风电机组轴承处于早期故障阶段时，特征信号往往比较微弱，并且受环境噪声及信号衰减的影响严重，因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用，但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题，考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲，非常适用于轴承早期故障信号的降噪处理，因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪，然后对降噪后的信号进行EMD，选取敏感本征模态函数(IMF)并计算其包络谱，通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

最大相关峭度解卷积和最小熵解卷积，写论文时使用过，供参考

针对MCKD算法的滤波长度L和移位数M的难以选取的问题，利用PSO(粒子群优化算法)、MVO(多元宇宙优化算法)对MCKD算法的参数进行寻优，适应度函数为峰值因数的平方的倒数，峰值因数越大，周期冲击特性越强，故障特征越明显。

最大相关峭度解卷积算法(Maximum correlated kurtosis deconvolution，MCKD)[11]以相关峭度为评 价指标，充分考虑了信号所含冲击成分的周期特 性，可通过迭代过程实现解卷积运算，突出信号中 被强烈噪声所掩盖的连续脉冲