近年来，基于振动的旋转机械故障信号处理方法层出不穷，如时频分解技术，包括经验模态分解、集合经验模态分解、局部均值分解、变分模态分解、奇异谱分解等；模糊理论；稀疏理论；形态学滤波；盲反褶积等。其中，旋转机械故障激发的源信号通过信道传递到传感器的过程，可以看作是源信号与信道的一个卷积过程。而盲反褶积理论的原理是通过求解使卷积目标最大或最小的反卷积滤波器提取故障脉冲。因此，盲反褶积对于旋转机械信号处理有独特的优势。

自最小熵解卷积MED被提出以后，基于反褶积的旋转机械故障诊断方法引起了很多专家及学者的关注，并很快推动了反褶积方法在故障诊断领域中的应用。但MED易受“野值”的影响，提取的脉冲往往只有一个或几个。因此最大相关峭度反褶积MCKD算法被提出用于提取周期冲击成分。

MCKD虽然可以提取周期性脉冲，但其只能提取有限个脉冲，而且位移数极大限制了MCKD的滤波效果。于是多点最优调整的最小熵解卷积MOMEDA被提出，MOMEDA求解逆滤波器的过程为非迭代过程，减少了算法运行时间。但MOMEDA在降噪的同时，也会大幅度降低振动信号中的脉冲幅值，有学者提出了一种新的反褶积方法—最大循环平稳性反褶积CYCBD。相比于其他反褶积算法，CYCBD在处理旋转机械故障信号时具有一定的优势。CYCBD克服了MED恢复单个主导脉冲和MCKD只能提取有限数量脉冲的缺陷，CYCBD能够很好提取连续的周期性脉冲。相比于MOMEDA，其提取的周期性冲击的同时能够增强冲击，具有良好的降噪性能。而且对于非周期性脉冲，CYCBD也表现出了良好的性能。但与MED、MCKD、MOMEDA相似，其通过求解一个有限长的滤波器进行反卷积恢复故障源，滤波器的长度与循环频率对其结果影响很大。

鉴于此，提出一种新的盲反褶积算法的旋转机械故障诊断方法，该算法构造多个级联滤波对原始振动信号进行滤波，可有效增强故障振动信号的脉冲信息。代码运行环境为Python，采用tensorflow模块，tensorflow版本为2.8.0，出图如下：

完整代码：

一种新盲反褶积算法的旋转机械故障诊断方法（Python环境）

工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任
《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。