简介esmd4j-1.0-free是一款基于Java的极点对称模态分解ESMD实现库主要面向信号处理研究人员、设备健康监测工程师以及相关专业的高校学生适用于对非线性、非平稳信号进行模态分解以揭示隐藏的动态模式和瞬态特征在振动分析、机械故障诊断、生物医学信号解析、地球物理数据处理等场景中都有实际应用价值。压缩包共18个文件包含6个jar核心库、4个bat与3个sh跨平台启动脚本、2个txt说明与示例数据以及dll动态库、properties配置文件等整体大小仅425KB轻量易部署。目前已有299人学习使用。除核心算法外包内还提供详细配置说明、样例数据与使用文档可帮助用户快速理解极点对称模态分解的调用方式、参数含义与结果解读借助跨平台脚本可在Windows/Linux环境中直接运行演示或将其集成到自身项目中既适合刚接触ESMD方法的初学者用于学习验证也便于有经验的研究者基于此库进行二次开发与算法调试。1. 信号分解碰到的端点问题esmd4j 想用极点对称来解做振动、心电或雷达信号分析时FFT 只能给出整体频谱没法回答“故障特征频率在哪一段出现”。经验模态分解EMD能拆出本征模态函数但三次样条包络在信号两端没有极值点约束端点处经常飞出去导致分解结果首尾失真。esmd4j 是一个 Java 环境下的信号分解实现全名对应极点对称模态分解它用相邻极值点连线的策略替代传统上下包络端点效应更可控。这篇文章会从算法原理讲到 jar 解压、Maven 安装、参数调整和结果校验适合正在做信号预处理、又不想只在 MATLAB 里跑分解的 Java 工程师。2. 从 EMD 到极点对称esmd4j 的信号分解基线是怎么构造的2.1 为什么 EMD 的包络均值会在端点“失控”经典 EMD 把信号x(t)的局部极大值点和局部极小值点分别找出来用三次样条拟合出上包络u(t)和下包络l(t)再取均值m(t)(u(t)l(t))/2让h(t)x(t)-m(t)作为候选 IMF。问题在于样条插值需要端点外推而端点处到底有没有极值点是不确定的。常见的镜像延拓、多项式延拓只能缓解不能消除。分解次数一多误差沿数据末端向内传播低频分量的端点抖动尤其明显。esmd4j 面向的就是这类场景不是去猜端点极值而是绕开包络均值。极点对称模态分解的基本思路是只使用相邻极值点的中点构造“基线”再用原始信号减基线得到模态。这个方法不要求同时拟合上下两条包络也就没有“上下包络交叉”的判定问题。2.2 极点对称分解的基线构造流程我一般会把极点对称分解理解成这样一个迭代过程找出x(t)的全部局部极大值与局部极小值点。从第一个极值点开始把相邻的一个极大值点和一个极小值点配对计算二者的中点坐标m_k(t_kt_{k1})/2, y_k(y_k^maxy_{k1}^min)/2。对所有中点做三次样条插值得到一条贯穿信号的基线B(t)。令h(t)x(t)-B(t)检查h(t)是否满足停止条件极值点数量不超过 2或h(t)的能量与上一步相比变化小于阈值。满足则得到一个本征模态分量c_ih(t)对余量r(t)x(t)-c_i重复上述过程不满足则用h(t)继续找中点、构造新基线。因为每个中点都是极大值点和极小值点的对称中心所以称为极点对称。对比一下传统 EMD对比项传统 EMD极点对称模态分解均值来源上下包络的算术平均相邻极大/极小值中点插值端点处理依赖延拓策略端点由内插值自然控制停止判断Cauchy 类标准差极值点数量或能量变化抗模态混叠一般与 EMD 类似对强噪声仍敏感esmd4j 在实现时通常会把停止条件拆成两个参数最大筛选次数和能量阈值。筛选次数太少IMF 可能只是基线的直接相减太多又会把信号撕裂成纯噪声。2.3 esmd4j 里你要处理的三类输出对象不管 jar 里具体类名怎么起分解结果通常落在三个对象上本征模态函数IMF二维数组第一维表示模态序号第二维是每个时间点的采样值。残余项趋势分量通常只有一个数组长度与输入一致。极值点索引有时会返回每次迭代用到的极值点位置方便你做诊断画图。拿到结果后第一个验证动作永远不是画图而是先做加法把全部 IMF 和残余项相加看能不能还原到输入信号。极点对称分解如果基线插值做得不对重构误差会直接暴露出来。后面第 5 章我会给出一个具体校验函数。3. 把 esmd4j-1.0-free.zip 变成能用的 jar解压、安装与最小代码3.1 先确认下载到的 zip 包是完整的文件名是esmd4j-1.0-free (2).zip括号里的(2)通常是浏览器重复下载自动加的后缀。在解压之前先做两件事看文件大小再用unzip列出内容ls -lh esmd4j-1.0-free*.zip unzip -l esmd4j-1.0-free.zip如果unzip -l报End-of-central-directory signature not found说明文件不是完整 zip常见原因是下载中断或文件名被人为改过扩展名。这种时候不要急着找压缩包密码破解工具先把文件重新下载一次或者用 7-Zip 打开确认内部是 jar 还是资源文件。正常包里一般是这几样一个主 jar、一个 LICENSE 文件、一个examples目录和可能的第三方依赖包。