近年来，最大相关峭度解卷积受到了研究人员越来越多的关注，陆续有多篇研究论文将该方法应用于滚动轴轴承故障诊断。MCKD是由McDonald提出的一种解卷积方法，其算法中设计了一个新的目标函数——相关峭度，并以此为优化目标设计一系列的FIR滤波器，为实现最好的效果，需要从中找到最优滤波器并最终实现对信号中噪声的抑制和对信号中冲击成分的突出的目的。MCKD能够以重现轴承信号中的周期特性为目标，最大限度地突出含噪信号中的冲击成分，这对于轴承早期故障的故障诊断来说具有重要意义。
虽然MCKD算法对滚动轴承故障信号中的冲击成分具有较强的突出能力，但是对于轴承中的微弱冲击成分或者早期故障的冲击成分，MCKD算法通常情况下难以满足故障提取的要求。同时，MCKD算法中参数的设置对于故障诊断结果来说具有重要影响，参数设置时并不是孤立的选择而是应该多个参数之间相互协调，这样MCKD算法才能够实现较好的结果。为此，国内外的相关研究人员对MCKD算法进行了一系列的研究和改进，主要体现在为避免MCKD算法的缺陷对诊断效果产生不良影响，通常会利用MCKD算法与其他算法相结合从而对MCKD的不足之处进行补充，进而得到期望的诊断效果。另一方面就是针对MCKD算法中的参数设置问题，为了获得更好的解卷积效果，研究人员进一步提出了对MCKD算法中的参数进行整体优化的想法，在获得最优参数之后将最优参数带入MCKD算法中实现其最优诊断。
鉴于此，提出一种增强MCKD算法，该算法利用迭代算法估计信号周期，以解决盲解卷积方法中的先验周期问题，可迁移至金融时间序列，地震信号，机械振动信号，语音信号，声信号等一维时间序列信号，以转子振动信号为例，结果如下：
subplot(4,1,1)
stem(w{1},'Marker','none','ShowBaseline','off')
ylabel('mV')
subplot(4,1,2)
stem(w{2},'Marker','none','ShowBaseline','off')
ylabel('mV')
subplot(4,1,3)
stem(w{3},'Marker','none','ShowBaseline','off')
ylabel('mV')
subplot(4,1,4)
stem(w{4},'Marker','none','ShowBaseline','off')
完整代码：https://mbd.pub/o/bread/mbd-Y5qak5ly
ylabel('mV')
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。
