1.气缸盖压振动是多种激励力作用的结果，由于各个激励力的时间间隔性，可以通过时域加窗来提取缸盖有气缸压力引起的振动响应信号。
2.时域统计平均技术：从混有噪声干扰的信号中提取有用信号的技术。
3.平滑处理
4.等曲柄转角化和信号重采样：把振动信号也转化成横坐标是角度-360—360，纵坐标是加速度。与相应的压力信号进行对应。
5.频域分析（傅里叶）：
分别对他们做横坐标是频率的转化，然后看压力主要分布在哪个频率范围内。
6.低通滤波：根据上面得出的频率范围，设计滤波器，提取压力所对应的振动信号，说明为什么选用这个滤波器，滤波器的幅相频响应曲线。
7.小波分析：经小波包分解后，可以得到不同频带、不同时刻下缸盖振动响应信号的小波包系数，也就能够分析出不同激励源振动响应信号所包含的频率信息，以及不同频率下振动响应信号的能量。
原始提取的信号
加窗处理，这里使用的是hamming窗
时域平均统计处理
时域平均统计处理之后，平滑之后的处理
截取的信号，FFT变化之后，滤波后的信号，以及滤波之后的频谱信号
小波变化之后的频谱分析：
以上就是信号的预处理，下面介绍三种识别算法。
注意修改数据中的下面的几行代码，就可以获得不同的结果了。
第二：传递函数法
通过仿真，H的相位和赋值为：
我们最后得到的仿真结果如下所示：
同样道理，修改数据中的下面的几行代码，就可以获得不同的结果了。
第二、RBF法
| 转速/工况 | 1 | 2 | 3 | 4 | 5 |
| 1000 | 0% | 25% | 50% | 75% |
|
| 1500 | 0% | 25% | 50% | 75% | 100% |
| 1800 | 0% | 25% | 50% | 75% | 100% |
网络以振动信号作为输入,压力信号作为输出。以转速为基准，一共三组，每一组以1、2、4、5工况下的数据为样本，用3（负荷50%）的数据进行测试。同样把实测压力和识别
这里，我们感觉你可能弄错了，你说的这个方法是错的，神经网络是对相同性质的不同时刻的信号进行训练，然后再对相同性质的信号进行测试来实现的，如果对1,2,4,5进行训练，那么其本质上性质为0%符合，0.25符合，。。。负荷不同，所以没法对最后的0.5负荷进行测试识别。
这里，我们大致纠正了你原有的做法。
即对同一个符合下的，多个振动信号进行训练，然后再使用同一转速和同一负荷下的信号进行测试。测试结果如下所示：
第三、局域波法
原理在所给文章的的第二部分，也就是对与处理后的振动信号先进行希尔伯特分析，得到信号的幅值信息，然后根据局域波分解理论,对赋值函数进行局域波分解可得多个基本模式分量和一个趋势模式分量,而这个趋势模式分量体现了幅值函数的主要幅值信息,也是气缸压力的变化信息,称为识别压力。为了使两者具有可比性,把识别压力波形的单位和最大值归化为实测压力的单位和最大值。
同样把实测压力和识别压力放在一个图里（实线和虚线），要的是程序后出的图以及程序，不只是截图，应该有14个对比图。
通过这个方法，得到的结果如下所示：
上面的步骤就是整个系统的仿真过程，下面简要的介绍一下，算法的整体流程：