我建议把主 jar 单独解压出来不要直接引用整个 zip。3.2 手动把 jar 装入本地 Maven 仓库esmd4j 没有发布到中央仓库时最省事的做法是安装到本地仓库。假设解压后主 jar 是lib/esmd4j-1.0-free.jarmvn install:install-file \ -Dfilelib/esmd4j-1.0-free.jar \ -DgroupIdio.github.esmd \ -DartifactIdesmd4j \ -Dversion1.0-free \ -DpackagingjargroupId、artifactId可以自己定义只要项目内唯一。执行完项目的pom.xml就能按坐标引用了dependency groupIdio.github.esmd/groupId artifactIdesmd4j/artifactId version1.0-free/version /dependency如果项目用的是 Gradle可以在安装后依赖中写implementation io.github.esmd:esmd4j:1.0-free。直接复制 jar 到libs目录虽然也能编译但在代码分析、打包和版本管理上都不如 Maven 坐标清晰。3.3 最小 Java 示例分解 1 秒固定频率信号写一个最直接的调用入口。由于 1.0-free 版的类名和暴露方法在不同压缩包里可能略有差异核心逻辑通常是先创建分解器实例配置参数然后传入一维double数组import io.github.esmd.core.ESMD4J; import io.github.esmd.result.DecomposeResult; public class EsmdFirstRun { public static void main(String[] args) { int n 1024; double[] signal new double[n]; for (int i 0; i n; i) { double t i / 1024.0; // 10Hz 正弦 30Hz 正弦后半段加一个阶跃 signal[i] Math.sin(2 * Math.PI * 10 * t) 0.5 * Math.sin(2 * Math.PI * 30 * t); if (t 0.5) { signal[i] 0.2; } } ESMD4J esmd new ESMD4J(); esmd.setMaxModes(6); // 最多拆出 6 个模态 esmd.setThreshold(0.01); // 能量变化阈值 esmd.setMaxIterations(100); DecomposeResult result esmd.decompose(signal); System.out.println(IMF 数量: result.getImfCount()); for (int i 0; i result.getImfCount(); i) { System.out.println(IMF[ i ] energy computeEnergy(result.getImf(i))); } } private static double computeEnergy(double[] x) { double s 0; for (double v : x) { s v * v; } return Math.sqrt(s); } }这段代码最需要注意的不是算法而是setMaxModes。maxModes是允许返回的最大模态数不是必须达到的数量。在很多实现里如果残余项极值点数为 1即使模态数量没到设定值也会提前结束。直接理解成“最多 6 个 IMF”就好。threshold越大筛选越快但模态精度越差。对 10Hz 与 30Hz 这种两分量信号threshold0.01能不错地分离开如果换成噪声主导的信号建议调到1e-4或更小。3.4 常用参数速查表参数作用建议起始值过大后果过小后果maxModes最大 IMF 数68浪费计算时间趋势分不干净maxIterations单个模态的筛选上限100白噪声被拆成多个纯随机 IMF模态未收敛threshold迭代停止的能量变化阈值1e-3分解深度不足过拟合样条阶数中点插值方式cubic样条越平滑端点越稳曲线弯曲太重如果你的 jar 用DecomposeResult返回的多维数组是imfs[modes][length]注意getImf(int index)返回的是一维数组有些版本会把残余项放在最后一个 IMF 后面取数前先看getResidual()是否存在。4. 用 esmd4j 做真实信号分解参数调节与极点对称效果评估4.1 构造一个非平稳调幅调频信号做测试固定频率信号看不出分解器的真正价值。