朱亚军，胡建钦，李武，林青云，易灿灿

(1.丽水市特种设备检测院，浙江 丽水 323000；2.武汉科技大学，武汉 430081)

滚动轴承广泛应用于石油化工、能源、电力、材料冶金等领域，是旋转机械的重要部件，同时也是易损坏的部件，30%的旋转机械故障都是由于轴承存在结构损伤所引起[1]。滚动轴承的运行状态直接影响着整个设备的正常运行，实现对滚动轴承故障的精准诊断具有重要的理论和工程意义。

对滚动轴承微弱故障特征进行增强与提取，是目前的重点研究方向。其中，经验模态分解(EMD)[2]最先被提出并应用于轴承故障诊断，但其分解所得高频分量的带宽较大且频率分辨率低，在处理频率成分较为接近的复合故障信号时容易造成模态混叠。而集成经验模态分解(EEMD)[3]、局部均值分解(LMD)[4]等EMD改进算法仍受到模式混叠、预定义模式数等问题的限制[5]，难以在复合故障中准确提取微弱的故障信息。针对轴承复合故障存在的多分量调制和强干扰等特征的问题，文献[6]提出了群体分解(Swarm Decomposition，SWD)算法，通过对群滤波器参数进行设置以控制分量主模态频率，使SWD在进行模态分解时能够将频率相近的2个谐波信号分离，比EMD改进方法具有更高的频率区分能力。

最小熵解卷积方法(Minimum Entropy Deconvolution，MED)是一种时域盲卷积技术，已被应用于滚动轴承的故障诊断中[7-8]，但其求解出的滤波器并不一定是全局最优滤波器，且往往只能够提取到少数几个脉冲成分。针对MED的局限，有学者在相关峭度的基础上提出了……