简介这份资源面向信号处理方向的科研人员与工程师提供变分模态分解VMD的MATLAB实现用于对实测离散信号进行自适应分解。VMD可将复杂非平稳信号拆解为若干具有不同中心频率的模态分量相比傅里叶或小波变换更擅长捕捉瞬态与非线性特征适合噪声抑制、特征提取与信号恢复等场景。压缩包内共1个文件为VMD.m脚本整体约2KB体积轻量便于直接嵌入现有工程或实验流程。该脚本已在真实采集的离散数据上验证有效用户只需准备自己的时间序列并设置模态数、迭代次数等参数即可获得各模态输出快速上手并理解分解结果。目前已有229人学习关注适合具备基础MATLAB编程能力、希望将VMD应用于振动、声学或生物医学信号分析的研究者参考使用。1. 实测信号分解选 VMD为什么它比 EMD 更值得你花时间手里有一段实测信号——可能是轴承振动、电机电流、管道压力也可能是脑电或地震波——你把它丢进 EMD出来的 IMF 不是模态混叠就是端点飞翼换个采样率结果又变一遍。这种“玄学”体验做过信号分解的人多少都踩过。变分模态分解VMD之所以在实测信号分解里越来越常见是因为它把“递归筛分”换成了“变分求解”一次性把信号拆成若干个中心频率明确的离散模态每个模态对应一个窄带分量模态混叠和端点效应都比 EMD 可控得多。这篇笔记面向需要处理实测信号的一线工程师和研究生从 VMD 的数学骨架讲到 Python 落地、参数怎么调、坑在哪最后给一套能直接复现的最小工作流。读完你应该能判断你手里的信号适不适合 VMD以及怎么把它跑出可信结果。2. VMD 的变分骨架从约束优化到离散模态2.1 变分模态分解到底在解什么问题VMD 的核心思路是把信号分解写成一个带约束的变分问题。假设输入信号 $f(t)$ 要被拆成 $K$ 个模态 $u_k(t)$每个模态围绕自己的中心频率 $\omega_k$ 振荡。为了衡量一个模态“有多窄带”VMD 用希尔伯特变换把它变成解析信号再乘以 $e^{-j\omega_k t}$ 把频谱搬到基带最后取基带信号的 $L^2$ 范数。这个范数越小说明模态越集中在 $\omega_k$ 附近。于是优化目标就是让所有模态的基带带宽之和最小$$\min_{{u_k},{\omega_k}} \sum_k \left| \partial_t \left[ \left( \delta(t) \frac{j}{\pi t} \right) * u_k(t) \right] e^{-j\omega_k t} \right|_2^2$$约束条件是所有模态加起来要还原原信号$\sum_k u_k f$。这个约束保证了分解不丢信息也是 VMD 和普通带通滤波的本质区别——它不是先切频带再拼而是让模态在优化里自己找位置。求解用增广拉格朗日乘子法把约束通过二次惩罚项和拉格朗日乘子吸收进目标函数再用 ADMM交替方向乘子法迭代。每次迭代分三步更新每个模态的频域表达式、更新每个中心频率、更新拉格朗日乘子。频域更新有闭式解所以整个算法不需要梯度下降收敛快且稳定。这里有个容易被忽略的点VMD 是在频域做更新的。你输入的实测信号会被 FFT 到频域模态更新、中心频率更新都在频域完成最后 IFFT 回时域。这意味着信号长度最好取 2 的幂附近或者至少让 FFT 不因为补零产生明显边界跳变。实测信号里常见的直流偏置和趋势项如果不预先去掉会被当成一个中心频率接近 0 的模态白白占掉一个 $K$ 名额。2.2 离散模态分解在代码里长什么样理论看完落到代码其实不长。下面是一个不依赖第三方 VMD 库、用 NumPy 从零实现的最小版本方便你理解每一步在干什么。实际工程里我一般直接用vmdpy但自己写一遍能帮你定位参数问题。import numpy as np def vmd(signal, alpha2000, tau0, K5, DC0, init1, tol1e-7, max_iter500): signal: 一维实信号 alpha: 带宽约束惩罚因子越大模态越窄 tau: 拉格朗日乘子更新步长0 表示不加噪声容忍 K: 模态个数 DC: 是否把第一个模态强制为中心频率 0去直流 init: 中心频率初始化方式1 表示均匀分布 tol: 收敛容差 max_iter: 最大迭代次数 N len(signal) t np.arange(1, N 1) / N # 频域准备解析信号频谱只保留正频率 f_hat np.fft.fft(signal) f_hat_plus f_hat.copy() f_hat_plus[:N // 2] 0 # 只保留正频率部分 # 初始化模态频谱和中心频率 u_hat np.zeros((K, N), dtypecomplex) omega np.zeros(K) if init 1: for k in range(K): omega[k] (0.5 / K) * k if DC 0 else (0.5 / K) * (k - 1) lambda_hat