企业官网建设流程全解析

简介：这是一份面向信号处理研究者和工程技术人员的变分模态分解（VMD）MATLAB实现，专门用于实测离散信号的模态分解，可自适应处理非线性、非平稳信号，与传统傅里叶、小波方法相比更能捕捉瞬态局部特征。压缩包仅含1个文件，为约2KB的MATLAB脚本（.m），代码体积小、结构清晰，便于直接阅读和二次修改；由于只有单一脚本，也能降低初学者定位核心算法的门槛。已有229人浏览学习，说明该方法在信号处理实践中较受关注。读者拿到脚本后，可导入自己的时间序列信号，调试中心频率、迭代次数等关键参数，得到若干具有不同频率特性的模态分量，适用于噪声抑制、故障诊断、特征提取和信号恢复等场景；脚本配合基本MATLAB操作即可运行，且作者标明实测有效，适合想快速上手VMD的入门者与实际数据分析人员。

1. 拿到一段实测信号，为什么我第一个想到的是VMD

做故障诊断或者设备状态监测的工程师大概都经历过这种场景：传感器采回来一段振动信号，频谱图上有一片连续的宽峰，不知道是轴承坏了、齿轮打了还是只是噪声；用EMD分解，各阶IMF在频谱上叠在一起，模态混叠到怀疑人生；滤波吧，又怕把真正有用的特征滤掉。变分模态分解（VMD，Variational Mode Decomposition）就是为了解决这类“信号成分分不开”的问题出现的。它能把一个非平稳、非线性的实测信号自适应地拆成若干个离散模态分量，每个分量围绕一个中心频率、带宽受限，对强噪声和间歇性干扰的容忍度比EMD高得多。适合做振动信号处理、故障特征提取、生物医学信号分析和地球物理数据处理的工程师与研究者。这篇笔记我会把VMD从原理、实现到实测信号落地的完整路径和踩过的坑一次讲清楚。

2. 变分模态分解到底在做什么：先理解“变分”和“模态”再动手

2.1 VMD 在解决什么问题：从 EMD 的模态混叠到自适应的变分框架

在接触VMD之前，多数人用的是经验模态分解（EMD）。EMD的思路很直接——把信号极值点包络的平均值当成“瞬时均值”，不断用原始信号减掉这个均值，筛出本征模态函数（IMF）。这个算法对简单信号很漂亮，但实测信号一上来就露馅：如果两个频率成分靠得近，或者信号里有间歇性干扰，筛出来的IMF在频谱上是叠在一起的，这叫模态混叠；另外EMD对采样率、噪声和端点极值非常敏感，同样的信号换个时间窗，分解结果可能都不一样。

VMD换了个完全不同的思路。它把分解问题直接定义成一个约束优化问题：在“所有模态加起来等于原始信号”的约束下，让每个模态的估计带宽之和最小。这不是一个贪心的筛选过程，而是一个全局寻优的过程，因此模态与模态之间天然倾向于“各自占一段频带”。这种数学框架带来了两个直接好处：第一，模态之间的频谱重叠大幅减少，混叠问题被约束条件压住；第二，对噪声有天然的鲁棒性——因为白噪声没有窄带结构，会被分到一个宽频带的残余分量里，而不会像EMD那样撕裂到各个IMF里。

2.2 VMD 的数学模型：最小带宽之和的约束优化

VMD把信号 $f(t)$ 分解成 $K$ 个离散模态 $u_k(t)$，每个模态都有一个中心频率 $\omega_k$。它的目标函数写出来是这个形式：

对每个模态做希尔伯特变换得到解析信号，乘上 $e^{-j\omega_k t}$ 把频谱搬移到基带，然后计算搬移后信号的梯度范数平方。这个值度量的是“这个模态绕着自己的中心频率有多分散”，分散度越大，带宽越大。VMD要做的就是让这 $K$ 个模态的带宽之和最小，同时满足重构约束：所有模态加起来等于原信号。这里的 $K$ 和惩罚参数 $\alpha$ 是人工设定的核心参数，后面会专门讲怎么调。

