《表2 最小熵解卷积的发展概述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《复杂装备滚动轴承的故障诊断与预测方法研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表2所列最小熵解卷积的发展概述。最小熵解卷积（minimum entropy deconvolution，MED）最早由Wiggins提出，Sawalhi将其用于滚动轴承与齿轮故障诊断[23]。MED的实质是寻找一个逆滤波器，通过反作用于信号的传递路径，来恢复原始的冲击信号。根据熵最小原理，熵值越小表明信号中能量越集中，频率成分越简单，冲击成分所占比重越多，能更好突出冲击脉冲，因此非常适用于对滚动轴承冲击性故障的降噪处理。文献[24]针对MED信号处理效果受到滤波器长度影响的问题，利用步长迭代算法和包络谱熵检验准则来优化滤波器参数选择，提出自适应MED方法，并结合EMD精确地提取出滚动轴承微弱故障特征。文献[25]研究了影响MED最优滤波器选择的因素，并指出滤波器长度的选择为最大影响因素，提出了MED+包络自相关的方法来优化滤波器的参数设置，通过实验分析验证了该方法的有效性。McDonald等人阐述了MED方法的局限性在于它的迭代选择不一定能通过设计一个最优滤波器来解决，并在MED的基础上提出了最大相关峭度解卷积（maximum correlated kurtosis deconvolution，MCKD）[26]。该方法以相关峭度为评价指标，通过迭代过程实现解卷积，进而突出信号中被噪声淹没的连续脉冲序列。文献[27]针对MCKD降噪效果受滤波器阶数和周期影响的问题，利用网格搜索法优化其参数的选择，对滚动轴承早期微弱故障冲击成分进行自适应增强，有效检测出轴承故障位置。文献[28]通过对比MED与MCKD研究得出MCKD更适用于强噪环境下的故障特征提取，并结合重分配小波尺度谱有效诊断出轴承的复合故障。尽管MCKD方法解决了MED存在的一些问题，但它仍然是一个迭代的非最优解，解卷积出来的脉冲序列是有限的。为此，McDonald等提出一种非迭代的解卷积方法——多点改进优化的最小熵解卷积（MOMEDA）[29]。通过获得一个无限脉冲序列来解决解卷积问题，由此可以直接求出最优滤波器。但是对于MOMEDA方法中参数选取上文献[29]没有作出明确说明，只能通过经验自行选择，这就有很大的随机成分，自适应性比较差。