np.zeros(N, dtypecomplex) # ADMM 主循环 for it in range(max_iter): u_hat_prev u_hat.copy() for k in range(K): # 计算除第 k 个模态外的残差 residual f_hat_plus - np.sum(u_hat, axis0) u_hat[k] # 频域维纳滤波式更新 u_hat[k] residual / (1 alpha * (np.arange(N) / N - omega[k]) ** 2) # 更新中心频率模态频谱的加权重心 for k in range(K): power np.abs(u_hat[k, N // 2:]) ** 2 freqs np.arange(N // 2, N) / N if power.sum() 0: omega[k] np.sum(freqs * power) / power.sum() # 更新拉格朗日乘子 if tau 0: lambda_hat lambda_hat tau * (f_hat_plus - np.sum(u_hat, axis0)) # 收敛判断 diff np.sum(np.abs(u_hat - u_hat_prev) ** 2) / np.sum(np.abs(u_hat_prev) ** 2) if diff tol: break # IFFT 回时域 u np.zeros((K, N)) for k in range(K): u[k] np.real(np.fft.ifft(u_hat[k])) return u, omega这段代码里几个参数直接决定结果好坏。alpha是带宽约束默认 2000 适合大多数振动信号信号采样率高、模态间隔大时可以调到 5000 以上模态混叠严重时反而要降到 1000 左右让模态宽一点。K是最关键的后面单独讲。tau设 0 表示不做拉格朗日乘子更新对含噪实测信号通常够用如果重构误差大可以设 1e-6 到 1e-4 之间。DC设 1 会把第一个模态钉在零频适合有明显直流分量的传感器信号。跑完拿到u是 K 个时域模态omega是对应中心频率。判断分解是否合理先看omega有没有两个值靠得特别近——如果两个中心频率几乎重合说明 K 给大了它们在抢同一段频谱。3. 实测信号跑 VMD参数怎么定、结果怎么验3.1 K 值选择别再用试凑法硬猜K 是 VMD 里最需要认真对待的参数。K 太小多个物理分量被塞进一个模态欠分解K 太大一个分量被拆成两个相邻模态过分解还会多出没有物理意义的噪声模态。实测信号没有真值怎么判断我一般用三步走。第一步先看信号频谱的峰个数。对实测振动信号做 FFT数一下明显高于底噪的谱峰有几簇K 从这簇数开始试。第二步对 K 从 2 到 8 各跑一遍记录每个 K 下的中心频率分布和重构误差。重构误差用 $|f - \sum u_k|_2 / |f|_2$正常应该在 1e-3 以下如果某个 K 下误差突然跳大说明模态之间开始互相抵消。第三步看相邻中心频率的比值如果两个 $\omega$ 的差小于较小值的 20%基本可以判定过分解。import numpy as np from vmdpy import VMD def scan_k(signal, k_rangerange(2, 9), alpha2000): results [] for K in k_range: u, u_hat, omega VMD(signal, alpha, 0, K, 0, 1, 1e-7) recon np.sum(u, axis0) err np.linalg.norm(signal - recon) / np.linalg.norm(signal) omega_sorted np.sort(omega.flatten()) min_gap np.min(np.diff(omega_sorted)) if K 1 else 0 results.append({ K: K, recon_err: err, omega: omega_sorted, min_gap: min_gap }) return results跑完把recon_err和min_gap列成表选重构误差已经足够小、但min_gap还没塌下去的那个 K。经验上轴承故障信号 K 取 4 到 6 居多电力谐波信号 K 取 3 到 5脑电这种宽带信号可能要 8 以上。3.2 惩罚因子 alpha 和噪声容忍 tau 的配合alpha控制模态带宽tau控制拉格朗日乘子的更新力度这两个参数要一起看。alpha偏小模态带宽大能容纳频率漂移但相邻模态容易重叠alpha偏大模态窄频率分辨率高但对非平稳信号适应性差模态中心频率会跟着噪声跳。实测信号里如果底噪明显我一般先把tau设成 0让算法不追着噪声更新乘子然后alpha从 2000 起步。