这个公式的工程含义很直接：如果信号里有一个频率成分在150Hz附近，VMD会倾向于生成一个中心频率接近150Hz、带宽尽可能窄的模态，把它和别的成分分开。

2.3 求解流程：交替方向乘子法的一次次迭代

这个约束优化问题没有闭合解，常见做法是用交替方向乘子法（ADMM）迭代求解。迭代过程的核心是交替更新模态、中心频率和拉格朗日乘子。

更新模态时，把其他模态和乘子视作常量，对 $u_k$ 求目标函数的极值。这个子问题在频域有解析解，相当于对信号的维纳滤波——以当前中心频率为中心，在频域做一个自适应带宽的滤波，把属于这个模态的频带“挖”出来，同时把不属于它的频带压下去。更新中心频率时，把更新后的模态的功率谱质心当作新的中心频率，也就是说中心频率会自动跑到模态能量最集中的地方。拉格朗日乘子则保证重构约束一步步收紧——迭代到后段，重构残差会收敛到噪声水平。

这个求解过程不是黑匣子。你可以看到每次迭代的中心频率 $\omega_k$ 变化轨迹：如果两条模态的中心频率在迭代过程中互相追尾，说明初始化或 $K$ 值有问题；如果迭代几十次中心频率还在漂移，说明惩罚参数太小、模态带宽约束不够强。把迭代信息打印出来看，是排查VMD问题最直接的入口。

3. 把 VMD 跑起来：从测试信号到实测信号的最小实现

3.1 先构造一个已知答案的测试信号：最小可跑通的 MATLAB 脚本

学习任何分解算法，第一步永远是构造一个“你要什么答案，它就要给你什么答案”的测试信号，否则没法判断代码有没有跑对。下面这个脚本构造了一个三段已知频率合成信号加白噪声，然后调用VMD函数分解：

%% 构造已知成分的测试信号 fs = 1000; % 采样率 1kHz N = 1024; % 数据长度 1024 点 t = (0:N-1)/fs; s1 = 1.0 * cos(2*pi*60*t); % 60Hz 正弦分量 s2 = 0.6 * sin(2*pi*135*t); % 135Hz 正弦分量 s3 = 0.4 * cos(2*pi*260*t); % 260Hz 正弦分量 sig = s1 + s2 + s3 + 0.15*randn(size(t)); % 叠加白噪声 %% 调用 VMD 分解 K = 3; % 已知三个成分，所以 K=3 alpha = 2000; % 带宽惩罚参数，先取常用默认值 tau = 0; % 噪声容忍系数，0 表示严格重构 DC = 0; % 第一个模态不设为直流分量 init = 1; % 中心频率初始化为均匀分布 tol = 1e-7; % 迭代收敛容差 [u, u_hat, omega] = VMD(sig, N, alpha, K, tau, DC, init, tol); %% 查看分解结果和收敛中心频率 disp('最终中心频率 (Hz):'); disp(omega(end, :) * fs / 2 / pi);

这块代码逻辑不用一句一句背，但有三个参数值得解释清楚。tau是噪声容忍系数，设成0表示要求模态严格加起来等于原信号，实测信号噪声大时可以放成0.1到0.5，给重构留一点误差空间，反而能让模态更干净。init是中心频率的初始化方式，1表示在频带上均匀分布，0表示全部从0开始统一优化；实测信号建议用1，否则低频分量可能会在迭代初期抢走过多能量。omega输出的是迭代过程中每一步的中心频率，取最后一行就是收敛值。跑通这一段之后，你就可以确信代码链路是通的。

