传感器安装 | 第64-65页 |
| 5.2.3 高频信号数据采集仪 | 第65-66页 |
| 5.3 系统功能需求分析 | 第66-67页 |
| 5.4 系统软件实现 | 第67-73页 |
| 5.4.1 系统界面以及各模块组建 | 第67-68页 |
| 5.4.2 系统模块功能实现 | 第68-73页 |
| 5.5 本章小结 | 第73-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读学位期间的研究成果 | 第80-81页 |
| 致谢 | 第81页 |