如果分解出来的模态时域波形有明显毛刺说明alpha太小模态把噪声也包进去了往上调到 3000 到 5000。如果模态波形过于光滑、丢掉了冲击成分说明alpha太大往下调到 1000 到 1500。注意alpha和K不是独立的。K 增大时每个模态分到的频带变窄等效于提高了频率分辨率此时alpha可以适当调小否则模态会过度收缩到中心频率附近丢掉边带信息。3.3 分解结果怎么验证三个可量化的指标跑出模态只是开始验证才是决定你敢不敢把结果写进报告的关键。我固定看三个指标。第一个是重构误差前面提过低于 1e-3 算合格。第二个是模态间的频谱重叠度把每个模态的功率谱算出来两两做归一化互相关如果某对模态的相关系数超过 0.3说明它们频带重叠严重要么减 K要么调 alpha。第三个是中心频率的物理可解释性把omega换算成 Hz对照你的采样率和信号物理背景看这些频率是不是对应已知的物理过程——轴承的故障特征频率、电机的转频和倍频、管道的声学模态。如果出现一个中心频率既不对应任何已知成分、能量又很低那大概率是过分解出来的伪模态可以把它剔除后重新看重构误差是否仍然合格。def validate_modes(signal, u, fs): K u.shape[0] recon_err np.linalg.norm(signal - np.sum(u, axis0)) / np.linalg.norm(signal) # 模态间频谱重叠 specs [np.abs(np.fft.rfft(ui)) for ui in u] overlap np.zeros((K, K)) for i in range(K): for j in range(i 1, K): a, b specs[i], specs[j] corr np.corrcoef(a, b)[0, 1] overlap[i, j] overlap[j, i] corr # 中心频率换算 freqs np.fft.rfftfreq(len(signal), 1 / fs) peak_freqs [freqs[np.argmax(s)] for s in specs] return recon_err, overlap, peak_freqs这三个指标一起看基本能挡住大部分“看起来能跑但结果不可信”的情况。4. 避坑与排查实测信号分解最常见的五个翻车点4.1 模态混叠没解决反而更严重现象分解出来的两个模态时域波形长得几乎一样中心频率也接近。原因K 给大了或者alpha太小导致两个模态频带重叠后互相“抢”能量。解决先把 K 减 1 重跑如果两个模态合并后重构误差没明显变大说明原来就是过分解如果 K 不能减把alpha往上调 50% 到 100%逼模态收窄。4.2 端点飞翼比 EMD 还明显现象模态两端出现大幅振荡和信号主体对不上。原因VMD 的频域更新默认信号是周期的实测信号首尾不连续时FFT 的边界效应会传到模态上。解决分解前对信号做镜像延拓左右各延拓信号长度的 10% 到 20%分解完再裁掉或者先减去线性趋势项让首尾幅值接近。4.3 中心频率初始化导致结果每次不一样现象同样的信号和参数跑两次omega差很多。原因init1的均匀初始化在某些 K 下会让 ADMM 收敛到不同局部极小。解决固定随机种子不是办法VMD 本身没有随机性更稳的做法是先用 FFT 峰值位置初始化omega或者把init设成 2 让算法自己从零频开始搜。如果还是不稳说明 K 选得不对回到第 3 章重新扫 K。4.4 重构误差合格但模态没有物理意义现象重构误差 1e-4但每个模态都像带通噪声找不到对应物理成分。原因alpha太大模态被压得太窄只保留了中心频率附近的一点点能量其余全被当成残差丢给其他模态。解决把alpha降到 500 到 1000让模态宽一点再看时域波形有没有出现冲击或调制特征。4.5 采样率变了参数没跟着变现象同一类信号换个采样率跑结果完全不对。原因alpha和频率轴是绑定的VMD 里的频率是归一化频率0 到 0.5采样率变了同样的alpha对应的实际带宽就变了。解决换采样率后alpha按采样率比例缩放。比如从 1 kHz 换到 10 kHzalpha从 2000 调到 20000 左右再微调。5. 把 VMD 接进你的信号处理流水线一个可复用的封装前面都是单次分解实际工程里你面对的是成百上千段实测信号需要批量跑、批量存、批量出图。我一般把 VMD 封装成一个类固定几个默认参数只暴露 K 和 alpha 两个入口其余走配置文件。