传统经验模态分解(EMD)算法求取IMF分量是依据信号极值点通过三次样条插值拟合上下包络线,然后求其局部均值,存在端点效应问题,严重影响部分特征信号的提取。针对此类问题,提出一种利用Cubic Hermite插值改进EMD过程的方法,并通过LabVIEW平台实现改进后的经验模态分解。采用频率和幅值不同的2种叠加正弦信号进行算法验证,结果表明该算法能有效缓解包络线过冲、欠冲现象,抑制低频信号的端点效应和端点附近局部失真问题。

超声无损检测一直是无损检测领域研究的热点,由于材料内部组织结构的复杂性,超声回波信号中往往存在着大量的噪声干扰.引入一种新的处理非线性、非平稳信号的经验模式分解法（EMD）来处理超声检测信号.该方法把检测信号分解若干个内在模式分量（IMF）,突出了信号的局部特征.结果表明,EMD方法能有效抑制干扰,对于360mm深的缺陷试样,缺陷定位精度达1mm.

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法首先将复杂的信号分解为有限的内禀模态函数（IMF）之和对原始振动信号进行降维;再对IMF分量进行倒频谱分析利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析可以相互验证从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较结果表明IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。