状态监测与故障诊断是保障机械设备安全、稳定运行的基础。滚动轴承是旋转机械的核心部件，其服役性能直接影响整台设备的运行安全。在测试的振动信号中，周期性冲击是滚动轴承发生故障的重要标志。因此，如何从振动信号中提取出与故障相关的周期性冲击成分，是实现轴承故障诊断的关键。然而，随着机械设备集成化程度越来越高和运行工况日益复杂化，测试的振动信号的组成成分愈发复杂，噪声和干扰信息带来的影响也日趋严重，使得轴承故障特征更加微弱，特征提取变得十分困难。
谐波噪声比，被定义为信号中谐波成分与噪声成分能量的比值。对于数据序列x，其谐噪比定义为：
为了测试HNR对周期性故障特征的评价性能，计算了严格等间隔分布的周期性冲击信号以及设置0%～20%的随机波动对应信号的HNR值，结果如图2所示。
原始严格周期的信号，其HNR数值为11.58，随着随机波动的增大，信号的周期性逐渐降低，对应的HNR数值也随之下降。由此说明，HNR能够有效、定量地评价故障信号的周期性特征。
鉴于谐波噪声比的优势，提出一种基于稀疏最大谐波噪声比反卷积的信号处理方法，算法程序运行环境为MATLAB R2018a，可用于旋转设备故障诊断，也可用于金融时间序列，地震信号，机械振动信号，语音信号，声信号等一维信号分析。
% 最优滤波频带滤波后的时域波形
figure
plot(t,hilx);
ylabel('Amplitude');
xlabel('Time [s]');
set(gcf,'pos',pos);
% 最优滤波频带滤波后的包络谱
figure
myfft(fs,hilx,1);
ylabel('Amplitude');
xlabel('Frequency [Hz]');
set(gcf,'pos',pos);
xlim([0 300])出图如下：
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。
