振动分析-15-轴承数据库之深度学习一维故障分类EMD-Transformer

Python轴承故障诊断 (六)基于EMD-Transformer的故障分类

1 经验模态分解EMD

1.1 EMD的原理

经验模态分解（Empirical Mode Decomposition，EMD）方法是一种自适应信号时频处理方法，特别适用于非线性、非平稳信号的分析处理。其本质是一种对信号进行分解的方法,将信号分解为各个相互独立的成分的叠加,依据数据自身的时间尺度特征来进行信号分解，具备自适应性。EMD的优点在于它是一种自适应的、数据驱动的分解方法，不需要预先假设信号的分布或结构。这使得它适用于处理各种类型的信号，包括非线性和非平稳信号。

EMD 认为任何一个复杂序列都是由多个单频率信号叠加而成，因此可以分解成若干个 本征模态函数（Intrinsic Mode Functions, IMF），IMF 的各个分量即代表了原始信号中的各频 率分量，并按照从高频到低频的顺序依次排列，这也是 IMF的物理含义。

EMD的分解过程是一个迭代的过程。首先，对原始信号进行极值点的提取，然后通过连接极值点的均值得到第一轮的近似IMF（也叫做“本征模态1”）。接下来，将这个近似IMF从原始信号中减去，得到一个新的信号，然后对这个新信号再次进行极值点提取和均值连接，得到第二轮的近似IMF。如此往复，直到得到的近似IMF满足某种停止准则。

第一步，极值点提取。
第二步，构建上下包络线。
第三步，提取均值函数。
第四步，迭代分解。