import numpy as np from vmdpy import VMD import json class VMDDecomposer: def __init__(self, fs, K5, alpha2000, tau0, DC0, tol1e-7): self.fs fs self.K K self.alpha alpha self.tau tau self.DC DC self.tol tol def decompose(self, signal): # 去线性趋势抑制端点效应 t np.arange(len(signal)) coef np.polyfit(t, signal, 1) signal_detrend signal - np.polyval(coef, t) u, u_hat, omega VMD(signal_detrend, self.alpha, self.tau, self.K, self.DC, 1, self.tol) return u, omega.flatten() def batch(self, signals): out [] for sig in signals: u, omega self.decompose(sig) recon_err np.linalg.norm(sig - np.sum(u, axis0)) / np.linalg.norm(sig) out.append({ modes: u.tolist(), omega_hz: (omega * self.fs).tolist(), recon_err: float(recon_err) }) return out def save(self, results, path): with open(path, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2)这个封装里有两个我踩坑后加进去的习惯。一是分解前统一去线性趋势比镜像延拓简单对大多数缓变趋势信号够用。二是omega存成 Hz 而不是归一化频率因为下游做故障诊断时你对照的是轴承故障特征频率表单位不统一每次都要换算容易出错。批量跑的时候建议先拿 10 段代表性信号试参数确认 K 和 alpha 稳定后再全量跑。全量跑完把recon_err画成直方图如果出现双峰说明信号里有两类不同特性的段需要分组用不同参数别一套参数硬套到底。最后说一个我自己的习惯每次分解完把原始信号和所有模态叠在一张图上再单独把每个模态的包络谱画出来。叠图看重构是否贴合包络谱看有没有故障特征频率的边带。这两张图花不了几分钟但能挡住 90% 的“参数跑通了但结论是错的”情况。VMD 不是黑匣子它的每个输出都能对应到频域上的一段能量你只要愿意多看一步频谱就不会被时域波形骗过去。希望帮到你。本文还有配套的精品资源点击获取 VMD信号分解实战：从变分原理到Python参数调优与避坑指南
简介这份资源面向信号处理方向的科研人员与工程师提供变分模态分解VMD的MATLAB实现用于对实测离散信号进行自适应分解。VMD可将复杂非平稳信号拆解为若干具有不同中心频率的模态分量相比傅里叶或小波变换更擅长捕捉瞬态与非线性特征适合噪声抑制、特征提取与信号恢复等场景。压缩包内共1个文件为VMD.m脚本整体约2KB体积轻量便于直接嵌入现有工程或实验流程。该脚本已在真实采集的离散数据上验证有效用户只需准备自己的时间序列并设置模态数、迭代次数等参数即可获得各模态输出快速上手并理解分解结果。目前已有229人学习关注适合具备基础MATLAB编程能力、希望将VMD应用于振动、声学或生物医学信号分析的研究者参考使用。1. 实测信号分解选 VMD为什么它比 EMD 更值得你花时间手里有一段实测信号——可能是轴承振动、电机电流、管道压力也可能是脑电或地震波——你把它丢进 EMD出来的 IMF 不是模态混叠就是端点飞翼换个采样率结果又变一遍。这种“玄学”体验做过信号分解的人多少都踩过。变分模态分解VMD之所以在实测信号分解里越来越常见是因为它把“递归筛分”换成了“变分求解”一次性把信号拆成若干个中心频率明确的离散模态每个模态对应一个窄带分量模态混叠和端点效应都比 EMD 可控得多。这篇笔记面向需要处理实测信号的一线工程师和研究生从 VMD 的数学骨架讲到 Python 落地、参数怎么调、坑在哪最后给一套能直接复现的最小工作流。读完你应该能判断你手里的信号适不适合 VMD以及怎么把它跑出可信结果。2. VMD 的变分骨架从约束优化到离散模态2.1 变分模态分解到底在解什么问题VMD 的核心思路是把信号分解写成一个带约束的变分问题。假设输入信号 $f(t)$ 要被拆成 $K$ 个模态 $u_k(t)$每个模态围绕自己的中心频率 $\omega_k$ 振荡。为了衡量一个模态“有多窄带”VMD 用希尔伯特变换把它变成解析信号再乘以 $e^{-j\omega_k t}$ 把频谱搬到基带最后取基带信号的 $L^2$ 范数。这个范数越小说明模态越集中在 $\omega_k$ 附近。于是优化目标就是让所有模态的基带带宽之和最小$$\min_{{u_k},{\omega_k}} \sum_k \left| \partial_t \left[ \left( \delta(t) \frac{j}{\pi t} \right) * u_k(t) \right] e^{-j\omega_k t} \right|_2^2$$约束条件是所有模态加起来要还原原信号$\sum_k u_k f$。