matlab旋转机械的故障检测方法实现与验证(3)
经验模态分解（EMD）是美籍华人黄锷等人在1998年提出的另外一种信号时频处理方法，它是一种自适应的方法、不依赖于预先设定的功能。与需要先建立先验性的谐波和小波基函数的傅里叶分解和小波分解不同，经验模态分解是靠数据自身的时间尺度特征，不需要建立基函数就可以进行分解。基于这样的优点，经验模态分解在理论上可以对任何类型的型号进行分解，所以，在被提出后就在各种不同的领域得到了重要的运用。它对于来自旋转机械设备的振动高度非线性非平稳信号的分析，更合适和更有吸引力[6]。
本文将关于基于EMD的旋转机械故障检测方法重点进行以下几个方面的工作：
1.对HHT进行简要的介绍，对经验模态分解（EMD）和希尔伯特变换的基本原理进行阐述。包括具体的步骤和一些必要的公式和式子。
2.介绍了混合检测的方法，本文中分别采用了高斯的方法和最近邻的方法，同样地对高斯方法和最近邻的方法的基本原理进行了介绍，捋清检测的思路，并且在训练集的配置上也采取了多种配置的方法保证检测的准确性。
3.通过采用实际的轴承数据来进行故障检测，证实检测方法的有效性。
2 经验模态分解方法
基于上面介绍的优势，发现经验模态分解（EMD）具有很好的实用性，它不仅能很好地对非平稳、非线性信号进行分析，对于平稳、线性的信号，它还更能够体现信号的物理意义，EMD的方法为数据信号的处理新发现了一条新的路径，比如大型轴承的数据分析，海洋、地震等自然现象复杂的数据的分析[7]-[8]。
2.1 经验模态分解(EMD)方法的基本原理
时频分析由两个步骤构成：1.对时间序列数据进行分解，得到本征模函数（IMF）2.对得到的每个本征模函数（IMF）进行Hilbert变换构成时频谱图，再拿来分析。其中EMD方法是最为关键的，它主要是将信号进行处理，使得其更加平稳，将信号中具有不一样的尺度的趋势和波动逐级地分解开来[9]-[11]。
经验模态分解(EMD)方法将信号分解成了一系列不同的本征模函数（IMF），所谓IMF，需要满足下列的2个条件：1.极值点和过零点应该相同或者相差一点。2.数据的极大值的上包络线和极小值的下包络线的平均值为零，也就是上包络线和下包络线对时间轴局部对称。运用EMD经验模态分解，可以把各级波动模式从数据中分离出来，对于任何一个给定的信号，通过经验模态分解(EMD)的方法筛出一组有限的本征模函数（IMF）：
1．用局部极大值和极小值进行三次样条插样得到上包络线和下包络线。所有的数据都在这两条包络线中间。原数据记为X（t），上包络线和下包络线的平均值为 这样得到
下一篇：智能式动力吸振器的仿真与研制