| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一章 绪论 | 第14-34页 |
| ·课题背景与意义 | 第14-16页 |
| ·课题背景 | 第14页 |
| ·课题意义 | 第14-16页 |
| ·机械设备故障诊断技术的应用现状 | 第16-17页 |
| ·机械设备故障诊断理论研究现状 | 第17-20页 |
| ·故障机理 | 第17-18页 |
| ·故障推理 | 第18-20页 |
| ·故障诊断技术发展趋势 | 第20页 |
| ·故障特征信号检测 | 第20-22页 |
| ·时域分析 | 第20页 |
| ·功率谱分析 | 第20-21页 |
| ·傅立叶变换（FT）谱分析 | 第21页 |
| ·ARMA 等现代谱分析 | 第21页 |
| ·高阶谱(HOS)分析 | 第21页 |
| ·时频分析 | 第21-22页 |
| ·小波分析 | 第22页 |
| ·目前信号检测存在的问题 | 第22-23页 |
| ·基于盲源分离的故障信号检测 | 第23-28页 |
| ·盲源分离问题描述 | 第24-25页 |
| ·盲源分离研究现状 | 第25-26页 |
| ·盲分离的应用 | 第26-27页 |
| ·盲源分离理论用于机械故障提取的现状 | 第27-28页 |
| ·本论文研究的目标及内容 | 第28-30页 |
| ·目标 | 第28页 |
| ·研究内容和论文结构 | 第28-30页 |
| 参考文献 | 第30-34页 |
| 第二章 PCA 的自适应快速算法 | 第34-56页 |
| ·前言 | 第34页 |
| ·PCA 概述 | 第34-39页 |
| ·PCA 在噪声信号分析中的应用 | 第34-36页 |
| ·PCA 传统算法 | 第36-39页 |
| ·NOja 算法 | 第39-42页 |
| ·基于NIC 准则的并行PCA | 第42-49页 |
| ·算法比较 | 第44页 |
| ·MNIC 稳定点特征 | 第44-48页 |
| ·MNIC 全局稳定性证明 | 第48-49页 |
| ·算法性能仿真 | 第49-53页 |
| ·PCA 验证 | 第49-51页 |
| ·参数变化对MNIC 性能影响 | 第51-53页 |
| ·电机噪声信号的主成分分析 | 第53页 |
| ·本章小结 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 第三章：瞬时混合条件下噪声信号盲分离的自适应算法 | 第56-75页 |
| ·前言 | 第56-58页 |
| ·机械噪声信号多传感器检测的盲源分离模型 | 第56-57页 |
| ·瞬时混合模型的盲源分离问题概述 | 第57-58页 |
| ·信号独立性度量 | 第58-60页 |
| ·信号高斯性测度-峰度 | 第58-59页 |
| ·统计独立性原理 | 第59-60页 |
| ·信号分离准则 | 第60-67页 |
| ·信息论基础 | 第60-61页 |
| ·对照函数 | 第61-64页 |
| ·典型自适应算法 | 第64-67页 |
| ·算法性能评价准则 | 第67页 |
| ·瞬时混合机械噪声两步自适应盲分离 | 第67-70页 |
| ·机械噪声分离的特殊性 | 第68页 |
| ·两阶段噪声盲分离 | 第68-70页 |
| ·噪声分离实验 | 第70-72页 |
| ·本章小结 | 第72页 |
| 参考文献 | 第72-75页 |
| 第四章 基于块处理的噪声信号盲分离算法 | 第75-104页 |
| ·基于高阶累积量的盲分离块处理算法 | 第76-81页 |
| ·三阶累积量的局限 | 第76页 |
| ·四阶累积量 | 第76-81页 |
| ·基于二阶统计量的联合对角化盲分离（SOBI） | 第81-86页 |
| ·假设条件 | 第82页 |
| ·模型 | 第82-83页 |
| ·联合对角化 | 第83-84页 |
| ·经典的SOBI- Givens 旋转法算法流程 | 第84-85页 |
| ·鲁棒的二阶盲分离算法（RSOBI） | 第85-86页 |
| ·基于m-spacing 熵的盲分离—RADICAL 及其改进算法 MRADICAL (Modified RADICAL) | 第86-96页 |
| ·前言 | 第86-87页 |
| ·非参数熵估计基本概念 | 第87-88页 |
| ·改进的RADICAL 算法——MRADICAL | 第88-96页 |
| ·计算机仿真实验 | 第96-100页 |
| ·RSOBI 算法性能仿真实验 | 第96-97页 |
| ·RADICAL、MRADICAL 盲分离性能比较实验 | 第97-100页 |
| ·MRADICAL 分离机械噪声仿真实验 | 第100页 |
| ·本章小结 | 第100-101页 |
| 参考文献 | 第101-104页 |
| 第五章：卷积混合条件下噪声信号盲分离算法 | 第104-132页 |
| ·前言 | 第104-105页 |
| ·噪声信号卷积混合模型 | 第105-107页 |
| ·假设条件 | 第107页 |
| ·传统的盲反卷积算法 | 第107-112页 |
| ·传统卷积混合盲源分离算法 | 第109-110页 |
| ·频率域算法 | 第110-112页 |
| ·新颖的傅立叶变换系数计算 | 第112-116页 |
| ·采样积分傅立叶变换（SIFT：sample integrated Fourier | 第112-114页 |
| ·滑动离散傅立叶变换（SDFT—Sliding Discrete Fourier | 第114-116页 |
| ·基于滑动傅立叶变换的盲反卷积算法 | 第116-123页 |
| ·单点频域盲反卷积 | 第117-120页 |
| ·多频点盲反卷积算法（一） | 第120-122页 |
| ·多频点盲反卷积算法（二） | 第122-123页 |
| ·仿真实验 | 第123-128页 |
| ·多频点盲反卷积算法（一）仿真实验及性能分析 | 第123-127页 |
| ·多频点盲反卷积算法（二）仿真实验 | 第127-128页 |
| ·本章小结 | 第128-129页 |
| 参考文献 | 第129-132页 |
| 第六章 基于ICA 的故障监控与诊断 | 第132-141页 |
| ·基于ICA 的故障监控与诊断通用框架 | 第132-134页 |
| ·基于ICA 的特征提取 | 第134-137页 |
| ·时域特征 | 第134-135页 |
| ·频域特征提取 | 第135-136页 |
| ·基于互信息的特征提取 | 第136-137页 |
| ·基于ICA 和支持向量机的故障诊断 | 第137-140页 |
| ·支持向量机（SVM） | 第138-139页 |
| ·基于ICA 和支持向量机的故障诊断流程 | 第139-140页 |
| ·本章小结 | 第140页 |
| 参考文献 | 第140-141页 |
| 第七章 振动信号检测与盲源分离实验 | 第141-147页 |
| ·硬件系统 | 第141-143页 |
| ·AD7864 模数（A/D）转换器 | 第141-142页 |
| ·基于AD7864 的同步采集 | 第142页 |
| ·振动加速度传感器 | 第142-143页 |
| ·实验原理 | 第143-146页 |
| ·实验一 | 第144页 |
| ·实验二 | 第144-146页 |
| ·结论 | 第146页 |
| ·本章小结 | 第146-147页 |
| 第八章 结论及工作展望 | 第147-149页 |
| ·主要成果和创新 | 第147-148页 |
| ·工作展望 | 第148-149页 |
| 致谢 | 第149-150页 |
| 作者在攻读博士学位期间完成的论文 | 第150页 |
| 作者在攻读学位期间完成的项目 | 第150-151页 |
| 附录A 项目实验照片 | 第151-154页 |