3.2 判断分解是否成功：三个正经的检查点

分解完不画图就等于没做。拿到u（模态时域波形）、u_hat（模态频谱）、omega（中心频率迭代轨迹）之后，我一般按顺序检查三件事。

第一，看中心频率是否收敛。打印出来的omega(end,:)应该分别接近60、135、260（单位换算成Hz后），并且与真实成分的偏差在几个Hz以内。第二，画各模态的时域波形和频谱图，确认每个模态在时域上是一条干净的窄带振荡曲线，频谱上只有一个孤立峰，没有被相邻模态“咬掉”一部分。第三，检查重构误差：把sum(u,1)和原始信号相减，残差的均方根应该接近你加的噪声幅度。如果残差明显高于噪声水平，说明分解过程不收敛，需要调大迭代次数或者检查输入参数类型。

如果检查发现中心频率对但幅值偏小，通常是初始化方式导致的能量分配不均；如果中心频率对不上，多半是K值给错了或者信号里有较强的高次谐波干扰。别急着调参数，先把这三个检查在测试信号上跑通，再去碰实测数据。这一步答应自己一定要做，后面省掉的时间会值回票价。

3.3 从测试信号到实测信号：数据预处理这一步不能省

把上面脚本里的sig换成实测信号之前，有一项预处理不做的话，VMD大概率会给你一堆“玄学”结果。实测信号通常有这几类问题：一是直流偏置，传感器或者采集卡会引入直流分量，VMD会专门分出一个中心频率接近0的模态来装它，白白浪费一个模态名额；二是工频干扰，50Hz的电网串扰会成为一个明显的窄带分量；三是传感器安装共振引入的高频衰减或共振峰。

我一般的处理顺序是：先去均值，再用陷波器滤掉工频干扰（如果明显的话），最后做一次带通滤波把分析频带限制在感兴趣的范围内。这个预处理对VMD的帮助非常大——VMD是全局优化方法，信号里任何一个强窄带分量都会被当成一个模态单独分出来，你不提前滤掉它，就得用更多的K去承担它。实测信号里有时候还会碰到幅值很大的低频摆动（比如转速波动、温度漂移），这种分量也要先高通滤波去掉，否则它会压低其他分量在目标函数里的权重。

%% 实测信号预处理最小流程 sig_raw = load('your_signal.mat'); % 读入实测信号 sig_raw = sig_raw(:); % 保证是列向量 sig = sig_raw - mean(sig_raw); % 去直流 % 50Hz 陷波（fs=5120 的示例） fn = 50 / (fs/2); % 归一化频率 [b, a] = butter(2, [0.98*fn, 1.02*fn], 'stop'); sig = filtfilt(b, a, sig); % 零相位陷波 sig = detrend(sig, 'linear'); % 去除线性趋势

filtfilt是零相位滤波，这一点对后续分解很重要——普通filter会引入相位偏移，VMD对时域波形是敏感的，相位歪了会导致模态波形畸变。实测信号长度最好在1000点以上，少于500点的信号VMD的边界效应会展不开，分解出的端部模态基本都是假的。如果原始信号很长，可以先截一段长度合适、工况稳定的片段再做分解，而不是全丢进去。

4. 把 VMD 用到实测信号：核心参数的选择策略和调参手段

4.1 K值怎么定：先扫频谱再定模态数，别靠猜

VMD最头疼的参数就是模态个数 $K$。给少了，几个频率成分挤在一个模态里，分解等于没分解；给多了，一个真实的窄带成分会被劈成两三个相邻模态，能量被撕碎。K值的初选我一般按三步走。

第一步，对预处理后的信号做FFT，数一数频谱上有几个明显凸起的“峰群”。这些峰群就是天然模态的候选。第二步，把峰的数量作为K的初值，跑一次VMD看中心频率收敛值。第三步，也是最关键的，检查中心频率是否有两个值靠得很近（比如只差5%以内），如果有，说明K太大了，把K减一再来一次。反过来，如果分解后某个模态的频谱宽得像个土堆，说明这个模态里其实塞了不止一个成分，K要加一。omega(end,:)这个收敛后的中心频率序列，是判断K是否合适的直接证据，比看时域波形直观得多。