换成一个调幅调频混合信号int n 2048; double[] signal new double[n]; double fs 512.0; // 采样率 512Hz时长为 4 秒 for (int i 0; i n; i) { double t i / fs; // 45Hz 载波频率在 3Hz 正弦调制下抖动 double fmComponent (1 0.6 * Math.cos(2 * Math.PI * 2 * t)) * Math.cos(2 * Math.PI * 45 * t 2 * Math.sin(2 * Math.PI * 3 * t)); // 110Hz 固定频率振幅缓慢变化 double amComponent (0.8 0.2 * Math.sin(2 * Math.PI * 1 * t)) * Math.sin(2 * Math.PI * 110 * t); // 线性趋势 double trend 0.3 * t; signal[i] fmComponent amComponent trend; }这段信号同时包含频率调制、幅度调制和趋势项。极点对称分解应该会把 45Hz 附近的调频分量拆成一个模态110Hz 分量拆成另一个趋势成为最后的残余项。跑法如下ESMD4J esmd new ESMD4J(); // 第一组相对宽松 esmd.setMaxModes(4); esmd.setThreshold(1e-2); DecomposeResult r1 esmd.decompose(signal); // 第二组严格收敛 esmd.setMaxModes(8); esmd.setThreshold(1e-5); DecomposeResult r2 esmd.decompose(signal);分解后我用一个窗口滑动的能量统计来看模态是否分离计算每个 IMF 在时间窗内的希尔伯特谱时频峰如果 45Hz 分量和 110Hz 分量出现在同一个 IMF 上说明极点对称分解发生了模态混叠需要调整插值方式或引入滤波。4.2 三个必须观察的指标重构误差、过分解、端点飞翼我实践时最看重构误差因为极点对称分解把基线换成极值点中点插值后插值误差不会像包络均值那样直接表现为包络交叉而是会沉默地累计。用一个简单的重构检查double[] recon new double[signal.length]; for (int i 0; i r1.getImfCount(); i) { double[] imf r1.getImf(i); for (int j 0; j imf.length; j) { recon[j] imf[j]; } } double[] residual r1.getResidual(); for (int j 0; j recon.length; j) { recon[j] residual[j]; } double err 0; double range 0; double max Double.MIN_VALUE; double min Double.MAX_VALUE; for (int j 0; j recon.length; j) { double diff recon[j] - signal[j]; err diff * diff; max Math.max(max, signal[j]); min Math.min(min, signal[j]); } range max - min; double relativeError Math.sqrt(err / recon.length) / range; System.out.println(重构相对误差 relativeError);如果这个误差超过1e-6我通常会怀疑两个地方一是样条插值过程中对重复极值点处理错了二是某个 IMF 的筛选提前停止导致部分信号留在余量里。端点飞翼的检查更简单看首尾各 1% 区域的重构误差。如果中间误差为1e-8两端却出现1e-2的偏差说明极值点中点插值没有解决端点问题该换成REFLECTIVE延拓模式。esmd4j 的 1.0-free 包如果提供setBoundaryMode一般会有NONE、REFLECTIVE、PERIODIC三种可选端点敏感的工程数据至少用REFLECTIVE。4.3 参数怎么调分解效果才稳定拿第 4.1 节的调幅调频信号举例threshold1e-2时分解结果会有 4 个 IMF第三个 IMF 同时包含 45Hz 和 110Hz 的能量把threshold降到1e-5后调频分量会独立占用两个 IMF。这对故障诊断很重要——如果目标特征是周期冲击选大阈值会把冲击成分拆到多个模态里。我的调参顺序是先用maxModes6、threshold1e-3跑一遍看 IMF 数量。检查重构误差。如果某个 IMF 的频谱峰跨越一个倍频程以上降低threshold到1e-5。如果低频趋势和最高频分量都出现在第一个 IMF 里降低maxModes反而更有效。极点对称分解的优势在于它的基线是极值点中点拟合对局部奇异冲击不如包络那么敏感所以对振动信号不需要做太重的前置滤波。但也要注意它并不能完全替代带通滤波强噪声仍会带来额外的极值点导致分解层数增加。