| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-4页 |
| 符号表 | 第4-5页 |
| 目录 | 第5-7页 |
| 第1章 前言 | 第7-15页 |
| ·课题研究背景及意义 | 第7页 |
| ·国内外研究动态 | 第7-14页 |
| ·傅里叶变换方法 | 第7-8页 |
| ·小波分析法 | 第8-9页 |
| ·Park's矢量方法 | 第9-10页 |
| ·基于人工神经网络的方法 | 第10-12页 |
| ·基于模糊逻辑的方法 | 第12-13页 |
| ·基于模糊神经网络的方法 | 第13页 |
| ·基于遗传算法的方法 | 第13-14页 |
| ·本论文主要研究内容 | 第14-15页 |
| 第2章 仿真意义及仿真工具 | 第15-19页 |
| ·软件仿真 | 第15-16页 |
| ·电力系统模块simpowersystems | 第15-16页 |
| ·Motorsim | 第16页 |
| ·硬件仿真 | 第16-17页 |
| ·该研究课题所用的仿真工具 | 第17-19页 |
| 第3章 基于多元统计过程控制方法的旋转机械故障诊断 | 第19-32页 |
| ·统计过程控制与多变量统计过程控制 | 第19-21页 |
| ·多变量统计控制图 | 第21页 |
| ·Q统计量(SPE)和T~2统计量的几何意义 | 第21-23页 |
| ·主元模型 | 第23页 |
| ·Q统计量(SPE)和T~2统计量的数学描述 | 第23-25页 |
| ·多变量统计过程控制方法在电机故障诊断中的应用 | 第25页 |
| ·基于多变量统计过程控制方法的电机故障诊断实验 | 第25-29页 |
| ·故障的定位 | 第29-31页 |
| ·结论 | 第31-32页 |
| 第4章 基于概率密度估计的旋转机械故障诊断 | 第32-41页 |
| ·总体分布的非参数估计 | 第32-34页 |
| ·Parzen窗估计的概念 | 第34-35页 |
| ·估计量P_N(x)为密度函数的条件 | 第35-36页 |
| ·窗函数的选择 | 第36页 |
| ·窗宽h_N对估计量P_N(x)的影响 | 第36-37页 |
| ·估计量P_N(x)的统计性质 | 第37-38页 |
| ·Parzen窗函数密度估计方法在旋转机械故障诊断中应用的可行性 | 第38页 |
| ·Parzen窗函数密度估计方法应用的一些补充 | 第38-39页 |
| ·基于概率密度估计方法的机械故障诊断实验 | 第39-40页 |
| ·结论与讨论 | 第40-41页 |
| 第5章 Park's矢量法对三相电流的监测 | 第41-45页 |
| ·Park's矢量 | 第41-42页 |
| ·故障仿真实验 | 第42-44页 |
| ·基于Park's矢量图的故障分离 | 第44页 |
| ·结论 | 第44-45页 |
| 第6章 基于盲信号分离的机械故障诊断方法 | 第45-61页 |
| ·盲信号分离的产生及背景 | 第45页 |
| ·盲信号分离问题的描述 | 第45-46页 |
| ·盲信号分离问题的前提假设 | 第46页 |
| ·盲信号分离的可实现性 | 第46-47页 |
| ·盲信号分离的算法实现 | 第47-48页 |
| ·盲信号分离算法所应有的等变化性 | 第47页 |
| ·源信号的统计性质对算法的影响 | 第47-48页 |
| ·独立分量分析ICA | 第48-52页 |
| ·最小互信息法MMI | 第49-50页 |
| ·最大熵法ME | 第50-52页 |
| ·非线性主分量分析NPCA | 第52-54页 |
| ·非线性混合情况下的盲信号分离 | 第54-55页 |
| ·盲源分离技术在旋转机械故障诊断的应用 | 第55-56页 |
| ·本论文实验中使用的盲源分离算法 | 第56-57页 |
| ·仿真实验 | 第57-60页 |
| ·结论 | 第60-61页 |
| 总结 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-66页 |
| 已发表论文 | 第66页 |