磨床颤振信号处理：EMD与小波分解比较

"基于EMD和小波分解的颤振信号特征提取方法比较研究 (2014年)，作者：吴飞，陈换过，张廷秀，发表于《浙江理工大学学报(自然科学版)》第31卷，第3期，2014年5月，探讨了在磨削颤振信号特征提取中，经验模态分解(EMD)与小波变换的对比。研究指出EMD方法在提取磨削颤振特征时表现出更高的准确性和自适应性。" 这篇论文深入探讨了在磨削加工过程中颤振信号特征提取的技术，主要关注两种非线性时序信号处理方法——经验模态分解（Empirical Mode Decomposition, EMD）和小波变换（Wavelet Transform）。颤振是高速数控机床磨削过程中常见的不稳定现象，由于其产生的复杂性和短暂性，特征提取显得尤为重要。 经验模态分解是一种自适应的数据分析方法，能将非线性、非平稳的时间序列分解为一系列简单且独立的固有模态函数（Intrinsic Mode Function, IMF）。在本研究中，EMD被用来解析磨削颤振信号，揭示其内在的振动模式。研究发现，EMD在处理磨削颤振信号时能够更准确地提取特征，并且能适应信号的变化，这是因为它无需预设固定的基函数，而是根据数据自身的特性进行分解。 另一方面，小波变换是一种多分辨率分析工具，通过调整基函数的尺度和位置，可以对信号进行局部化分析。在磨削颤振信号的特征提取中，小波变换也能有效捕捉信号的瞬态变化。然而，本研究表明，对于磨削颤振这种非线性时变信号，EMD的表现优于小波变换，尤其是在相关系数和方差分析中，EMD提供了更稳定和更具代表性的特征。 论文中提到，磨削过程的参数多样且相互关系复杂，导致信号特征的重复性较差，颤振过渡过程短暂，这增加了信号处理的难度。因此，选择合适的特征提取方法至关重要。通过对EMD和小波变换的对比，研究者为后续的磨削颤振检测和分析提供了理论依据和技术支持。 这篇论文对EMD和小波变换在磨削颤振信号特征提取中的应用进行了详细比较，强调了EMD在非线性时序信号处理中的优势，对于理解和改善磨削过程中的颤振问题，以及提升加工质量和效率具有实际意义。