✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用             机器学习

滚动轴承是旋转机械中重要的零部件，其故障会导致设备停机、生产效率下降甚至安全事故。因此，对滚动轴承进行故障诊断至关重要。近年来，基于经验模态分解（EMD）的故障诊断方法得到了广泛应用。EMD是一种自适应信号处理方法，可以将非平稳信号分解为多个平稳的本征模态函数（IMF）。通过分析IMF的频谱和包络图，可以有效地识别滚动轴承的故障类型和严重程度。

本文将介绍基于EMD实现滚动轴承故障诊断含频谱 包络图的方法。首先，介绍EMD的基本原理和算法流程。然后，介绍如何利用EMD分解滚动轴承振动信号，并分析IMF的频谱和包络图。最后，通过实例验证该方法的有效性。

1. 经验模态分解（EMD）

EMD是一种自适应信号处理方法，可以将非平稳信号分解为多个平稳的本征模态函数（IMF）。IMF是信号的内在成分，具有以下特点：

• 信号的局部极大值和极小值的数量相等或最多相差1；

• 在任意时刻，局部极大值包络线和局部极小值包络线的平均值为0。

EMD算法流程如下：

1. 识别信号中的所有极值点，并连接相邻的极大值点和极小值点形成上包络线和下包络线；

2. 计算上包络线和下包络线的平均值，得到平均包络线；

3. 将原信号减去平均包络线，得到第一个IMF分量；

4. 将第一个IMF分量作为新的信号，重复步骤1-3，直到得到所有IMF分量。

2. 滚动轴承故障诊断含频谱 包络图

滚动轴承故障会导致振动信号的非平稳性增强，并且在频谱和包络图上出现特征性信息。通过分析IMF的频谱和包络图，可以有效地识别滚动轴承的故障类型和严重程度。

2.1 频谱分析

滚动轴承故障会导致振动信号中出现特征频率，例如：

• 外圈故障：特征频率为外圈旋转频率的倍数；

• 内圈故障：特征频率为内圈旋转频率的倍数；

• 滚动体故障：特征频率为滚动体通过外圈和内圈的频率差。

通过分析IMF的频谱，可以识别特征频率，并判断滚动轴承的故障类型。

2.2 包络图分析

滚动轴承故障会导致振动信号中出现冲击成分，这些冲击成分在包络图上表现为尖峰。通过分析IMF的包络图，可以识别冲击成分，并判断滚动轴承的故障严重程度。

3. 实例验证

为了验证基于EMD实现滚动轴承故障诊断含频谱 包络图方法的有效性，我们对一个滚动轴承故障数据集进行了实验。该数据集包含了正常轴承、外圈故障轴承和内圈故障轴承的振动信号。

4. 结论

本文介绍了基于EMD实现滚动轴承故障诊断含频谱 包络图的方法。该方法可以有效地识别滚动轴承的故障类型和严重程度，为滚动轴承的故障诊断提供了一种新的方法。

 [1]刘鲲鹏,白云川,李泽华,等.基于EMD的内燃机滚动轴承故障诊断[J].内燃机与配件, 2018(6):2.DOI:CNKI:SUN:NRPJ.0.2018-06-026.

🎈 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

👇  私信完整代码和数据获取及论文数模仿真定制

1 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、 集装箱船配载优化、 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

2 机器学习和深度学习方面

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

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

2.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

3 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

4 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

5 无线传感器定位及布局方面

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

6 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

7 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

8 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

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合