離心通風機故障狀態的信號絕大多數是非平穩、非線性的。應用傳統的傅里葉變換方法分析時，就面對一個無法解決的問題：時域和頻域的局部化的矛盾，即無法在時域和頻域上同時得到信號的精確信息。傅里葉變換較為適合分析線性、平穩的信號，并且它是一種整體積分變換，從全局角度對信號作分析。后來相繼提出的信號分析方法如：短時傅里葉變換、魏格納分布和小波變換等，都是建立在傅里葉變換的基礎之上的，并未有效地解決傅里葉變換中所存在的問題。因為它們研究的前提是假定信號為平穩或分段平穩，且受到不確定原理的限制，無法在時間域或頻率域上同時提供較高的信號分辨率，使得當分析信號的振幅和頻率隨時間變化的情況下是有局限性的。

基于以上原因，Huang等人提出了全新的方法用于數據處理：經驗式分解法（EMD)，分解后產生一組固有模式函數(IMF)。對每一項IMF進行希爾伯特變換(HT)，計算出瞬時頻率與瞬時幅值。該方法可以看作是利用EMD非線性或非平穩的信號進行預處理，然后將這些來自原始信號IMF做HT變換。該方法的信號分解具有唯一性，同時在時域和頻域中具有良好的局部化和自適應性質，因此非常適合分析九洲風機廠離心通風機故障信號。本文對從現場采集到的離心通風機振動信號進行HHT處理，提取故障信號的特征。同時對HHT的幾個關鍵問題進行改進，確保提取特征的完備性，將得到的特征向量作為樣本輸人到GA-BP神經網絡中，更有效地進行學習，提高故障診斷率。