| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-27页 |
| ·课题来源 | 第11页 |
| ·国内外研究现状 | 第11-24页 |
| ·风力风电技术的研究现状 | 第11-13页 |
| ·风力机主轴承振动诊断的研究现状 | 第13-16页 |
| ·风力机主轴承声发射诊断的研究现状 | 第16-21页 |
| ·盲信号处理技术的研究现状 | 第21-24页 |
| ·课题研究的目的和意义 | 第24-25页 |
| ·本文主要研究内容 | 第25-27页 |
| 第二章 盲源分离的基本理论 | 第27-43页 |
| ·盲源分离基础 | 第28-31页 |
| ·盲源分离问题的数学模型 | 第28-30页 |
| ·盲源分离的基本假设 | 第30页 |
| ·盲源分离的不确定性 | 第30-31页 |
| ·盲源分离的预处理算法 | 第31-32页 |
| ·中心化 | 第31页 |
| ·白化处理 | 第31-32页 |
| ·盲源分离的独立性判据 | 第32-34页 |
| ·分离效果的评价指标 | 第34页 |
| ·独立分量分析及 FastICA 算法 | 第34-36页 |
| ·基于四阶累计量的 JADE 算法 | 第36-38页 |
| ·JADE 算法简介 | 第36-37页 |
| ·四阶累计量矩阵 | 第37页 |
| ·JADE 算法的计算步骤 | 第37-38页 |
| ·盲源分离算法的优化 | 第38-40页 |
| ·粒子群优化算法概述 | 第38-40页 |
| ·基于粒子群优化算法的盲分离 | 第40页 |
| ·优化算法的仿真研究 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于盲源分离的风力机主轴承振动诊断 | 第43-63页 |
| ·滚动轴承典型故障频率计算 | 第43-44页 |
| ·滚动轴承振动信号的处理 | 第44-49页 |
| ·滚动轴承振动信号分离实验设计 | 第49-55页 |
| ·风力机主轴承的振动信号分离实验设计 | 第55-59页 |
| ·风力机主轴承的振动信号分离实例 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第四章 基于盲源分离的风力机主轴承声发射诊断 | 第63-81页 |
| ·风力机主轴承声发射诊断的优点 | 第63-64页 |
| ·风力机主轴承声发射诊断实验设计 | 第64-66页 |
| ·风力机主轴承声发射信号的小波分析 | 第66-74页 |
| ·风力机主轴承声发射信号分离的实验研究 | 第74-80页 |
| ·本章小结 | 第80-81页 |
| 第五章 基于集成小波神经网络的风力机主轴承振声诊断 | 第81-99页 |
| ·集成小波神经网络故障诊断模型的建立 | 第82-90页 |
| ·基于信息融合的集成小波神经网络的基本思想 | 第82-83页 |
| ·紧致型小波神经网络算法 | 第83-86页 |
| ·集成小波神经网络的基本结构 | 第86-87页 |
| ·子神经网络的组建原则 | 第87-88页 |
| ·集成小波神经网络的实现策略 | 第88-90页 |
| ·基于集成小波神经网络的风力机主轴承故障故障诊断的实现 | 第90-95页 |
| ·风力机主轴承故障诊断系统的软件实现 | 第95-98页 |
| ·本章小结 | 第98-99页 |
| 第六章 结论与展望 | 第99-101页 |
| ·结论 | 第99页 |
| ·展望 | 第99-101页 |
| 参考文献 | 第101-110页 |
| 在学研究成果 | 第110-112页 |
| 致谢 | 第112页 |