4.4 常见崩溃与异常排查记录esmd4j 在 Java 端常遇到三类问题// 场景 1输入长度不足 double[] shortSignal new double[4]; try { result esmd.decompose(shortSignal); } catch (IllegalArgumentException e) { // 通常是因为极值点数量不到 2无法构造中点 } // 场景 2分解结果出现 NaN for (int j 0; j signal.length; j) { if (Double.isNaN(signal[j])) { throw new IllegalStateException(输入端不能包含 NaN); } }遇到 NaN 先看输入数据有没有缺口。很多采集设备会在掉线时补0.0这种信号对极点对称分解的影响要比丢几个 NaN 更隐蔽连续零值会产生大量等幅极值点插值基线在这里振荡最终把平坦区段拆出若干个伪模态。此时应当在预处理阶段把零值补成插值或者直接丢弃这段数据。另一个与 zip 相关的坑是 jar 依赖冲突。esmd4j 的 free 版经常连带一个老版本的 Apache Commons Math如果你的项目里已有高版本类加载时会看到NoSuchMethodError。这时用mvn dependency:tree查看依赖版本再把 esmd4j 通过exclusion排除冲突项。5. 落一个可复用的 esmd4j 校验工具类用重构误差反推最优参数最后一章我说一个最常用的落地技巧不手动一个个参数试而是写一个封装类用重构相对误差作为目标函数跑一组网格搜参。这个方法特别适合esmd4j-1.0-free这种没有可视化界面的 jar 库。package signal.esmd; import io.github.esmd.core.ESMD4J; import io.github.esmd.result.DecomposeResult; public class EsmdFit { public record EsmdConfig(int maxModes, double threshold) {} public static EsmdConfig bestConfig(double[] signal) { double bestErr Double.MAX_VALUE; EsmdConfig best new EsmdConfig(6, 1e-3); for (int modes : new int[] {3, 5, 8}) { for (double th : new double[] {1e-2, 1e-3, 1e-4}) { ESMD4J esmd new ESMD4J(); esmd.setMaxModes(modes); esmd.setThreshold(th); esmd.setMaxIterations(200); DecomposeResult r esmd.decompose(signal); double reconErr relativeError(signal, r); if (reconErr bestErr) { bestErr reconErr; best new EsmdConfig(modes, th); } } } System.out.println(最优配置: best 误差 bestErr); return best; } private static double relativeError(double[] x, DecomposeResult r) { double[] recon new double[x.length]; for (int i 0; i r.getImfCount(); i) { double[] imf r.getImf(i); for (int j 0; j imf.length; j) { recon[j] imf[j]; } } double[] residual r.getResidual(); for (int j 0; j residual.length; j) { recon[j] residual[j]; } double sum 0; for (int j 0; j x.length; j) { double diff x[j] - recon[j]; sum diff * diff; } return Math.sqrt(sum / x.length); } }使用时直接EsmdFit.bestConfig(signal)就能选出一组相对合理的参数。这个网格搜索的粒度对离线分析足够如果是实时程序建议只跑一遍threshold1e-4的配置避免延迟。还有一个端点验证技巧把信号反转再分解一次比较正反两次结果的 IMF 数量。极点对称分解如果对端点敏感反转后末端的 IMF 会多出一个短周期振荡。以重构误差为主指标的同时比较正反结果能快速判断当前数据长度是否足够。拿到结果后可以输出maxModes、threshold和相对误差三个值写到日志里这样后续换一段新信号时可以直接用上次的配置做初值不必每次都从默认参数开始。用极点对称分解这种算法最大的收益不是拿到多个 IMF而是通过校验模板确认每一个 IMF 都是真实物理过程的投影而不是插值伪影。配置确认之后再进入故障特征提取或机器学习分类结果才可信。本文还有配套的精品资源点击获取 esmd4j极点对称模态分解：解决信号端点效应的Java实现