这个约束保证了分解不丢信息也是 VMD 和普通带通滤波的本质区别——它不是先切频带再拼而是让模态在优化里自己找位置。求解用增广拉格朗日乘子法把约束通过二次惩罚项和拉格朗日乘子吸收进目标函数再用 ADMM交替方向乘子法迭代。每次迭代分三步更新每个模态的频域表达式、更新每个中心频率、更新拉格朗日乘子。频域更新有闭式解所以整个算法不需要梯度下降收敛快且稳定。这里有个容易被忽略的点VMD 是在频域做更新的。你输入的实测信号会被 FFT 到频域模态更新、中心频率更新都在频域完成最后 IFFT 回时域。这意味着信号长度最好取 2 的幂附近或者至少让 FFT 不因为补零产生明显边界跳变。实测信号里常见的直流偏置和趋势项如果不预先去掉会被当成一个中心频率接近 0 的模态白白占掉一个 $K$ 名额。2.2 离散模态分解在代码里长什么样理论看完落到代码其实不长。下面是一个不依赖第三方 VMD 库、用 NumPy 从零实现的最小版本方便你理解每一步在干什么。实际工程里我一般直接用vmdpy但自己写一遍能帮你定位参数问题。import numpy as np def vmd(signal, alpha2000, tau0, K5, DC0, init1, tol1e-7, max_iter500): signal: 一维实信号 alpha: 带宽约束惩罚因子越大模态越窄 tau: 拉格朗日乘子更新步长0 表示不加噪声容忍 K: 模态个数 DC: 是否把第一个模态强制为中心频率 0去直流 init: 中心频率初始化方式1 表示均匀分布 tol: 收敛容差 max_iter: 最大迭代次数 N len(signal) t np.arange(1, N 1) / N # 频域准备解析信号频谱只保留正频率 f_hat np.fft.fft(signal) f_hat_plus f_hat.copy() f_hat_plus[:N // 2] 0 # 只保留正频率部分 # 初始化模态频谱和中心频率 u_hat np.zeros((K, N), dtypecomplex) omega np.zeros(K) if init 1: for k in range(K): omega[k] (0.5 / K) * k if DC 0 else (0.5 / K) * (k - 1) lambda_hat np.zeros(N, dtypecomplex) # ADMM 主循环 for it in range(max_iter): u_hat_prev u_hat.copy() for k in range(K): # 计算除第 k 个模态外的残差 residual f_hat_plus - np.sum(u_hat, axis0) u_hat[k] # 频域维纳滤波式更新 u_hat[k] residual / (1 alpha * (np.arange(N) / N - omega[k]) ** 2) # 更新中心频率模态频谱的加权重心 for k in range(K): power np.abs(u_hat[k, N // 2:]) ** 2 freqs np.arange(N // 2, N) / N if power.sum() 0: omega[k] np.sum(freqs * power) / power.sum() # 更新拉格朗日乘子 if tau 0: lambda_hat lambda_hat tau * (f_hat_plus - np.sum(u_hat, axis0)) # 收敛判断 diff np.sum(np.abs(u_hat - u_hat_prev) ** 2) / np.sum(np.abs(u_hat_prev) ** 2) if diff tol: break # IFFT 回时域 u np.zeros((K, N)) for k in range(K): u[k] np.real(np.fft.ifft(u_hat[k])) return u, omega这段代码里几个参数直接决定结果好坏。alpha是带宽约束默认 2000 适合大多数振动信号信号采样率高、模态间隔大时可以调到 5000 以上模态混叠严重时反而要降到 1000 左右让模态宽一点。K是最关键的后面单独讲。tau设 0 表示不做拉格朗日乘子更新对含噪实测信号通常够用如果重构误差大可以设 1e-6 到 1e-4 之间。DC设 1 会把第一个模态钉在零频适合有明显直流分量的传感器信号。跑完拿到u是 K 个时域模态omega是对应中心频率。判断分解是否合理先看omega有没有两个值靠得特别近——如果两个中心频率几乎重合说明 K 给大了它们在抢同一段频谱。3. 实测信号跑 VMD参数怎么定、结果怎么验3.1 K 值选择别再用试凑法硬猜K 是 VMD 里最需要认真对待的参数。