朱丹宸，许骥，晋家兵，杜广森

(海军士官学校，安徽 蚌埠 233012)

滚动轴承是旋转机械的重要部件，其运行状态严重影响着整个设备的安全稳定性，因此开展滚动轴承的状态检测和故障诊断尤为重要。然而，由于设备结构较为复杂，轴承故障信号在传递过程中往往需要经过复杂的传递路径，导致轴承故障产生的周期性冲击成分容易淹没在背景噪声中。尤其在多故障并存的复合故障情况下，多故障特征的相互干扰会进一步加大复合故障特征分离和提取的难度。

近些年来，针对滚动轴承复合故障诊断开展了很多研究，如盲分离技术[1]、谱峭度方法[2]、变分模态分解(VMD)[3-4]、经验模式分解(EMD)[5]、辛几何模态分解(SGMD)[6]以及改进的时频谱分析方法[7]等，均取得了一定的效果。然而，上述方法大都将原始信号分解为不同频段的子信号，从不同子信号中提取出不同类型的故障特征，不仅算法本身的参数选取需深入研究，而且常需与其他方法相结合以避免噪声干扰并提高故障识别率。

考虑到复杂传递路径的影响，盲卷积方法也在复合故障诊断中得到了应用。如文献[8]提出了改进的最优最小熵反卷积方法，实现了齿轮箱复合故障特征的准确提取；文献[9]将最大相关峭度解卷积(MCKD)与谱峭度相结合，通过MCKD实现信号中故障成分的分离；考虑到MCKD输入参数选取的重要性，文献[10]提出了自适应MCKD方法，利用布谷鸟搜索算法自适应选取最优参数，通过对比证明了该方法的有效性；……