简介esmd4j-1.0-free是一款基于Java的极点对称模态分解ESMD实现库主要面向信号处理研究人员、设备健康监测工程师以及相关专业的高校学生适用于对非线性、非平稳信号进行模态分解以揭示隐藏的动态模式和瞬态特征在振动分析、机械故障诊断、生物医学信号解析、地球物理数据处理等场景中都有实际应用价值。压缩包共18个文件包含6个jar核心库、4个bat与3个sh跨平台启动脚本、2个txt说明与示例数据以及dll动态库、properties配置文件等整体大小仅425KB轻量易部署。目前已有299人学习使用。除核心算法外包内还提供详细配置说明、样例数据与使用文档可帮助用户快速理解极点对称模态分解的调用方式、参数含义与结果解读借助跨平台脚本可在Windows/Linux环境中直接运行演示或将其集成到自身项目中既适合刚接触ESMD方法的初学者用于学习验证也便于有经验的研究者基于此库进行二次开发与算法调试。1. 信号分解碰到的端点问题esmd4j 想用极点对称来解做振动、心电或雷达信号分析时FFT 只能给出整体频谱没法回答“故障特征频率在哪一段出现”。经验模态分解EMD能拆出本征模态函数但三次样条包络在信号两端没有极值点约束端点处经常飞出去导致分解结果首尾失真。esmd4j 是一个 Java 环境下的信号分解实现全名对应极点对称模态分解它用相邻极值点连线的策略替代传统上下包络端点效应更可控。这篇文章会从算法原理讲到 jar 解压、Maven 安装、参数调整和结果校验适合正在做信号预处理、又不想只在 MATLAB 里跑分解的 Java 工程师。2. 从 EMD 到极点对称esmd4j 的信号分解基线是怎么构造的2.1 为什么 EMD 的包络均值会在端点“失控”经典 EMD 把信号x(t)的局部极大值点和局部极小值点分别找出来用三次样条拟合出上包络u(t)和下包络l(t)再取均值m(t)(u(t)l(t))/2让h(t)x(t)-m(t)作为候选 IMF。问题在于样条插值需要端点外推而端点处到底有没有极值点是不确定的。常见的镜像延拓、多项式延拓只能缓解不能消除。分解次数一多误差沿数据末端向内传播低频分量的端点抖动尤其明显。esmd4j 面向的就是这类场景不是去猜端点极值而是绕开包络均值。极点对称模态分解的基本思路是只使用相邻极值点的中点构造“基线”再用原始信号减基线得到模态。这个方法不要求同时拟合上下两条包络也就没有“上下包络交叉”的判定问题。2.2 极点对称分解的基线构造流程我一般会把极点对称分解理解成这样一个迭代过程找出x(t)的全部局部极大值与局部极小值点。从第一个极值点开始把相邻的一个极大值点和一个极小值点配对计算二者的中点坐标m_k(t_kt_{k1})/2, y_k(y_k^maxy_{k1}^min)/2。对所有中点做三次样条插值得到一条贯穿信号的基线B(t)。令h(t)x(t)-B(t)检查h(t)是否满足停止条件极值点数量不超过 2或h(t)的能量与上一步相比变化小于阈值。满足则得到一个本征模态分量c_ih(t)对余量r(t)x(t)-c_i重复上述过程不满足则用h(t)继续找中点、构造新基线。因为每个中点都是极大值点和极小值点的对称中心所以称为极点对称。对比一下传统 EMD对比项传统 EMD极点对称模态分解均值来源上下包络的算术平均相邻极大/极小值中点插值端点处理依赖延拓策略端点由内插值自然控制停止判断Cauchy 类标准差极值点数量或能量变化抗模态混叠一般与 EMD 类似对强噪声仍敏感esmd4j 在实现时通常会把停止条件拆成两个参数最大筛选次数和能量阈值。筛选次数太少IMF 可能只是基线的直接相减太多又会把信号撕裂成纯噪声。2.3 esmd4j 里你要处理的三类输出对象不管 jar 里具体类名怎么起分解结果通常落在三个对象上本征模态函数IMF二维数组第一维表示模态序号第二维是每个时间点的采样值。残余项趋势分量通常只有一个数组长度与输入一致。极值点索引有时会返回每次迭代用到的极值点位置方便你做诊断画图。拿到结果后第一个验证动作永远不是画图而是先做加法把全部 IMF 和残余项相加看能不能还原到输入信号。极点对称分解如果基线插值做得不对重构误差会直接暴露出来。后面第 5 章我会给出一个具体校验函数。3. 把 esmd4j-1.0-free.zip 变成能用的 jar解压、安装与最小代码3.1 先确认下载到的 zip 包是完整的文件名是esmd4j-1.0-free (2).zip括号里的(2)通常是浏览器重复下载自动加的后缀。在解压之前先做两件事看文件大小再用unzip列出内容ls -lh esmd4j-1.0-free*.zip unzip -l esmd4j-1.0-free.zip如果unzip -l报End-of-central-directory signature not found说明文件不是完整 zip常见原因是下载中断或文件名被人为改过扩展名。这种时候不要急着找压缩包密码破解工具先把文件重新下载一次或者用 7-Zip 打开确认内部是 jar 还是资源文件。正常包里一般是这几样一个主 jar、一个 LICENSE 文件、一个examples目录和可能的第三方依赖包。