K 太小多个物理分量被塞进一个模态欠分解K 太大一个分量被拆成两个相邻模态过分解还会多出没有物理意义的噪声模态。实测信号没有真值怎么判断我一般用三步走。第一步先看信号频谱的峰个数。对实测振动信号做 FFT数一下明显高于底噪的谱峰有几簇K 从这簇数开始试。第二步对 K 从 2 到 8 各跑一遍记录每个 K 下的中心频率分布和重构误差。重构误差用 $|f - \sum u_k|_2 / |f|_2$正常应该在 1e-3 以下如果某个 K 下误差突然跳大说明模态之间开始互相抵消。第三步看相邻中心频率的比值如果两个 $\omega$ 的差小于较小值的 20%基本可以判定过分解。import numpy as np from vmdpy import VMD def scan_k(signal, k_rangerange(2, 9), alpha2000): results [] for K in k_range: u, u_hat, omega VMD(signal, alpha, 0, K, 0, 1, 1e-7) recon np.sum(u, axis0) err np.linalg.norm(signal - recon) / np.linalg.norm(signal) omega_sorted np.sort(omega.flatten()) min_gap np.min(np.diff(omega_sorted)) if K 1 else 0 results.append({ K: K, recon_err: err, omega: omega_sorted, min_gap: min_gap }) return results跑完把recon_err和min_gap列成表选重构误差已经足够小、但min_gap还没塌下去的那个 K。经验上轴承故障信号 K 取 4 到 6 居多电力谐波信号 K 取 3 到 5脑电这种宽带信号可能要 8 以上。3.2 惩罚因子 alpha 和噪声容忍 tau 的配合alpha控制模态带宽tau控制拉格朗日乘子的更新力度这两个参数要一起看。alpha偏小模态带宽大能容纳频率漂移但相邻模态容易重叠alpha偏大模态窄频率分辨率高但对非平稳信号适应性差模态中心频率会跟着噪声跳。实测信号里如果底噪明显我一般先把tau设成 0让算法不追着噪声更新乘子然后alpha从 2000 起步。如果分解出来的模态时域波形有明显毛刺说明alpha太小模态把噪声也包进去了往上调到 3000 到 5000。如果模态波形过于光滑、丢掉了冲击成分说明alpha太大往下调到 1000 到 1500。注意alpha和K不是独立的。K 增大时每个模态分到的频带变窄等效于提高了频率分辨率此时alpha可以适当调小否则模态会过度收缩到中心频率附近丢掉边带信息。3.3 分解结果怎么验证三个可量化的指标跑出模态只是开始验证才是决定你敢不敢把结果写进报告的关键。我固定看三个指标。第一个是重构误差前面提过低于 1e-3 算合格。第二个是模态间的频谱重叠度把每个模态的功率谱算出来两两做归一化互相关如果某对模态的相关系数超过 0.3说明它们频带重叠严重要么减 K要么调 alpha。第三个是中心频率的物理可解释性把omega换算成 Hz对照你的采样率和信号物理背景看这些频率是不是对应已知的物理过程——轴承的故障特征频率、电机的转频和倍频、管道的声学模态。如果出现一个中心频率既不对应任何已知成分、能量又很低那大概率是过分解出来的伪模态可以把它剔除后重新看重构误差是否仍然合格。def validate_modes(signal, u, fs): K u.shape[0] recon_err np.linalg.norm(signal - np.sum(u, axis0)) / np.linalg.norm(signal) # 模态间频谱重叠 specs [np.abs(np.fft.rfft(ui)) for ui in u] overlap np.zeros((K, K)) for i in range(K): for j in range(i 1, K): a, b specs[i], specs[j] corr np.corrcoef(a, b)[0, 1] overlap[i, j] overlap[j, i] corr # 中心频率换算 freqs np.fft.rfftfreq(len(signal), 1 / fs) peak_freqs [freqs[np.argmax(s)] for s in specs] return recon_err, overlap, peak_freqs这三个指标一起看基本能挡住大部分“看起来能跑但结果不可信”的情况。4. 避坑与排查实测信号分解最常见的五个翻车点4.1 模态混叠没解决反而更严重现象分解出来的两个模态时域波形长得几乎一样中心频率也接近。