AR+MED算法在轴承故障诊断中的噪声抑制与特征增强

1. 项目背景与核心价值

滚动轴承作为旋转机械的核心部件，其健康状态直接影响设备整体运行安全。传统振动分析采用FFT频谱检测，但在早期故障阶段常面临两个关键挑战：一是故障冲击信号容易被强背景噪声淹没，二是共振频带选择依赖经验。我们团队开发的这套AR（自回归）+MED（最小熵解卷积）联合算法，在Matlab平台上实现了噪声抑制与特征增强的双重突破。

实测数据表明，该方法对早期故障的检测灵敏度比常规包络分析提升40%以上。某风电齿轮箱案例中，在信噪比低至-15dB时仍能准确识别出内圈0.2mm的微裂纹。这种无需额外硬件投入的软件解决方案，特别适合已部署振动监测系统的设备进行算法升级。

2. 技术原理深度解析

2.1 自回归模型（AR）的噪声建模

AR模型本质上是对时间序列数据进行参数化建模，其数学表达为：

matlab复制x(n) = -∑(k=1 to p) a_k x(n-k) + e(n)

其中p为模型阶数，a_k为模型系数，e(n)为白噪声。我们采用改进的Burg算法进行参数估计，相比传统Yule-Walker方程具有更高频率分辨率。

关键参数选择经验：

• 模型阶数p通常取采样频率的1/10~1/5
• 使用AIC准则自动优化阶数：

matlab复制[ar_coeff, noise_var] = arburg(signal, 30); % 示例：初始阶数30
aic = log(noise_var) + 2*(1:p)/N; % N为数据长度
[~, opt_order] = min(aic);

2.2 MED算法的冲击特征提取

最小熵解卷积通过优化滤波器系数使信号熵最小化，其迭代过程为：

1. 初始化FIR滤波器系数b
2. 计算输出信号y = conv(x,b)
3. 更新b = E[y^3 x]/E[y^6]
4. 重复2-3步直至收敛

Matlab实现核心代码：

matlab复制function [y, b] = med_filter(x, L, iter)
    b = ones(L,1)/L; % 初始均值滤波器
    for k=1:iter
        y = conv(x, b, 'same');
        b = (y.^3)'*x / sum(y.^6