我建议把主 jar 单独解压出来不要直接引用整个 zip。3.2 手动把 jar 装入本地 Maven 仓库esmd4j 没有发布到中央仓库时最省事的做法是安装到本地仓库。假设解压后主 jar 是lib/esmd4j-1.0-free.jarmvn install:install-file \ -Dfilelib/esmd4j-1.0-free.jar \ -DgroupIdio.github.esmd \ -DartifactIdesmd4j \ -Dversion1.0-free \ -DpackagingjargroupId、artifactId可以自己定义只要项目内唯一。执行完项目的pom.xml就能按坐标引用了dependency groupIdio.github.esmd/groupId artifactIdesmd4j/artifactId version1.0-free/version /dependency如果项目用的是 Gradle可以在安装后依赖中写implementation io.github.esmd:esmd4j:1.0-free。直接复制 jar 到libs目录虽然也能编译但在代码分析、打包和版本管理上都不如 Maven 坐标清晰。3.3 最小 Java 示例分解 1 秒固定频率信号写一个最直接的调用入口。由于 1.0-free 版的类名和暴露方法在不同压缩包里可能略有差异核心逻辑通常是先创建分解器实例配置参数然后传入一维double数组import io.github.esmd.core.ESMD4J; import io.github.esmd.result.DecomposeResult; public class EsmdFirstRun { public static void main(String[] args) { int n 1024; double[] signal new double[n]; for (int i 0; i n; i) { double t i / 1024.0; // 10Hz 正弦 30Hz 正弦后半段加一个阶跃 signal[i] Math.sin(2 * Math.PI * 10 * t) 0.5 * Math.sin(2 * Math.PI * 30 * t); if (t 0.5) { signal[i] 0.2; } } ESMD4J esmd new ESMD4J(); esmd.setMaxModes(6); // 最多拆出 6 个模态 esmd.setThreshold(0.01); // 能量变化阈值 esmd.setMaxIterations(100); DecomposeResult result esmd.decompose(signal); System.out.println(IMF 数量: result.getImfCount()); for (int i 0; i result.getImfCount(); i) { System.out.println(IMF[ i ] energy computeEnergy(result.getImf(i))); } } private static double computeEnergy(double[] x) { double s 0; for (double v : x) { s v * v; } return Math.sqrt(s); } }这段代码最需要注意的不是算法而是setMaxModes。maxModes是允许返回的最大模态数不是必须达到的数量。在很多实现里如果残余项极值点数为 1即使模态数量没到设定值也会提前结束。直接理解成“最多 6 个 IMF”就好。threshold越大筛选越快但模态精度越差。对 10Hz 与 30Hz 这种两分量信号threshold0.01能不错地分离开如果换成噪声主导的信号建议调到1e-4或更小。3.4 常用参数速查表参数作用建议起始值过大后果过小后果maxModes最大 IMF 数68浪费计算时间趋势分不干净maxIterations单个模态的筛选上限100白噪声被拆成多个纯随机 IMF模态未收敛threshold迭代停止的能量变化阈值1e-3分解深度不足过拟合样条阶数中点插值方式cubic样条越平滑端点越稳曲线弯曲太重如果你的 jar 用DecomposeResult返回的多维数组是imfs[modes][length]注意getImf(int index)返回的是一维数组有些版本会把残余项放在最后一个 IMF 后面取数前先看getResidual()是否存在。4. 用 esmd4j 做真实信号分解参数调节与极点对称效果评估4.1 构造一个非平稳调幅调频信号做测试固定频率信号看不出分解器的真正价值。