原因K 给大了或者alpha太小导致两个模态频带重叠后互相“抢”能量。解决先把 K 减 1 重跑如果两个模态合并后重构误差没明显变大说明原来就是过分解如果 K 不能减把alpha往上调 50% 到 100%逼模态收窄。4.2 端点飞翼比 EMD 还明显现象模态两端出现大幅振荡和信号主体对不上。原因VMD 的频域更新默认信号是周期的实测信号首尾不连续时FFT 的边界效应会传到模态上。解决分解前对信号做镜像延拓左右各延拓信号长度的 10% 到 20%分解完再裁掉或者先减去线性趋势项让首尾幅值接近。4.3 中心频率初始化导致结果每次不一样现象同样的信号和参数跑两次omega差很多。原因init1的均匀初始化在某些 K 下会让 ADMM 收敛到不同局部极小。解决固定随机种子不是办法VMD 本身没有随机性更稳的做法是先用 FFT 峰值位置初始化omega或者把init设成 2 让算法自己从零频开始搜。如果还是不稳说明 K 选得不对回到第 3 章重新扫 K。4.4 重构误差合格但模态没有物理意义现象重构误差 1e-4但每个模态都像带通噪声找不到对应物理成分。原因alpha太大模态被压得太窄只保留了中心频率附近的一点点能量其余全被当成残差丢给其他模态。解决把alpha降到 500 到 1000让模态宽一点再看时域波形有没有出现冲击或调制特征。4.5 采样率变了参数没跟着变现象同一类信号换个采样率跑结果完全不对。原因alpha和频率轴是绑定的VMD 里的频率是归一化频率0 到 0.5采样率变了同样的alpha对应的实际带宽就变了。解决换采样率后alpha按采样率比例缩放。比如从 1 kHz 换到 10 kHzalpha从 2000 调到 20000 左右再微调。5. 把 VMD 接进你的信号处理流水线一个可复用的封装前面都是单次分解实际工程里你面对的是成百上千段实测信号需要批量跑、批量存、批量出图。我一般把 VMD 封装成一个类固定几个默认参数只暴露 K 和 alpha 两个入口其余走配置文件。import numpy as np from vmdpy import VMD import json class VMDDecomposer: def __init__(self, fs, K5, alpha2000, tau0, DC0, tol1e-7): self.fs fs self.K K self.alpha alpha self.tau tau self.DC DC self.tol tol def decompose(self, signal): # 去线性趋势抑制端点效应 t np.arange(len(signal)) coef np.polyfit(t, signal, 1) signal_detrend signal - np.polyval(coef, t) u, u_hat, omega VMD(signal_detrend, self.alpha, self.tau, self.K, self.DC, 1, self.tol) return u, omega.flatten() def batch(self, signals): out [] for sig in signals: u, omega self.decompose(sig) recon_err np.linalg.norm(sig - np.sum(u, axis0)) / np.linalg.norm(sig) out.append({ modes: u.tolist(), omega_hz: (omega * self.fs).tolist(), recon_err: float(recon_err) }) return out def save(self, results, path): with open(path, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2)这个封装里有两个我踩坑后加进去的习惯。一是分解前统一去线性趋势比镜像延拓简单对大多数缓变趋势信号够用。二是omega存成 Hz 而不是归一化频率因为下游做故障诊断时你对照的是轴承故障特征频率表单位不统一每次都要换算容易出错。批量跑的时候建议先拿 10 段代表性信号试参数确认 K 和 alpha 稳定后再全量跑。全量跑完把recon_err画成直方图如果出现双峰说明信号里有两类不同特性的段需要分组用不同参数别一套参数硬套到底。最后说一个我自己的习惯每次分解完把原始信号和所有模态叠在一张图上再单独把每个模态的包络谱画出来。叠图看重构是否贴合包络谱看有没有故障特征频率的边带。这两张图花不了几分钟但能挡住 90% 的“参数跑通了但结论是错的”情况。VMD 不是黑匣子它的每个输出都能对应到频域上的一段能量你只要愿意多看一步频谱就不会被时域波形骗过去。希望帮到你。本文还有配套的精品资源点击获取