%% 用频谱峰个数辅助定 K [pxx, f] = pwelch(sig, hann(512), 256, 1024, fs); mag = 10*log10(pxx); % 挑出明显高于噪底的局部极大点（阈值设为噪底+10dB） noise_floor = prctile(mag, 30); [pks, locs] = findpeaks(mag, 'MinPeakHeight', noise_floor+10, ... 'MinPeakDistance', max(2, fs/512/2)); K_init = length(pks); fprintf('建议初始 K = %d\n', K_init);

这里没有用复杂算法，只是把“数峰”这一步自动化。注意MinPeakDistance至少设到两个频率分辨间隔以上，避免同一个宽峰被数成两个模态。实测信号频谱往往是几个宽峰加许多小毛刺，宁可先用少数明显主峰定K，再用中心频率检查去迭代修正，也不要第一次就把K设大。

4.2 alpha 的脾气：带宽惩罚参数决定模态“胖瘦”

alpha是VMD里直接影响分解形态的参数。它控制约束条件里“带宽之和最小”这个目标的权重：alpha越大，每个模态越“瘦”，带宽越窄，中心频率分得越开；alpha越小，模态越“胖”，带宽越宽，容忍频率漂移的能力越强，但相邻模态的频谱容易重叠。

这个参数的经验取值区间非常大，常见做法是试alpha = 100/1000/2000/5000，逐个比较频谱分离度。对振动信号，我用2000起步；对生物医学信号这类瞬态成分多的信号，1000左右表现比较好；如果信号里存在频率随时间漂移的成分（比如变频器驱动的电机），alpha取小一点反而能用一个模态把一段漂移的窄带包住。判断标准还是看频谱：如果相邻模态的频谱在-20dB处不交叉，alpha就算合适；如果交叉得一塌糊涂，alpha加倍再来。

tau要不要调，取决于你接不接受重构误差。严格重构（tau=0）时，VMD会把噪声也尽力塞进模态里，模态波形会有些毛糙；tau取0.1到0.3时，算法允许一部分信号内容不被任何模态解释，这部分正好是噪声，模态时域波形会更干净。实测信号我多数情况用tau=0直接上，因为后续还要用包络谱提取特征，模态干净与否影响不大；但如果你的目的是看模态时域波形本身，tau取0.2能明显好看。

4.3 一次完整的调参流程：从 K=3 到收敛

给你一条我实际用的调参路径，照着走能少走弯路。第一步，按4.1的频谱峰方法得到K_init。第二步，固定 alpha=2000、tau=0、init=1，跑一次 VMD，打印收敛中心频率。第三步，检查中心频率序列：如果两两之间最小间隔小于其中较小值的8%，说明K过大；如果存在中心频率接近信号的已知主频但频谱明显不对称、像被切了一刀，说明K不足。第四步，根据判断增减K，再跑；同一K下再试alpha为500、1000、2000、5000四档，观察中心频率是否稳定。中心频率对alpha不敏感，但频谱分离度对alpha敏感，所以先定K再定alpha，顺序不要反。第五步，若分解结果依然古怪，回看预处理和信号长度，别在参数池里死磕。

这套流程在测试信号上用不了两分钟，在实测信号上可能要来回几次。注意每轮只改一个参数，把每次的中心频率和alpha记下来，否则两个参数一起动，你根本不知道是谁搞坏了结果。

5. 实测信号分解的避坑记录：这些坑我替你踩过了

5.1 信号两端出现明显振荡伪影：边界效应

现象：分解后的每个模态在信号开头和结尾几十个点处都有大幅振荡，中间正常，频谱上表现为整个频带抬底。

原因：VMD内部要做希尔伯特变换和有限长度求导，信号两端的数据窗不足以支撑窄带估计，边界处模态定义被拉宽。数据越短，边界效应占比越高。

解决：预处理时给信号两端各延长一段，做完VMD再裁掉延长部分。延长方式最简单的是镜像延拓：把信号前100个点翻转接到头部，后100个点翻转接到尾部。不要用零填充，零填充本身就是一种跳变，会制造新的边界伪影。我用MATLAB的wextend函数做镜像延拓，非常方便。

