【故障诊断】特征模态分解：旋转机械故障诊断的新分解理论研究附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

旋转机械（如风机、水泵、齿轮箱、汽轮机）是电力、化工、冶金等工业领域的核心设备，其运行状态直接关系到生产连续性与系统安全性。据工业故障统计，旋转机械故障中约 70% 源于部件的渐进式劣化（如轴承磨损、齿轮齿面剥落、转子不平衡），这类故障的早期特征信号往往被强背景噪声（如设备振动耦合噪声、电磁干扰噪声）掩盖，且信号呈现 “非线性、非平稳” 特性 —— 例如齿轮箱故障时，负载波动会导致故障特征频率随时间漂移，传统线性分解方法（如傅里叶变换、小波变换）难以有效提取故障信息。

特征模态分解（Empirical Mode Decomposition, EMD） 作为一种自适应信号分解理论，无需预设基函数，可将复杂非平稳信号分解为一系列具有物理意义的 “本征模态函数（Intrinsic Mode Functions, IMF）”，每个 IMF 对应信号的局部特征尺度，为旋转机械故障诊断提供了全新的信号处理思路。本文将系统梳理 EMD 的核心理论体系，分析其在旋转机械典型故障诊断中的应用逻辑，对比传统分解方法的优势，并探讨 EMD 改进算法（如集合经验模态分解 EEMD、自适应噪声完备集合经验模态分解 CEEMDAN）在解决模态混叠、端点效应等问题上的突破，为旋转机械故障诊断的工程实践提供理论支撑。

一、特征模态分解（EMD）的核心理论与分解机制

EMD 由 Huang 等人于 1998 年提出，其核心思想是 “从信号本身自适应提取特征尺度”，而非依赖预设的固定基函数（如傅里叶变换的正弦 / 余弦基、小波变换的小波基）。该理论认为，任何复杂非平稳信号都可分解为有限个 IMF 与一个残余分量的叠加，每个 IMF 需满足两个严格条件：

1. 极值点条件：在整个信号长度上，IMF 的极大值点与极小值点数量相等或相差不超过 1；

1. 对称性条件：任意时刻，IMF 的上包络线（由所有极大值点拟合而成）与下包络线（由所有极小值点拟合而成）关于时间轴（零均值线）对称。

1. EMD 的自适应分解流程

EMD 对旋转机械振动、电流等信号的分解过程遵循 “筛选（sifting）算法”，具体步骤如下：

（1）初始信号预处理

针对旋转机械采集的原始信号（如轴承振动信号、齿轮箱噪声信号），先进行预处理：

• 去趋势化：采用最小二乘法去除信号的线性或非线性趋势（如传感器安装偏移导致的基线漂移），避免趋势项影响局部特征提取；

• 异常值剔除：通过 3σ 准则或箱线图法，去除传感器瞬时故障导致的脉冲式异常值（如振动信号中的尖峰噪声），确保分解精度。

二、EMD 与传统信号分解方法的对比：旋转机械故障诊断中的优势

• 傅里叶变换：因负载波动导致故障特征频率从 500Hz 漂移至 550Hz，频谱图中特征峰弥散，无法识别故障；

• 小波变换（选择 db4 基函数）：虽能捕捉频率漂移，但基函数与故障信号适配性差，分解后的高频分量仍包含大量齿轮啮合噪声，故障特征信噪比仅为 8dB；

• EMD：自适应分解得到的第 2 个 IMF 准确跟踪频率漂移，且该 IMF 中噪声被有效分离，故障特征信噪比提升至 22dB，断齿故障的冲击特征清晰可辨。

⛳️ 运行结果

🔗 参考文献

[1] 杨宇.基于EMD和支持向量机的旋转机械故障诊断方法研究[D].湖南大学,2005.

[2] 武哲,杨绍普,刘永强.基于多元经验模态分解的旋转机械早期故障诊断方法[J].仪器仪表学报, 2016, 37(2):8.DOI:10.3969/j.issn.0254-3087.2016.02.001.

[3] 胡劲松.面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D].浙江大学[2025-09-22].

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