FDM 型增材制造设备在打印的时候，有不同的工况。不同状态的信号用集成经验模态分解方法分解后，得到的各个 IMF 分量的能量是不一样的。所以呢，可以在利用集成经验模态分解方法分解信号的基础上，去研究不同故障工况下信号本征模态函数分量能量是怎么分布的。这一章节就是用集成经验模态分解方法把信号分解，得到本征模态函数分量，然后算出本征模态函数分量的能量，把这个当作故障过程监测的特征量。

EEMD 方法的原理，这个方法是在 EMD 的基础上改进的，能很好地解决模式混叠的问题。接着介绍了基于 EEMD 方法的信号预处理。最后拿实验里正常出料、材料耗尽、喷头堵塞这三种打印工况的实验数据当例子，讲了在不同工况下信号预处理的方法、特征量提取的方法。最后用 KNN 分类算法对提取的特征量进行分类，正确率能达到 100%。从这个结果就能看出来，上面这些方法用来监测熔融沉积成型 3D 打印过程的故障是很不错的。

EEMD 方法在三种不同的 3D 打印工况信号处理和特征提取里都能用，这三种工况就是材料正常挤出、材料耗尽还有喷头堵塞。提取出来的特征量很容易区分，能很好地代表不同工况下的信号。在这三种工况里，材料耗尽和喷头堵塞是不正常的工况，材料耗尽相对来说比喷头阻塞更容易预防。能让喷头阻塞的原因有不少，像温度没达到材料熔点啦，用的打印材料里杂质太多啦。喷头系统包括送丝机构、加热块和微型喷嘴，一般在 3D 打印机里都是以模块化的形式存在的。它的基本原理就是丝材在喷头的加热块里融化后，在送丝电机的推动下一层一层地打印材料。