使用经验模态分解(EMD)进行信号处理过程时,端点效应抑制是关键步骤。这里提出了一种基于包络匹配的双极值点延拓算法,实现了对EMD分解过程中端点效应的抑制处理,并通过了仿真验证。首先,将端点处连续的几个极值点的包络线作为模板子波;再者将模板子波与波形内部的极值包络进行有效匹配;然后将匹配区段前方的两个极值点作为延拓极值进行极值延拓,实现了抑制EMD分解过程中端点效应的目标。并通过仿真数据,验证了算法的有效性。

针对经验模态分解（empirical mode decomposition,简称EMD）中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机（support vector machine,简称SVM）延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理（中间加矩形窗,延拓数据加海明窗）;然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数（intrinsic mode function,简称IMF）;最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。

经验模态分解（EMD）作为一种非常灵活的自适应时频分析方法，已广泛用于旋转机械故障诊断中的振动信号分析。但是，经验模态分解存在两个问题：端点效应以及模态混叠。针对EMD中存在的端点效应问题，在积分延拓局部均值分解（IELMD）的基础上，提出了一种利用波形平均来改进IELMD的方法。该方法利用一组相似波形来代替最佳匹配波形与特征波形相匹配，通过对相似波形左边或右边波形取平均得到延拓波形，将其附加在原始信号左端或右端。仿真和应用结果表明，与IELMD方法相比，该方法能够更有效地抑制经验模态分解端点效应。

针对滚动轴承故障振动信号的复杂特性和局部均值分解(LocalMeanDecomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(PermutationEntropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(ProductionFunction,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。