这一章节先给大家讲了经验模态分解算法，又分析了它存在的一些毛病，像端点效应之类的。然后介绍了基于这个方法改进出来的集成经验模态分解。最后用集成经验模态分解把熔融沉积成型喷嘴在不同工况下的信号分解开，提取出能代表不同工况的信号，再用 KNN 分类方法分类处理。
从经验模态分解方法的基本原理能知道，它能很好地处理熔融沉积成型 3D 打印里不同工况下的振动信号，还能把信号的瞬时特性很好地展现出来。但是它也有不少不足的地方，最主要的就是在信号分解的时候会出现频率混叠的情况，也叫模式混叠。就是说分解出来的一个本征模态函数里混进了好几个不同的频率特征。还有当本频率段的信号成分被分到其他组的本征模态函数分量里时，也会造成频率混叠。频率混叠产生的根本原因是原始信号不连续。经验模态分解是从高频开始分解，慢慢到低频。当原始信号不连续，也就是分解的信号有毛病的时候，分解过程会从下一个低频里抽一部分数据来补上，这样就造成分解后的本征模态函数出现频率混淆了。这种情况没有实际的物理意义，还会影响后面信号特征值的提取。针对经验模态分解方法的这些不足，Wu 和 Huang 提出在原始信号里加高斯白噪声的办法，来减少这些缺陷。因为高斯白噪声有零均值的特性，所以在原始信号里都加上相同幅值的高斯白噪声信号，这样经过很多次重复计算后，高斯白噪声就都互相抵消了，加了高斯白噪声后的信号就和原始信号很接近了。集成经验模态分解方法就能有效地解决经验模态分解的那些缺陷。
喷嘴正常出料的时候，信号的 IMF 时域波形图比较稳定，而且幅值比较小。材料耗尽状态下的 IMF 时域信号呢，和正常出料比起来，幅值波动就比较大。这是因为材料耗尽后，电机带动的两个滚轮直接接触了，所以电机振幅就大了。在材料阻塞状态下的 IMF 时域图里，幅值波动特别大。材料阻塞的时候，挤出机构一直动，带着材料往下挤，丝状材料变形到一定程度会产生反作用力，这时候电机就产生共振了，所以振幅很大。