针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。

强噪环境下,齿轮箱复合故障中的微弱故障特征难以提取,因此提出了基于多点最优最小熵反褶积（MOMEDA）的复合故障提取方法。首先对最小熵反褶积（MED）和最大相关峭度反褶积（MCKD）两种方法进行改进,以多点峭度最大值为目标,对信噪比不同的仿真信号,通过设置合理的周期区间逐个追踪复合故障的周期成分,验证了此方法降噪性能;然后将MED-MOMEDA应用风电齿轮箱复合故障实验台中,成功提取出复合故障特征;最后用文中所提方法与EEMD对比分析进一步验证了此方法的可行性。

滚动轴承故障产生的初期，信号中的冲击成分受到严重的噪声干扰，导致故障信号的周期特征难以提取。针对这一问题，提出基于局部均值分解（LMD）算法和最大相关峭度反褶积（MCKD）算法结合的滚动轴承早期故障诊断方法。首先应用LMD算法对轴承早期故障信号进行自适应分解，选取与原始信号相关系数较大的乘积函数（PF）分量进行重构；然后应用MCKD算法对重构信号进行降噪，突出周期冲击成分；最后对消噪后的信号进行Hilbert包络处理，从包络谱中即可准确地获取故障特征频率。通过对仿真信号和内圈故障实验信号的分析，证明了该方法的有效性。