基于自适应周期嵌入迭代最大相关峭度解卷积方法的机械故障诊断（MATLAB）

迭代最大相关峭度解卷积方法的核心思想就是通过迭代方式优化有限脉冲响应滤波器，使滤波后信号的相关峭度最大化，从而增强信号中与故障相关的周期性脉冲成分。提出方法不需要预先准确知道故障特征频率，而是在迭代过程中根据滤波输出信号的包络自相关函数动态更新周期估计，实现对未知周期的自适应追踪。

通过引入移位阶数，相关峭度可以有效衡量信号中周期脉冲序列的强度，对噪声和干扰具有较强鲁棒性。、

算法在每次迭代中依据闭式解更新滤波器系数，并通过归一化保持稳定性，同时记录最优解避免发散。最终输出的滤波信号显著突出了故障冲击成分，其包络谱可清晰显示故障特征频率及谐波，为机械健康状态监测和故障诊断提供可靠依据。

算法步骤

一、初始化阶段：首先设置滤波器长度、最大迭代次数、移位阶数等参数；若未提供信号周期，则通过原始信号的包络自相关函数自动估计初始周期；将输入信号转换为列向量，并根据当前周期构建不同移位阶数下的托普利兹矩阵三维数组；计算零移位托普利兹矩阵与其转置乘积的逆矩阵，为后续滤波器系数更新做准备；初始化滤波器系数为单位脉冲序列，并归一化。

二、迭代优化阶段：对于每一次迭代，首先用当前滤波器系数与零移位托普利兹矩阵相乘得到滤波输出信号；根据输出信号构建其不同移位版本组成的矩阵，用于计算相关峭度；计算用于更新滤波器系数的阿尔法矩阵和贝塔向量；阿尔法矩阵的每一列对应一个移位阶数，通过去掉该列后其余列的按行乘积平方再乘以该列本身得到；贝塔向量为所有移位版本的按行乘积。

三、滤波器更新：根据最大相关峭度解卷积的推导公式，利用阿尔法矩阵与对应移位托普利兹矩阵的乘积之和、贝塔向量、输出信号能量以及预先计算的逆矩阵，计算新的滤波器系数；将新系数归一化，保持能量约束。

四、性能评估：计算当前迭代的相关峭度值，并与历史最优值比较，若优于最优则保存当前滤波器系数及相关信息。

五、周期自适应更新：对当前滤波输出信号进行希尔伯特变换求包络并去除直流，再通过包络的自相关函数重新估计信号周期，将周期取整后用于下一次迭代；根据新周期重新构建所有移位阶数下的托普利兹矩阵三维数组，并重新计算逆矩阵。

六、终止判断：重复步骤二至五，直至达到预设的最大迭代次数；最终输出整个迭代过程中使相关峭度最大的滤波器系数及其滤波信号，以及每次迭代的相关峭度值序列。

应用领域

一、滚动轴承故障诊断：轴承局部损伤（如内圈、外圈、滚动体故障）会产生周期性冲击振动，提出方法可以有效提取被噪声掩盖的冲击序列，准确识别故障类型和位置。

二、齿轮箱故障检测：齿轮裂纹、断齿等故障同样引发调制性的周期脉冲，该方法可增强故障特征，便于早期预警和状态评估。

三、旋转机械状态监测：适用于转子、轴系等旋转部件的振动信号分析，通过增强周期性成分揭示不平衡、不对中、松动等异常。

四、往复机械故障诊断：内燃机、压缩机等往复设备产生的冲击信号具有准周期性，提出方法的自适应周期追踪能力可应对转速波动，提取故障特征。

五、其他含周期性冲击的信号处理领域：如语音信号中的基音周期提取、生物医学信号（心音、脑电）中的周期性事件检测、结构健康监测中的损伤识别等，只要信号包含被噪声污染的近似周期脉冲，都可以尝试应用。

担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测

参考文章：

基于自适应周期嵌入迭代最大相关峭度解卷积方法的机械故障诊断（MATLAB） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/2009352394769733275