| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1. 绪论 | 第9-16页 |
| ·选题背景及意义 | 第9页 |
| ·故障诊断技术的研究现状 | 第9-11页 |
| ·独立分量分析技术的研究现状 | 第11-13页 |
| ·独立分量分析技术在故障诊断领域的应用现状 | 第13-14页 |
| ·量子算法及其应用现状 | 第14-15页 |
| ·论文的主要工作和框架 | 第15-16页 |
| 2. 齿轮箱故障特征分析 | 第16-25页 |
| ·齿轮箱故障的主要类型 | 第16-18页 |
| ·齿轮振动机理及特征分析 | 第18-20页 |
| ·轴承振动机理及特征分析 | 第20-21页 |
| ·齿轮箱故障诊断实验与分析方法 | 第21-24页 |
| ·时域分析法（time domain analysis） | 第22-23页 |
| ·频域分析法（frequency domain analysis） | 第23-24页 |
| ·其它分析法 | 第24页 |
| ·本章小结 | 第24-25页 |
| 3. 独立分量分析理论 | 第25-41页 |
| ·独立分量分析技术模型 | 第25-28页 |
| ·独立分量分析算法 | 第28-35页 |
| ·信号预处理 | 第29页 |
| ·信息传输最大化（负熵最大化）目标函数 | 第29-31页 |
| ·最大似然目标函数 | 第31页 |
| ·基于相对梯度ICA 优化算法 | 第31-32页 |
| ·基于最大信噪比的ICA 优化算法（SNR_Max） | 第32-33页 |
| ·基于负熵的快速定点算法（FASTICA） | 第33-35页 |
| ·独立分量分析仿真实验 | 第35-38页 |
| ·FASTICA 算法仿真实验 | 第35-37页 |
| ·最大信噪比 SNB-Max 仿真实验 | 第37-38页 |
| ·分离效果评价 | 第38-39页 |
| ·ICA 模型的可辨识性和不确定性 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 4. 基于量子特征的故障诊断技术 | 第41-47页 |
| ·量子计算（Quantum Computing） | 第41-43页 |
| ·量子位 | 第41-42页 |
| ·量子比特 | 第42-43页 |
| ·量子旋转门 | 第43页 |
| ·基于量子特征的故障信息描述 | 第43-44页 |
| ·量子神经网络模型简介 | 第44-46页 |
| ·量子神经元模型 | 第44-45页 |
| ·量子自组织特征映射网络模型 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 5. 齿轮箱故障诊断实验与分析 | 第47-65页 |
| ·齿轮箱振动信号的采集实验 | 第47-52页 |
| ·测试实验过程与结果 | 第49-50页 |
| ·齿轮箱测试信号时频域图 | 第50-52页 |
| ·齿轮箱振动信号的ICA 分解 | 第52-55页 |
| ·故障特征参量提取 | 第55-56页 |
| ·基于量子态的时频域特征参量提取 | 第56-59页 |
| ·量子自组织特征映射网络聚类算法 | 第59-63页 |
| ·竞争学习规则 | 第60页 |
| ·网络聚类算法 | 第60-62页 |
| ·网络分类算法 | 第62-63页 |
| ·基于 QSOFM 的故障诊断结果及分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 6. 总结 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士期间发表的论文及研究成果 | 第71-72页 |
| 致谢 | 第72页 |
