针对最大相关峭度解卷积(MCKD)算法滤波器阶数需要人工选择的问题,提出了一种采用变步长搜索方式的改进MCKD故障诊断方法。该方法以故障特征能量比最大化为目标,首先在全部搜索范围内用大步长计算特征能量比,确定最优目标所在的峰值位置,再用小步长进一步在峰值位置附近精确搜索最优滤波器阶数的具体数值,然后对原信号进行滤波并进行包络解调分析,最后由解调出的故障特征频率确诊故障。实测滚动轴承全寿命数据分析验证了该方法的有效性,为滚动轴承早期故障的自适应诊断提供了一条思路。

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD（最大相关峭度解卷积）和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。

针对在强噪声环境下,滚动轴承故障特征信息微弱、特征频率难以识别的问题,提出基于总体局部均值分解（Ensemble Local Mean Decomposition,ELMD）与最大相关峭度卷积（Maximum Correlated Kurtosis Deconvolution,MCKD）的轴承故障诊断方法,用于处理轴承故障振动信号。首先,使用ELMD将原始数据分解为1组乘积函数（PF）;然后,利用MCKD对每一个PF分量进行降噪处理;最后,对各降噪的PF分量求取包络谱,从而在包络谱中寻找轴承的故障特征频率。为了验证ELMD-MCKD在检测故障中的有效性,进行了一系列轴承故障模拟实验分析。结果表明,提出的ELMD-MCKD方法提高了轴承故障识别的准确性,可用于实际应用中的故障诊断。