EEMD 方法来监测熔融沉积成型 3D 打印里不同的流量比。实验用的是第二章说的 3D 打印平台，一共做了 11 组对比实验，流量比设置成 50%、60%一直到 150%。把采集到的数据以 5 秒为一个窗口分成段，每个类型的数据有 100 段。分析的步骤和第三章的一样，先拿 EEMD 方法对采集到的原始信号做预处理，然后进行信号重构，接着再用 EEMD 方法对重构后的信号分解，算出有效 IMF 分量的能量，最后用 KNN 方法对提取出来的特征量分类识别。从信号降噪后的时域波形图能看到，不同流量比的幅值都差不多，整体变化不明显。图里信号有突变的地方，是因为熔融成型打印机在打印的时候方向突然变了。这里提出的方法是把送丝机构振动的时域信号转成频域信号，根据信号的频域数据提取能代表送丝机构运动状态的特征量，再用 KNN 分类方法，建一个不同流量比 V 下的识别模型，这样就能有效地给喷头系统运动状态分类了。用基于实验数据的 K 折交叉验证，能说明 KNN 分类方法挺稳定的。按照流量比 0.8 到 1.2 是合理工作状态，能把 11 分类变成 3 分类，分类准确率是 92.73%。虽然能用 KNN 方法对提取的频率幅值特征量做状态识别，但是 KNN 分类模型有一些毛病。这一章就用狄里赫雷混合模型对提取的频率幅值特征量分类，狄里赫雷过程模型是一种不用监督的聚类算法，用它分类的时候，不用提前设定簇的数量，有新样本进来，这个数据就会分到高斯分布概率最大的簇里。

在机器学习这个领域，聚类算法大概能分成两类。一种是有标签的监督聚类方法，像神经网络算法，在神经网络算法里，每个训练样本都得有和阈值对应的标签，如果有异常的点加进去，就会影响整个模型，让模型的泛化能力变差，这样测试数据的准确度也跟着受影响。另一种聚类方法是没有标签的无监督聚类方法，用这种方法的时候，不用给训练数据对应的标签，算法能根据样本自己的特性来聚类。不过在无监督聚类方法里，簇的数量对聚类结果影响很大。聚类技能可以单独用，去找数据内在的分布结构，也能作为其他学习任务的前面的步骤。无监督聚类方法的好处就是它没有先验知识，是按照自己的算法去找数据分布的内在结构，所以稳定性比较强。根据数据自己内在的分布规律来聚类，能减少因为输入带来的误差，让算法的鲁棒性更好。但是啥东西都有两面性，无监督聚类方法也有缺陷，它是靠数据自身结构来划分的，所以很难给聚类结果找到合适的参考模型，而且聚类结果通常要对应到现实里的标签，这样就增加了类别的不确定性。