为找到液压滑阀内漏信号特征,寻求最优的声发射检测算法,以5组滑阀为研究对象,搭建滑阀内泄漏声发射检测实验台。采集5组滑阀1~12 MPa压力下的声发射信号,对信号进行EMD分解并提取的能量特征,初步找到内漏滑阀和正常滑阀信号的区别。结合SVM和LSSVM对信号做出模式识别,融入群智能算法对原算法进行优化,结果表明基于LSSVM的优化算法识别时间最短,基于SVM的优化算法准确率较高,其中EMD-ABC-SVM准确率达到100%,用时2.0 s,最适用于作为滑阀内漏的声发射检测算法。

使用经验模态分解(EMD)进行信号处理过程时,端点效应抑制是关键步骤。这里提出了一种基于包络匹配的双极值点延拓算法,实现了对EMD分解过程中端点效应的抑制处理,并通过了仿真验证。首先,将端点处连续的几个极值点的包络线作为模板子波;再者将模板子波与波形内部的极值包络进行有效匹配;然后将匹配区段前方的两个极值点作为延拓极值进行极值延拓,实现了抑制EMD分解过程中端点效应的目标。并通过仿真数据,验证了算法的有效性。

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。

提出了基于经验模态分解（EMD）与三阶累积量的水声瞬态信号检测方法。首先根据EMD方法的滤波器特性将待检信号在频域内分成一系列的本征模态函数（IMF）分量，并根据能量法选择信号占主导地位的IMF；然后运用高阶累积量抑制高斯信号的特性，计算IMF分量三阶累积量对角切片的短时估计，并构造检测函数，对检测函数时行包络检波，作为检测标准；最后用仿真数据对该方法进行了验证，结果表明能在较低信噪比下检测出目标信号的出现时刻和大致频率，具有一定的工程应用价值。

根据振动的瞬时非线性特点，提出采用振动信号的本征模函数（IMF）对实测信号进行特征频带识别。将采集的振动信号经经验模态分解，并去掉主要干扰因素所对应的IMF分量，以得到真实的有效信号。实际测试结果表明，对提取后的信号进行计算后能得到准确的轴重值。

针对最小二乘支持向量机（LSSVM）实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。

为了解决直驱风力发电机主轴轴承故障诊断问题,针对实际工程中振动信号的复杂特性,提出了一种基于改进经验模态分解（EMD）的多尺度解调谱熵的特征提取算法。多尺度解调谱熵利用EMD自适应分解特性与信息熵融合,首先对轴承振动信号进行EMD分解,将得到的各阶固有模态函数（IMF）分量进行Teager能量算子解调,获得不同频段的解调信号;其次,对各解调信号构造能量矩阵,并进行奇异值分解求取解调谱熵作为特征向量,从而实现对信号的多分辨率分析;最后,通过支持向量机（SVM）对实例数据进行故障分类实验,实现了较高的分类准确率,证明了该方法对于轴承故障诊断的有效性。

在齿轮故障研究中,对信号进行自适应的分析能取得很好的效果。在振动信号上,经验模式分解(EMD)能够很好地满足信号分析方法的自适应性。但经验模式分解不够完善,该研究在经验模式分解的基础上提出了极值点等差分组的广义经验模式分解(Generalized Empirical Mode Decomposition,GEMD),并在齿轮断齿故障中进行试验分析,取得了一定的效果。广义经验模式分解(GEMD)包含了EMD,是对EMD的补充与完善。

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解（EMD）和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分。通过两种方法的对比可以得出：两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少。

应用Lab VIEW结合Matlab软件设计了液压系统故障信号分析系统从数据采集、预处理到分别通过时、频域信号处理方法有时域分析、相关性分析、频谱分析、倒频谱分析等;时频联合信号处理方法有短时傅立叶变换（STFT）、小波变换（WT）、经验模态分解（EMD）、集合经验模态分解（EEMD）等对液压系统正常、冲击、堵塞以及气穴等不同类型信号进行离线研究和分析。运行结果表明：该系统能对信号故障特征进行提取以便快速准确地查明和判别故障。