带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。

最优非迭代最小熵解卷积解Geoff McDonald (glmcdona@gmail.com) 的代码，2015 omeda(x,filterSize,overlapMode,plotMode) 一种非迭代最优 MED (OMED) 计算算法。 这种方法解决了与 MED 类似的反卷积问题，并且能够直接解决Carlos Cabreli 提出的最优滤波器解决方案。 这个可以用来旋转从振动信号检测机器故障以检测齿轮和轴承故障，以及 OMED 用于提取振动中的类脉冲特征。 这个实现使用了我在第二篇论文中提出的卷积调整参考，这对于防止这种方法达到微不足道的解决方案很重要去卷积卷积不连续性。 读者请注意，您可能想参考我的其他一些 MED 提交： 医学： 迭代非最优解通常更适合振动故障检测。 它通常比这个最优解更好，因为 MED 问题旨在去卷积结果只有一个脉冲。 因此，OMED 能够更好地提取仅对单

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积(minimum entropy deconvolution,MED)与希尔伯特变换(Hilbert transform,HT)相结合的滚动轴承故障特征提取方法(MED-Hilbert),该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。

行业分类-电信-一种超声信号最小熵解卷积的无损检测方法.rar

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

基于最小熵解卷积的滚动轴承故障诊断研究文献

最小熵解卷积算法，可以用来在matlab中运行，有解释，给输入，得输出

MED算法，最小熵解卷积matlab程序，可直接运行，有问题留言可回复。