换成一个调幅调频混合信号int n 2048; double[] signal new double[n]; double fs 512.0; // 采样率 512Hz时长为 4 秒 for (int i 0; i n; i) { double t i / fs; // 45Hz 载波频率在 3Hz 正弦调制下抖动 double fmComponent (1 0.6 * Math.cos(2 * Math.PI * 2 * t)) * Math.cos(2 * Math.PI * 45 * t 2 * Math.sin(2 * Math.PI * 3 * t)); // 110Hz 固定频率振幅缓慢变化 double amComponent (0.8 0.2 * Math.sin(2 * Math.PI * 1 * t)) * Math.sin(2 * Math.PI * 110 * t); // 线性趋势 double trend 0.3 * t; signal[i] fmComponent amComponent trend; }这段信号同时包含频率调制、幅度调制和趋势项。极点对称分解应该会把 45Hz 附近的调频分量拆成一个模态110Hz 分量拆成另一个趋势成为最后的残余项。跑法如下ESMD4J esmd new ESMD4J(); // 第一组相对宽松 esmd.setMaxModes(4); esmd.setThreshold(1e-2); DecomposeResult r1 esmd.decompose(signal); // 第二组严格收敛 esmd.setMaxModes(8); esmd.setThreshold(1e-5); DecomposeResult r2 esmd.decompose(signal);分解后我用一个窗口滑动的能量统计来看模态是否分离计算每个 IMF 在时间窗内的希尔伯特谱时频峰如果 45Hz 分量和 110Hz 分量出现在同一个 IMF 上说明极点对称分解发生了模态混叠需要调整插值方式或引入滤波。4.2 三个必须观察的指标重构误差、过分解、端点飞翼我实践时最看重构误差因为极点对称分解把基线换成极值点中点插值后插值误差不会像包络均值那样直接表现为包络交叉而是会沉默地累计。用一个简单的重构检查double[] recon new double[signal.length]; for (int i 0; i r1.getImfCount(); i) { double[] imf r1.getImf(i); for (int j 0; j imf.length; j) { recon[j] imf[j]; } } double[] residual r1.getResidual(); for (int j 0; j recon.length; j) { recon[j] residual[j]; } double err 0; double range 0; double max Double.MIN_VALUE; double min Double.MAX_VALUE; for (int j 0; j recon.length; j) { double diff recon[j] - signal[j]; err diff * diff; max Math.max(max, signal[j]); min Math.min(min, signal[j]); } range max - min; double relativeError Math.sqrt(err / recon.length) / range; System.out.println(重构相对误差 relativeError);如果这个误差超过1e-6我通常会怀疑两个地方一是样条插值过程中对重复极值点处理错了二是某个 IMF 的筛选提前停止导致部分信号留在余量里。端点飞翼的检查更简单看首尾各 1% 区域的重构误差。如果中间误差为1e-8两端却出现1e-2的偏差说明极值点中点插值没有解决端点问题该换成REFLECTIVE延拓模式。esmd4j 的 1.0-free 包如果提供setBoundaryMode一般会有NONE、REFLECTIVE、PERIODIC三种可选端点敏感的工程数据至少用REFLECTIVE。4.3 参数怎么调分解效果才稳定拿第 4.1 节的调幅调频信号举例threshold1e-2时分解结果会有 4 个 IMF第三个 IMF 同时包含 45Hz 和 110Hz 的能量把threshold降到1e-5后调频分量会独立占用两个 IMF。这对故障诊断很重要——如果目标特征是周期冲击选大阈值会把冲击成分拆到多个模态里。我的调参顺序是先用maxModes6、threshold1e-3跑一遍看 IMF 数量。检查重构误差。如果某个 IMF 的频谱峰跨越一个倍频程以上降低threshold到1e-5。如果低频趋势和最高频分量都出现在第一个 IMF 里降低maxModes反而更有效。极点对称分解的优势在于它的基线是极值点中点拟合对局部奇异冲击不如包络那么敏感所以对振动信号不需要做太重的前置滤波。但也要注意它并不能完全替代带通滤波强噪声仍会带来额外的极值点导致分解层数增加。