离心通风机故障状态的信号绝大多数是非平稳、非线性的。应用传统的傅里叶变换方法分析时，就面对一个无法解决的问题：时域和频域的局部化的矛盾，即无法在时域和频域上同时得到信号的精确信息。傅里叶变换较为适合分析线性、平稳的信号，并且它是一种整体积分变换，从全局角度对信号作分析。后来相继提出的信号分析方法如：短时傅里叶变换、魏格纳分布和小波变换等，都是建立在傅里叶变换的基础之上的，并未有效地解决傅里叶变换中所存在的问题。因为它们研究的前提是假定信号为平稳或分段平稳，且受到不确定原理的限制，无法在时间域或频率域上同时提供较高的信号分辨率，使得当分析信号的振幅和频率随时间变化的情况下是有局限性的。

基于以上原因，Huang等人提出了全新的方法用于数据处理：经验式分解法（EMD)，分解后产生一组固有模式函数(IMF)。对每一项IMF进行希尔伯特变换(HT)，计算出瞬时频率与瞬时幅值。该方法可以看作是利用EMD非线性或非平稳的信号进行预处理，然后将这些来自原始信号IMF做HT变换。该方法的信号分解具有唯一性，同时在时域和频域中具有良好的局部化和自适应性质，因此非常适合分析九洲风机厂离心通风机故障信号。本文对从现场采集到的离心通风机振动信号进行HHT处理，提取故障信号的特征。同时对HHT的几个关键问题进行改进，确保提取特征的完备性，将得到的特征向量作为样本输人到GA-BP神经网络中，更有效地进行学习，提高故障诊断率。