本代码为自适应局部迭代滤波（ALIF）处理振动信号，内有可运行的示例（demo文件），添加了相关注释，matlab2018可以直接运行，其他版本请自行尝试。ALIF是2016年Antonio Cicone提出的一种自适应信号处理方法，原作者论文已附在压缩包中，代码中的示例效果并不代表最佳效果，只作为运行展示使用。

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题，提出将自适应局部迭代滤波应用到齿轮故障识别中，与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数，通过计算各本质模态函数的样本熵，发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界，前几个本质模态函数的样本熵能表征不同故障类型的特征；计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值，将其作为对应工况标准故障模式的参考值；计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度，与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明，通过自适应迭代滤波能有效抑制模态混叠现象，发现明显的齿轮转频信号，而采用集合经验模式分解（EEMD）方法进行信号分解后，模态混叠现象比较明显，且在EEMD的分解结果中基本看不出齿轮的转频分量；4种工况的样本熵曲线形状存在明显差异，说明样本熵能有效表征齿轮故障特征的变化；灰色关联度方法能有效地将4种不同的故障类型进行分类识别，分类识别性能优于BP神经

本代码为自适应局部迭代滤波（ALIF）处理振动信号，内有可运行的示例（demo文件），添加了相关注释，matlab2018可以直接运行，其他版本请自行尝试。ALIF是2016年Antonio Cicone提出的一种自适应信号处理方法，原作者论文已附在压缩包中，代码中的示例效果并不代表最佳效果，只作为运行展示使用。