EEMD进行轴承振动信号的分解过程

　　EMD的分解过程其实是一个“筛分”过程，在“筛分”的过程中，不仅消除了模式波形的叠加，而且使波形轮廓更加对称。 

　　经验模式分解基本方法的缺点是存在模式混淆问题，模式混淆掩盖了各IMF分量蕴含的真实内涵，导致对象的物理本质不清晰。集成经验模式分解（EEMD）通过叠经验模式分解基本方法的缺点是存在模式混淆问题，模式混淆掩盖了各IMF分量蕴含的真实内涵，导致对象的物理本质不清晰。集成经验模式分解（EEMD）通过叠斯白噪声，使分解得到的IMF分量更真实，更能反映信号的本质过程。EEMD算法描述如下： 

　　（1）向待分解的原始数据中加入一个随机高斯白噪声序列； 

　　（2）对含有白噪声的数据进行EMD分解，得到其内蕴模式分量IMFs. 

　　（3）重复执行步骤（1）～（2），但是每次增加不同的白噪声序列。 

　　（4）将多次EMD分解得到的对应的内蕴模式分量进行平均，作为最终的IMF分量。 

　　EEMD通过在原始数据上叠加随机白噪声序列，从而改变一次EMD分解中的特征尺度，通过多次EMD分解，相当于从多个特征尺度提取原始数据的本质，最后利用各内蕴模式分量IMF的均值作为最终的IMF，因此，与单次EMD分解相比，可以更准确地揭示数据831振动与冲击真实物理意义。研究证实，EEMD可以有效抑制EMD中的模式混淆问题。基于以上考虑，本文选择EEMD进行轴承振动信号的分解。 

　　轴承正常信号与外圈故障信号的EEMD分解结果，各个IMF分量包含了不同的时间特征尺度，使得轴承故障特征在不同的时间尺度下显露出来，第1个IMF分量的频率成分最高，第2～7个IMF分量的频率成分依次降低。轴承故障信息在高频段，因此，使用前4个IMF分量的样本熵作为轴承故障诊断的特征。