4.4 常见崩溃与异常排查记录esmd4j 在 Java 端常遇到三类问题// 场景 1输入长度不足 double[] shortSignal new double[4]; try { result esmd.decompose(shortSignal); } catch (IllegalArgumentException e) { // 通常是因为极值点数量不到 2无法构造中点 } // 场景 2分解结果出现 NaN for (int j 0; j signal.length; j) { if (Double.isNaN(signal[j])) { throw new IllegalStateException(输入端不能包含 NaN); } }遇到 NaN 先看输入数据有没有缺口。很多采集设备会在掉线时补0.0这种信号对极点对称分解的影响要比丢几个 NaN 更隐蔽连续零值会产生大量等幅极值点插值基线在这里振荡最终把平坦区段拆出若干个伪模态。此时应当在预处理阶段把零值补成插值或者直接丢弃这段数据。另一个与 zip 相关的坑是 jar 依赖冲突。esmd4j 的 free 版经常连带一个老版本的 Apache Commons Math如果你的项目里已有高版本类加载时会看到NoSuchMethodError。这时用mvn dependency:tree查看依赖版本再把 esmd4j 通过exclusion排除冲突项。5. 落一个可复用的 esmd4j 校验工具类用重构误差反推最优参数最后一章我说一个最常用的落地技巧不手动一个个参数试而是写一个封装类用重构相对误差作为目标函数跑一组网格搜参。这个方法特别适合esmd4j-1.0-free这种没有可视化界面的 jar 库。package signal.esmd; import io.github.esmd.core.ESMD4J; import io.github.esmd.result.DecomposeResult; public class EsmdFit { public record EsmdConfig(int maxModes, double threshold) {} public static EsmdConfig bestConfig(double[] signal) { double bestErr Double.MAX_VALUE; EsmdConfig best new EsmdConfig(6, 1e-3); for (int modes : new int[] {3, 5, 8}) { for (double th : new double[] {1e-2, 1e-3, 1e-4}) { ESMD4J esmd new ESMD4J(); esmd.setMaxModes(modes); esmd.setThreshold(th); esmd.setMaxIterations(200); DecomposeResult r esmd.decompose(signal); double reconErr relativeError(signal, r); if (reconErr bestErr) { bestErr reconErr; best new EsmdConfig(modes, th); } } } System.out.println(最优配置: best 误差 bestErr); return best; } private static double relativeError(double[] x, DecomposeResult r) { double[] recon new double[x.length]; for (int i 0; i r.getImfCount(); i) { double[] imf r.getImf(i); for (int j 0; j imf.length; j) { recon[j] imf[j]; } } double[] residual r.getResidual(); for (int j 0; j residual.length; j) { recon[j] residual[j]; } double sum 0; for (int j 0; j x.length; j) { double diff x[j] - recon[j]; sum diff * diff; } return Math.sqrt(sum / x.length); } }使用时直接EsmdFit.bestConfig(signal)就能选出一组相对合理的参数。这个网格搜索的粒度对离线分析足够如果是实时程序建议只跑一遍threshold1e-4的配置避免延迟。还有一个端点验证技巧把信号反转再分解一次比较正反两次结果的 IMF 数量。极点对称分解如果对端点敏感反转后末端的 IMF 会多出一个短周期振荡。以重构误差为主指标的同时比较正反结果能快速判断当前数据长度是否足够。拿到结果后可以输出maxModes、threshold和相对误差三个值写到日志里这样后续换一段新信号时可以直接用上次的配置做初值不必每次都从默认参数开始。用极点对称分解这种算法最大的收益不是拿到多个 IMF而是通过校验模板确认每一个 IMF 都是真实物理过程的投影而不是插值伪影。配置确认之后再进入故障特征提取或机器学习分类结果才可信。本文还有配套的精品资源点击获取