MED与MCKD盲反卷积详解：旋转机械故障周期估计与MATLAB实践

搞旋转机械故障诊断的同行，对“信号越测越糊”这件事应该都不陌生。加速度传感器贴在轴承座上，实测信号里真正的冲击成分早就被轴承座、壳体、传感器安装方式层层滤波，再叠上齿轮啮合、转子不平衡这些强干扰，包络谱里往往只剩一团糊状底噪。解卷积周期估计这一支方法，就是为了把“被路径抹平”的冲击序列重新“捋”出来，其中最小熵反卷积（MED）和最大相关峰度反卷积（MCKD）又是用得最多的两种。这篇文章就把这两类盲反卷积方法的原理、MATLAB源码、参数调试经验和常见坑一次讲透，适合正在做滚动轴承、齿轮箱故障特征提取，或者被包络谱搞到头秃的同学参考。

我最早接触MED的时候，心里其实有个疑问：信号都已经被传递路径污染成这样了，光靠一个滤波器怎么可能恢复得出来？后来把Wiggins那套思路和McDonald的MCKD推导都过了一遍，才明白这类方法本质上是“利用冲击信号的统计特征反推滤波器系数”。这篇文章不打算铺开讲太多数学，重点放在“为什么这么做、代码怎么写、参数怎么调、效果怎么判断”。

1. 为什么实测信号里的冲击特征会被“淹没”——从盲反卷积的出发点讲起

1.1 实测信号路径上的层层失真

先建立一个直观的画面。滚动轴承内圈出现点蚀以后，滚珠每经过一次缺陷位置就会产生一个冲击，理论上这个冲击是极窄的脉冲序列。但传感器采集到的信号，是脉冲经过轴承内外圈、轴承座、端盖、传感器磁座、压电晶体等多个环节之后的结果。每个环节都相当于一个低通滤波器或谐振器，冲击信号的高频成分被大幅衰减，原本尖锐的脉冲被展宽成衰减振荡，幅度也小了很多。

传递路径还会引入另一个问题：相位失真。不同频率成分经过路径后的延迟不一样，导致波形进一步畸变。如果再叠加上来自齿轮啮合、不对中、松动等与旋转同步的强周期成分，以及环境噪声，那么实测信号的时域波形看起来就是一团乱麻。这个时候直接在时域上看有没有周期性冲击，基本靠猜。

频域呢？用FFT看频谱，也只能看到几个转频谐波和结构共振峰，冲击对应的故障特征频率往往淹没在噪声底里。包络谱虽然能解调出低频调制成分，但效果严重依赖带通滤波器的中心频率和带宽选择，选不好就什么都看不到。

1.2 传统包络谱分析为什么经常失灵

包络谱分析的基本流程是：带通滤波 → Hilbert变换求包络 → 对包络做FFT。这套流程的标准做法是先通过谱峭度或快速峭度图找共振频带，再在这个频带内做解调。谱峭度图本身没什么问题，但在信噪比低、干扰成分多的场合，峭度图选出来的频带经常是干扰最严重的频带，而不是故障冲击最集中的频带。

还有一个更隐蔽的问题：传递路径对冲击的响应是卷积关系，即传感器信号是真实冲击序列与路径脉冲响应的卷积。包络谱本质上是在频域做乘法然后在特定频带解调，它无法从根本上“反演”卷积过程。说得再直白一点，包络谱只是在做“观测信号的解调”，而盲反卷积在做“恢复源信号本身”。这两件事的目标是有本质区别的。

1.3 反卷积思路的直观理解

反卷积的想法其实很简单：既然观测信号x[n]等于源信号s[n]和路径响应h[n]的卷积，而系统是不可知的，那么我们就设计一个逆滤波器g[n]，让y[n] = x[n] * g[n]能够尽可能恢复s[n]的统计特性。

关键在于“统计特性”怎么定义。Wiggins提出MED时，用的统计特性是峭度。熵小意味着信号“更锐利”，所以最小熵反卷积可以理解为：让恢复信号的峭度最大化，即寻找信号中稀疏的、大幅值的冲击成分。MCKD沿用了这个思路，但把目标函数换成了“相关峭度”，它显式地考虑了冲击的周期间隔T，更适合提取周期性冲击。

用一句话总结：MED是在“盲”的状态下把任何稀疏冲击都放大，MCKD则在你告诉它“周期大概是T”的前提下，专门把间隔为T的冲击放大。两种方法都需要源码实现，下面结合MATLAB代码逐一拆解。

2. MED最小熵反卷积：把“峭度最大”当作目标函数

2.1 MED的数学目标与迭代逻辑

MED的目标函数是最大化恢复信号y的峭度，即：

O(g) = (Σ y[n]^4) / (Σ y[n]^2)^2

其中y[n] = Σ x[n - k] * g[k]，k = 1,...,L，L是逆滤波器长度。

目标函数对滤波器系数g求偏导并令其等于零，整理后可以得到一个迭代求解的方程组。这个方程组没办法直接闭式求解，只能迭代逼近，每一步都根据当前滤波器系数计算新的恢复信号，然后更新滤波器系数，循环往复。

标准MED迭代步骤大致如下：

1. 初始化逆滤波器系数，通常设为全零序列中心位置的单位冲激，即g = [0,...,1,...,0]。
2. 根据当前g对观测信号x做卷积，得到y。
3. 根据y的统计量计算目标矩阵，更新g。
4. 归一化g，使滤波器能量保持不变。
5. 判断迭代前后滤波器系数的变化量或目标函数