这是一个参考群MED-related实现同意发表的一篇论文。
——功能:- - - - - -
最小熵反褶积调整卷积(地中海和梅达)
[y_final f_final kurtIter] = med2d (x, filterSize白蚁、termDelta overlapMode, plotMode)
最优最小熵反褶积调整卷积(OMEDA)
[y f d_norm] = omeda (x, filterSize plotMode)
多点最优最小熵反褶积调整卷积(MOMEDA)
[MKurt f y] = momeda (x, filterSize窗口,期间,plotMode)
[T MKurt f y T_best MKurt_best f_best y_best] = momeda_spectrum (x, filterSize、窗口范围,plotMode)
最大相关峰态反褶积(MCKD)
[y_final f_final ckit] = mckd (x, filterSize白蚁T M, plotMode)

——介绍最小熵反褶积:- - - - - -
最小熵反褶积(地中海)是一种技术一般应用于旋转机械振动检测齿轮和轴承的缺点。它是用来设计一个滤波器,deconvolves impulse-like特性的振动数据。

地中海提出了一个优化问题,旨在deconvolve冲动从输入信号。最初提出的迭代滤波器选择问题,r•威金斯[1],然而这是一个最优解的问题,问题的目标deconvolving单个脉冲(地中海)不明确的周期脉冲序列旋转机械故障的故障表现。卡洛斯Cabrelli提出了一个基于D-Norm反褶积问题显示几何相似的医疗问题,并显示它有一个最优价值解决方案筛选[2]地中海形成方法最优(此外),然而在旋转机器迭代达成的最优解决方案的解决方案通常是更好的,因为它能够提前终止,而不是单个脉冲的首选解决方案。

与地中海Wiggens和Cabrelli使用的定义,认为之间的卷积定义创建一个不连续零输入数据和输入数据。这将创建一个地中海的趋势,此外deconvolve平凡解的不连续——通常被称为一个假的冲动。预处理的基于“增大化现实”技术往往会减轻许多不连续,而是我推导地中海迭代的解决方案,此外解决方案只使用有效的过滤输出没有假设零输入。这个地中海形式调整卷积(梅达)和同样OMEDA,,这降低了不连续。见参考[4]推导和示例的调整。

better-suite问题对提取周期性故障,迭代最大相关峰态提出了反褶积方法[3]。这deconvolves定义M系列连续脉冲,但是是迭代的,只能寻找少量的冲动。

作为替代,我提出和推导多点最优最小熵反褶积调整(MOMEDA)[4],这带来了无限的冲动的问题为目标,直接解决了滤波器的最优解。因为它是价值和相对廉价的计算,光谱很容易计算来确定机器振动的健康。我推荐这个方法如上的最强的反褶积方法在旋转机械应用程序。

[1]R.A.韦根,最小熵反褶积,环三16 (1 - 2)(1978)21 - 35。

[2]Cabrelli,卡洛斯。“最小熵反褶积和简单:noniterative算法。”Geophysics 50.3 (1985): 394-413.

[3]麦当劳,杰夫•L。,Qing Zhao, and Ming J. Zuo. "Maximum correlated Kurtosis deconvolution and application on gear tooth chip fault detection." Mechanical Systems and Signal Processing 33 (2012). For PDF see my bloghttp://split-code.com/rotation.html。

[4]麦当劳,杰夫•L。,清赵。“多点最优最小熵反褶积和卷积修复:振动故障检测应用程序。”Mechanical Systems and Signal Processing 82 (2017): 461-477. For PDF see my bloghttp://split-code.com/rotation.html。