薛 峰，孙兴伟，董祉序，杨赫然，王海燕

(1.沈阳工业大学 机械工程学院，辽宁 沈阳 110870;2.沈阳白云机械有限公司，辽宁 沈阳 110027)

0 引言

信号作为一种载体，传递着各类信息，如果在信息的采集、编译、传输等过程中受到外界干扰，就会导致信号失真甚至失效，而信号处理就是通过各种手段提取信号中的有用信息。传统信号处理方法都是在傅里叶变换的基础上发展而来，对非线性非平稳信号的分析能力不足，同时受限于Heisenberg不确定原理[1]。

为了彻底摆脱以傅里叶变换为基础的时频分析方法，Huang等[2]于1998年提出经验模态分解算法(Empirical Mode Decomposition，简称EMD)，该方法被认为是200多年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，一经提出就获得广泛应用[3]。然而当待处理信号中存在间歇性噪声时，直接对其使用EMD分解可能出现模态混叠现象，即同一分解结果中出现差异极大的模态特征，而且一旦出现模态混叠现象，将会影响后续分解结果，最终导致EMD的分解结果不符合工程实际。

针对EMD分解过程中可能产生的模态混叠问题，Wu等[4]提出集总经验模态分解算法(Extend Empirical Mode Decomposition，简称EEMD)，该算法在进行EMD分解前先对信号进行预处理，因此既能继承EMD算法的全部优点，又能有效抑制模态混叠问题。

1 基本原理

1.1 EMD基本原理

EMD是建立在任何信号都可由n(n为正整数)阶本征模态函数(Intrinsic Mode Function，简称IMF)组成的前提上，即：

(1)

其中：x(t)为被分解信号序列；r(t)为趋势项，代表信号的平均趋势或均值。

对数据信号进行EMD分解就是为了获得本征模态函数，其分解过程又被称为“筛选”，具体步骤如下：