提高智能制造过程中微铣削刀具状态监测的精度和效率,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和BP神经网络-遗传算法(Back-Propagation Neural Networks-Genetic Algorithm,BPNN-GA)的微铣刀磨损预测方法。在此方法中,首先对微铣削振动信号进行EMD分解,提取各个IMF分量的均值、均方根、峭度、偏态作为微铣刀磨损特征。然后通过相关性分析选择与微铣刀磨损特征密切相关的特征,并选择相互之间相关度最小的几个特征作为微铣刀磨损特征,这样既保证了特征对于研究对象的灵敏度,又保证了特征之间的独立性,不会造成信息冗余。最后利用BPNN-GA模型进行特征分类,实现微铣刀磨损的预测。结果表明,本文提出的微铣刀磨损预测方法能够准确识别各种磨损状态,可以为其它刀具状态监测方法提供必要的理论基础和实践意义。

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解（empirical mode decomposition,EMD）和响度的控制系统。该系统首先采用EMD方法对噪声源进行自适应分解,并对分解后的各个固有模态函数（intrinsic mode functionI,MF）分量的响度进行计算,然后根据各个分量的响度大小进行残差滤波器的设计。与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分。对有源噪声控制系统的降噪效果进行了仿真,结果表明,所提出的控制系统比传统滤波-X LMS（filtered-X least mean square）方法和采用基于A计权残差滤波器的系统降噪效果更好。

由于超声回波信号受到噪声干扰或者到达时间混叠，故超声无损检测信号很难鉴别缺陷的大小．文中提出一种新的超声回波信号到达时间的识别方法．该方法首先把原始采集的回波信号进行经验模态分解，得到若干个固有模态函数，通过确定能量临界值，选择几个固有模态函数重构信号，重构信号的峰值包络表明了各个回波信号的到迭时间．由衍射时差法（TOFD）实验信号验证了该方法的可行性及准确性．实验结果表明，可以识别的最小时间间隔为0．1μs，平均误差为80ns．

为了提高柱塞式液压泵的故障诊断效率和准确性,提出了SA-EMD-PNN柱塞泵故障诊断方法。提取各种状态下振动信号的特征参数,并对所提取特征参数进行敏感度分析(SA),找出敏感度较高的特征参数;对原始故障信号进行经验模态分解(EMD)结合,构造新的故障信号,再提取敏感度高的特征参数;将所提取特征参数以向量的形式输入概率神经网络(PNN)进行训练和测试。实验表明,SA-PNN方法能快速、有效的诊断出柱塞泵故障,减少诊断时间;而SA-EMD-PNN能在SA-PNN的基础上提高正确率。

基于振动信号辨识是实现综放开采煤矸识别的有效手段,现有方法在识别准确性和有效性方面有待进一步研究。提出了一种基于经验模态分解(EMD)特征提取与随机森林(RF)的煤矸识别方法。采用加速度传感器及数据采集仪采集了某综放工作面煤和矸石冲击液压支架尾梁产生的振动信号,分别对2种信号进行EMD,得到一系列本征模态函数(IMF);根据EMD结果选取有效IMF,分别提取IMF能量、峭度、矩阵奇异值及对应熵作为特征向量,采用各特征向量独立训练RF模型,根据各RF模型对测试样本的识别结果筛选特征向量,并建立特征数据集;采用特征数据集训练RF模型,采用训练好的RF模型实现煤矸识别。测试结果表明:该方法对200组煤矸测试样本的识别准确率达96.5%,且当RF模型中决策树数量设置为100或150时识别准确率最高,对测试样本进行特征提取与识别的耗时不超过0.2 s,满足综放...

为了识别不同裂纹深度的故障齿轮,以齿轮传动系统中的直齿圆柱齿轮为研究对象,采集3个已预设不同裂纹深度的齿轮和1个无裂纹齿轮的振动信号。对采集到的振动信号先进行时频域分析和EMD分解,再提取不同维数的能量故障特征向量,采用基于径向基核函数的算法分别建立SVM模型并进行不同裂纹深度齿轮的识别和识别率比对。结果表明:选择合适维数的能量故障特征向量,结合EMD信号分解和SVM模式识别方法能准确识别不同裂纹深度齿轮的类型,为齿轮裂纹故障的早期诊断提供参考。

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。

齿轮泵动态压力信号蕴含了丰富的状态信息,是齿轮泵的关键性能参数之一;负熵是随机变量独立性的自然测度,反映了机械信号信息的动态变化特征。为了进行基于齿轮泵动态压力信号的故障诊断,在引入经验模态分解技术的基础上,提出了齿轮泵压力信号的负熵基ICA特征提取方法,并进而联合最小二乘支持向量机,探讨了基于ICA和LS-SVM的齿轮泵特征提取和故障诊断方法;理论和试验研究表明,基于负熵的ICA特征提取和故障诊断方法是有效的。

针对轴向柱塞泵故障振动信号的非平稳特征，融合经验模态分解（Empirical Mode Decomposition，EMD）和实值否定选择（Real—valued Negative Selection，RNS）算法，提出了一种混合的故障诊断方法。在该方法中，首先将原始信号用EMD方法分解为若干个平稳内禀模态函数（Intrinsic Mode Function，IMF）之和，以各层能量与总能量的比值为元素构造特征向量，作为样本；然后将正常样本作为RNS算法的输入，产生检测器，对故障样本进行识别。最后用轴向柱塞泵脱靴故障样本进行诊断，正确率可达90％以上，验证了混合诊断方法的有效性。

为了去除风力机机组的噪声与振动信号等强干扰信号，采用EMD和ICA技术进行强信号盲分离。盲处理的优点是可以分离未知传递过程和源信号数量的混合信号。为了验证此算法的分离效果与可行性，给出了仿真实验。