针对在强噪声背景下难以识别齿轮箱早期故障以及复合故障的问题,提出了一种改进辛几何模态分解(Improved symplectic geometry mode decomposition,ISGMD)和最小熵解卷积(Minimum entropy deconvolution,MED)相结合的故障特征提取方法。首先,将信号经最小熵解卷积预处理,突出信号中的故障冲击成分;然后,将故障增强信号通过改进辛几何模态分解自适应地分解为若干辛几何分量,并依据峭度最大准则选取峭度值最大的敏感辛几何分量;最后,对选定的敏感辛几何分量进行包络分析,从而有效地提取出齿轮箱的故障特征。通过实验,验证了该方法的有效性。

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。

1.5维谱因具有抗高斯白噪声的优异性能而被广泛应用于故障诊断领域,能量算子解调与1.5维谱相结合形成的1.5维能量谱用于轴承故障诊断效果更佳,然而该方法处理低信噪比信号效果不佳。针对强背景噪声下微弱故障特征提取难的问题,提出最小熵解卷积(MED)与1.5维能量谱相结合的诊断方法。先用MED对原始振动信号进行消噪,再对处理后的信号做1.5维能量谱;分析包络谱中的频率成分并与对应故障特征频率相比较,得出诊断结果。仿真数据和多组实测数据均证实了所提方法的有效性和优越性。

为准确进行滚动轴承的故障诊断,结合局部特征尺度分解（LCD）和最小熵解卷积（MED）给出了一种新的故障诊断方法。首先,对轴承振动信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,依据互相关系数指标,采用聚类分析方法自动选取有用分量并叠加作为重构信号;最后,应用最小熵解卷积将重构信号降噪,并应用包络分析技术进行故障诊断。通过轴承内、外圈故障振动数据的分析表明：经LCD-MED处理后,振动信号的峭度值得到了较大提高,故障特征频率更加突出,基于LCD-MED的方法在轴承故障诊断中有效且合理。

针对单一的小波包能量特征难以实现滚动轴承故障准确诊断的局限性,提出了一种新的基于最小熵解卷积(Minimum Entropy Deconvolution,MED)、小波包能量谱和分层模糊熵的滚动轴承故障诊断方法。采用MED算法抑制噪声,突出故障冲击特征;分别提取小波包分解后不同频段能量谱和分层模糊熵融合作为特征向量,通过支持向量机完成了对于滚动轴承的故障分类。将提出的方法应用于滚动轴承实验数据进行分析,通过对比结果验证了所提方法有更高的分类准确性和更大的实用性。

针对最小解熵解卷积（ Minimum entropy deconvolution, MED）算法易受强噪声和野值的影响，引出了最大相关峭度解卷积（ Maximum correlated kurtosis deconvolution, MCKD） 的齿轮箱故障特征提取方法，克服了MED算法的不足。然而凭先验信息选取的故障周期，可能导致MCKD解卷积效果很差，因此提出了MCKD算法的最佳故障周期搜索思路，即在合适的滤波器阶数￡下，最佳故障周期的搜索可以限定于理论计算周期左右的某一范围内，使不同步距肘关于最佳周期的最大相关峭度达到全局最优，以确保了MCKD算法具有良好的解卷积效果。断齿与局部断齿故障特征提取试验结果佐证了最佳故障周期搜索思路的可行性及其效果。

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题，提出基于变分模态分解（Variational Mode Decomposition，VMD）和最小熵解卷积（Minimum Entropy Deconvolution，MED）的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解，得到多个模态分量，由于噪声的干扰，很难从各个模态分量中提取有效的故障特征信息；然后根据相关系数准则，选取与原始信号相关系数较大的模态分量进行重构，再对重构后的信号进行MED降噪处理；最后对降噪处理后的信号进行Hilbert包络解调，从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明，该方法可以有效地降低噪声的影响，精确地提取滚动轴承微弱的故障特征信息。

为有效提取振动信号中的轴承故障特征,降低背景噪声和齿轮传动噪声影响,将VMD和MED相结合,首先采集强噪声轴承故障信号并进行VMD降噪,选取与原信号相关系数大的分量重构;然后将重构信号进行MED处理以增强故障信息;最后对信号进行包络谱分析,从中获得轴承故障特征频率信息。经实测信号并与EMD的对比分析比较表明：VMD＋MED能够从实测信号中有效地提取齿轮箱轴承的故障特征频率及其倍频,而且较EMD法更具优势。

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积（minimum entropy deconvolution,MED）与希尔伯特变换（Hilbert transform,HT）相结合的滚动轴承故障特征提取方法（MED-Hilbert）,该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。