EEMD是分解信号或数据的技术，能够自动将信号按照频率大小分解

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

vmd分解matlab实现，变分模态分解，信号分解，可应用于各种信号的分解，以及入门学习的辅助材料，这是vmd方法提出者的原版代码

经典算法——变分模态分解，Variational Mode Decomposition，可用于故障诊断和语音处理，能够自适应地经信号分解为一系列的子信号。

vmd分解matlab实现，变分模态分解，信号分解，可应用于各种信号的分解，以及入门学习的辅助材料，这是vmd方法提出者的原版代码

变分模态分解算法虽然克服了传统经验模态分解及其改进方法的缺点，但分解前需要设定分解层数Ｋ和惩罚因子α ，参数的选择对分解结果的影响很大。本程序利用K-L散度(相对熵)对VMD的参数进行寻优，确定VMD分解信号的K值和惩罚因子alpha。

为了更加准确地提取扰动信号特征，提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先，对扰动信号进行傅里叶变换以确定VMD的预设分解尺度；然后，利用VMD将扰动信号分解为系列调幅-调频函数之和；最后，对每个调幅-调频函数进行HT，求取瞬时幅值和瞬时频率，进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法，VMD方法不仅可分析不同时间支集的扰动信号，处理复合扰动和频率相近的奇数次谐波，也不存在模态混叠，获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。

变分模态分解（Variational Mode Decomposition,VMD）是由 Dragomiretskiy 等人提出的一种自适应信号处理方法，通过迭代搜寻变分模态 的最优解，不断更新各模态函数及中心频率，得到若干具有一定宽带的模态函数。

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况，提出了基于变分模态 分解( Variational mode decomposition，VMD) 与支持向量机( Support vector machine，SVM) 相结合的滚动轴承故障诊断方法。 该方法融合了变分模态分解和支持向量机的优势，通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分 量，轴承发生不同故障时，不同本征模态函数内的频带能量会发生变化，从包含有主要故障信息的模态分量中提取能量特 征作为SVM 的输入，判断轴承的工作状态和故障类型。试验结果表明，该方法在少量样本情况下仍能有效地对轴承的工

变分模态分解是一种自适应、准正交、完全非递归的分解方法，可将由多成分组成的信号分解成数个有限带宽的固有模态，并且这些模态绝大部分紧紧围绕在其对应的中心频率周围。