BD算法降噪，盲反褶积新算法，比MCKD

风电机组轴承处于早期故障阶段时，特征信号往往比较微弱，并且受环境噪声及信号衰减的影响严重，因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用，但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题，考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲，非常适用于轴承早期故障信号的降噪处理，因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪，然后对降噪后的信号进行EMD，选取敏感本征模态函数(IMF)并计算其包络谱，通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

这是基于改进Fireworks优化的深度信念网络的极限学习机的滚动轴承亚健康识别的Matlab版本的部分实现 Rolling Bearing Sub-Health Recognition via Extreme Learning Machine Based on Deep Belief Network Optimized by Improved Fireworks 算法： PSO-MCKD FWA-MCKD

基于PSO_VMD_MCKD方法的风机轴承微弱故障诊断。为实现 VMD 和 MCKD 的参数自适应选择，采用粒子群优化算法对两种算法中的参数进行优化，确定适应度函数为包络谱峰值因子。该资源中包括了频谱函数和求包络谱函数。

这是 MED 相关实现的参考包，与已发表的论文一起使用。 - - 职能： - - 最小熵反卷积调整卷积（MED 和 MEDA） [y_final f_final kurtIter] = med2d(x,filterSize,termIter,termDelta,overlapMode,plotMode) 最优最小熵反卷积调整卷积 (OMEDA) [yf d_norm] = omeda(x,filterSize,plotMode) 多点最优最小熵反卷积调整卷积 (MOMEDA) [MKurt fy] = momeda(x,filterSize,window,period,plotMode) [T MKurt fy T_best MKurt_best f_best y_best] = momeda_spectrum(x,filterSize,window,range,plotMode)

maltab实现最小熵反褶积（MED）是一种通常用于旋转机械振动以检测齿轮和轴承故障的技术。它用于设计一个滤波器，该滤波器从振动数据中分解出类似脉冲的特征。 最小熵反褶积和带卷积调整的MED（MED和MEDA ） 最佳最小熵调整反褶积（OMED） 多点最佳调整最小熵反褶积（MOMEDA） 最大相关峭度反褶积（MCKD）

最大相关峭度解卷积和最小熵解卷积，写论文时使用过，供参考

运用凯斯西储大学滚动轴承故障数据，运用MOMEDA对信号进行周期的增强，提高信噪比，并运用希尔伯特变换，与Teager能量算子包络解调，体现Teager能量算子二次增强。同时还存在MCKD，

MATLAB程序加论文 MCKD,粒子群算法程序 本课题主要内容是用最大相关峭度解卷积算法对翻车机齿轮箱故障数据进行处理与分析，获取损伤前后齿轮典型故障类型振动特征的对比数据，进而判定齿轮箱的相应损伤部位，主要内容包括以下几部分： 1．通用诊断方法分析 此部分内容将在一级平行轴减速齿轮箱故障特征频率计算的基础上，根据旋转机械故障诊断方法中广泛应用的波形分析、频谱分析和包络谱分析方法对减速齿轮箱振动信号进行处理，并对所得结果进行探讨。 2．MCKD算法分析 此部分内容将在分析最大相关峭度解卷积（MCKD）的原理和运算过程基础上，对比分析MCKD算法的最佳滤波器长度、移位数、解卷积周期等参数对信号处理结果的影响，设计适用于评价所得处理结果优劣的评价指标，通过评价指标变化曲线对MCKD算法的最佳影响参数进行搜寻，实现影响参数的自适应选取，从而获取翻车机齿轮箱故障特征提取的最优结果。 3．振动信号分析效果对比 此部分内容将对传统直接频谱分析、包络谱分析方法和MCKD算法在处理翻车机齿轮箱振动信号上的效果进行对比，从而验证在齿轮箱故障特征提取上基于自适应最大相关峭度解卷积方法的可靠性和优越性

利用MCKD算法对 数据进行倍频成分提取，利用VMD选择包含冲击成分较多的分量 进行重构，用MCKD算法对重构信号进行处理，从包络谱观察提取的倍频成分