旋转机械是现代工业的基础，支撑着能源、制造、化工、航空航天、海洋和运输等关键领域[[1], [2], [3]]。作为工业资产的重要组成部分，其效率和可靠性直接影响生产力和质量。根据《2024年旋转设备市场研究报告》[4]，预计从2021年到2028年，全球旋转设备市场的复合年增长率将达到6.0%。
滚动轴承（REBs）是关键部件，其振动特征是旋转机械健康状况的关键可测量指标。它们在长时间内承受设备的负载，并在连续运动中承受摩擦，确保精确性、稳定性和高效运行。研究表明，超过45%的旋转机械故障与滚动轴承问题有关，包括过早失效、磨损和疲劳裂纹[5],[6]。因此，有效的状态监测和故障诊断对于系统可靠性至关重要[7]。然而，由于多种因素，故障诊断具有挑战性：设备的高集成度加剧了组件之间的耦合，导致振动信号高度非线性；制造/组装错误引入了复杂的信号调制[8]；而由故障引起的周期性脉冲通常很弱，容易被噪声掩盖[9]。
故障诊断技术的核心在于识别和提取重复的脉冲特征[10]。诸如峰值因子[11]、脉冲因子[12]、间隙因子、峰度[13]、Teager能量算子（TEO）[14]等指标可以量化影响强度，但需要与其他技术结合使用。包络分析（共振解调）被广泛使用[15]，通过带通滤波高信噪比共振带并通过希尔伯特变换解调来识别故障频率[16]。其有效性在很大程度上取决于最佳共振带的选择[17]。
频谱峰度（SK）由Antoni等人[18]在Dwyer[19]和Capdevielle[20]的研究基础上提出，并通过Kurtogram[21],[22]实现实际应用，解决了这一挑战。这促使了许多改进，包括基于小波包的Kurtograms[23]、与深度学习的结合[24]、自适应相关函数[25]、功率谱峰度[26]、自适应频谱峰度（ASK）[27]、基于包络谱的Protrugram[28]以及自适应Kurtogram[29],[30]。像Autogram[31]（使用循环平滑度）和Cyclic Modulation Spectrum Peak（CMSP/Fast Cmspogram）[32]（使用多速率滤波器组）这样的方法在低信噪比情况下提高了鲁棒性。尽管这些方法取得了成功，但它们仍存在一些局限性：这些工具基于故障带表现出更高的脉冲性或能量的前提，导致频率/带宽选择不灵活、能量泄漏以及带宽确定困难。当故障特征较弱且背景噪声占主导时，这一前提不再成立，从而产生了诊断“盲点”，高能量噪声带经常被错误地选为真正的弱故障特征。
倒谱分析最初应用于语音分析、通信、地震学和地球物理学等领域[33]，后来被扩展到齿轮和滚动轴承的故障诊断以及模态分析[[34], [35], [36]]。该方法在分离信号成分、解决线性卷积问题和有效提取特征方面表现出色。基于这些特点，通过几位研究人员的贡献，倒谱预白化（CPW）方法得到了改进[[37], [38]]。CPW易于实现，计算效率高，不需要额外的参数或微调，适用于现场应用。然而，其简单性以牺牲对信号编辑和信噪比的控制为代价[39]。为了克服这些限制，Moshrefzadeh引入了频谱幅度调制（SAM）方法，这是一种经验性的自动非线性滤波过程[40]。
SAM通过傅里叶变换（FT）提取信号的幅度和相位，为原始幅度分配权重幅度顺序（MO），然后使用逆FT将其与原始相位结合以重建信号。故障识别随后使用包络平方谱。SAM的效率、多功能性和指标独立性促进了进一步的发展：增强型SAM[41]、差分SAM[42]、改进的直接快速迭代滤波和频谱幅度调制（IDFIF-SAM）用于早期故障[43]以及幅度调制双谱（AMB）[44]。然而，基于SAM的方法往往在整个频谱上放大干扰，并且难以排除残余噪声，可能在高噪声环境中掩盖故障并引起二次混淆。
盲反卷积技术在故障诊断中具有显著优势，特别是在外部信号传输路径掩盖与故障相关特征的情况下。其核心原理是通过优化目标函数的极值来构建有限脉冲响应（FIR）滤波器。这种方法有效地消除了外部传输路径的影响，允许提取与故障相关的重复瞬态特征。在这些方法中，最小熵反卷积（MED）作为一种经典且广泛应用的技术脱颖而出[45]。虽然MED在提取单脉冲特征方面表现出色，但在涉及一系列脉冲的情况下效果较差，而这在旋转机械故障中很常见。为了解决MED的局限性，McDonald等人[46]引入了最大相关峰度反卷积（MCKD）方法，扩大了反卷积技术的应用范围。许多研究表明，MCKD方法在从噪声信号中提取周期性成分方面具有优势[47],[48]。提取周期性脉冲本质上是一个循环平稳信号处理问题，这超出了机械诊断的范畴。例如，在窄带电力线通信中，Chien等人[49]提出了一种基于自适应FRESH的估计器，有效利用了循环平稳特性来减轻脉冲噪声。这些跨学科的证据强调了在高噪声环境中利用循环平稳性和自适应优化的有效性。然而，由于两个主要因素，盲反卷积方法（如MCKD）在低信噪比或早期故障情况下的性能受到限制：其对强背景噪声的固有敏感性以及对精确参数选择的依赖性，以及其对相关峰度（CK）指标的依赖性，后者可能被随机高幅度异常值严重扭曲，导致滤波器参数收敛到次优状态。这些局限性表明，为了提高方法的鲁棒性和诊断准确性，在反卷积之前对信号进行适当的预处理和仔细优化输入参数至关重要。因此，迫切需要开发一个从传统的“基于能量的”检测方法转向策略性地利用“频谱周期性”的框架。
为了解决这些挑战并满足这一迫切需求，本文提出了一种新颖的自适应检测框架。主要贡献总结如下：
(1)构建了一个协同的“缺陷补偿”框架。通过结合SAM和MCKD，我们利用SAM预先增强被掩盖的脉冲（解决了反卷积的“盲目搜索”问题），并使用优化的MCKD作为选择性滤波器（补偿调制的“选择性缺陷”）。这种耦合机制使得在极端噪声环境中能够稳健地提取特征。
(2)建立了一种基于频谱稀疏性的优化策略。我们引入了频谱基尼指数（SGI），将优化目标从时域脉冲性转移到频域稀疏性。结合改进的黑翼风筝算法（IBKA），该策略确保了参数选择的自适应和全局收敛，而无需依赖先验知识。
(3)设计了一种智能的熵门控决策机制。提出了基于熵的门控局部最大平方包络谱（IE-gated LMSES）。通过利用信息熵来量化频谱无序，这一指标作为一种自主滤波器，抑制高熵噪声伪影，确保故障特征的清晰和高对比度表示。
本文的其余部分结构如下。第2节详细介绍了基础方法和提出的自适应检测框架过程。第3节使用模拟信号验证了该框架在复杂噪声环境中的故障提取能力。第4节通过多个振动数据集的实验验证展示了该框架的实际适用性和鲁棒性。最后，第5节总结了整个工作。
