针对磨削加工中滚珠丝杠振动信号低信噪比、非平稳特性,提出基于经验模式分解（EMD）的振动信号滤波方法。通过EMD将滚珠丝杠振动信号分解为多个平稳的固有模态函数（IMF）,并选择包含振动信号特征的若干IMF分量重构,提高了振动信号的信噪比,实现了对振动信号的平稳性分析,得到了振动信号的本质特征,为磨削滚珠丝杠实时监测和故障诊断提供了有效的理论基础。并通过仿真及实验数据分析,验证了EMD滤波技术是表征振动信号的非平稳特征及提高信号信噪比的有效工具。

在管道超声无损检测中，超声回波信号往往受到电子噪声、结构噪声等噪声的影响，所以在分析缺陷回波信号时，必须对回波信号进行去噪处理．本文提出了一种新型的基于经验模态分解的方法对超声回波信号进行了良好的消噪处理．通过计算，超声回波信号的信噪比大约提高了11dB．

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.

螺栓松动损伤具有非线性特征,在低、高频激励共同作用下,结构动力响应会出现高频激励与结构固有频率之间的调制现象。利用该调制现象,发展了一种基于经验模式分解(EMD)的螺栓松动检测方法,分别对高频正弦和随机激励下结构响应信号进行EMD分解并作功率谱分析,采用EMD分解后含有调制成分的高频固有模式函数(IMF)构造能量损伤指标来识别结构螺栓松动。采用多尺度法进行单自由度非线性模型分析解释高频调制现象,并通过螺栓连接框架结构的振动实验验证了该方法的有效性。结果表明,螺栓松动时,响应信号频域中出现高频激励与固有频率间的调制成分,所构造的能量损伤指标能够有效识别螺栓松动损伤,并且对于初始松动损伤识别更为敏感。

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解(EMD)算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明:所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度。

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。

针对滚动轴承故障振动信号的非平稳特性，提出一种结合互补的总体经验模式分解（CEEMD）互近似熵和模糊C均值（fuzzy Cmeans，FCM）聚类的诊断新方法。CEEMD可以有效抑制经验模式分解（EMD）在非线性非平稳信号处理中存在模态混叠和总体经验模式分解（CEEMD）添加的白噪声不能完全被中和问题；互近似熵是能更好体现信号的不规则度和复杂度。首先对正常信号和故障信号进行CEEMD分解，提取真实IMF分量互近似熵表达故障信息，最后采用FCM对数据样本进行分类。并通过计算分类系数和平均模糊熵对分类性能进行评价。结果表明，与基于EMD和EEMD算法的轴承故障诊断方法相比，基于CEEMD互近似熵和模糊C均值聚类相结合的方法可以更准确、有效地实现轴承的故障判别，为实际滚动轴承故障诊断提供一定的理论参考。

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。

以非平稳、非线性的轮扫掠力信号为例，围绕其采集及处理来进行陈述，重点研究了利用VC6．0与MATLAB7．0混合编程方法中的动态链接库技术对信号进行经验模式分解（EMD）。程序结合了VC与MATLAB的优点，使得数据采集与处理可在同一VC工程文件中完成，执行速度快，运行稳定且数据处理准确、方便。