5.2 K 取太大，中心频率两个重叠在一起

现象：跑出来的K个中心频率里面，有两个几乎一样，对应的模态时域波形高度相似，频谱峰也几乎重合。

原因：K取大了。VMD会尽量满足“K个模态”的约束，当真实成分只有K-1个时，它会把多余的那个模态硬生生插进某个已有模态里。但为什么中心频率不完全一样？因为算法会在两个相同的中心频率上做带宽分配，你看到的频谱实际上是同一个峰被切成两半。

解决：把K减1重跑。如果减1后重构误差明显变大，那就不是K的问题，回到预处理检查是不是有没滤掉的强窄带分量。这个坑最容易在实测信号里遇到，因为实测频谱的峰不像测试信号那么清晰。

5.3 实测信号噪声太大，模态波形“毛刺化”

现象：分解出的模态时域波形高频毛刺严重，频谱上除主峰外还有一串衰减的高频尾巴。

原因：tau=0时算法必须严格重构信号，噪声无法被拒在模态外，就被均匀摊到每个模态上。测试信号噪声小看不出来，实测信噪比低时非常明显。

解决：把tau设为0.1或0.2重新分解。你会看到模态时域波形光滑很多，代价是重构残差变大——这没关系，你要的是模态特征，不是重构精度。如果改了tau还不够，检查alpha是不是太小了，alpha=2000起步，噪声大时用5000。

5.4 强干扰分量把关注频段压得变形

现象：信号里有一个幅值很大的低频分量（比如转频10Hz处幅值是关注频段100倍），分解后关注频段所在模态幅值严重失真，甚至中心频率偏离实际值。

原因：VMD的优化目标是最小化总带宽之和，大振幅分量会占据主导权重，迭代过程中的能量分配优先保大分量，小分量被“挤”到收敛结果外。

解决：预处理阶段就把强干扰分量滤掉再分解，不要指望VMD把它分到一个模态后再减掉。VMD的分辨率有限，强分量和弱分量幅值差超过两个数量级时，弱分量基本保不住。实测信号里我就会在预处理阶段把转频带高通滤除，再跑VMD。

5.5 分解结果跑一次一个样

现象：同样的信号、同样的参数，跑两次VMD得到的模态时域波形不一样，尤其体现在IMF的相位上。

原因：init参数控制了中心频率初始化，默认的随机初始化会导致每次起点不同，迭代收敛到的局部最优也不同。这不是VMD本身的bug，而是所有交替优化算法的固有特性。

解决：固定init=1（频带均匀初始化），并设置rand_seed（如果有的话）。只要初始化策略和种子固定，VMD的结果就是确定性的。另外，把中心频率的迭代轨迹打出来，确认每一步没有异常跳变。做科研写论文的朋友，记得把init固定状态写进代码注释里，否则复现自己的结果都困难。

6. 从仿真走向实测：一套我一直在用的VMD落地验证流程

前面写了这么多原理和参数，最终你还是要拿着它对付一台真实设备的信号。我最后送你一套自己一直在用的落地流程，它不复杂，但每一步都是在真实项目里付出过代价换来的。

拿到一段实测信号，不要急着分解。先把整段信号的时域图、频谱图、包络谱三张图画出来，把明显的主频、边带、噪底水平都看清。这一步能回答“信号里到底有什么”这个最关键的问题，也决定了后面K的初值。然后预处理（去直流、陷波、带通、去趋势），再镜像延拓，接着跑VMD，最后做模态的包络谱分析——VMD分离出的每个模态本身是窄带信号，用希尔伯特包络谱可以看到调制边带，这是轴承故障和齿轮啮合故障诊断最常用的手法。

%% 模态验证：包络谱提取故障特征频率 for k = 1:size(u, 1) analytic = hilbert(u(k, :)); % 希尔伯特变换求包络 env = abs(analytic); env = env - mean(env); % 去直流 [pxx_env, f_env] = pwelch(env, hann(256), 128, 512, fs); [~, loc] = findpeaks(10*log10(pxx_env), 'SortStr', 'descend'); fprintf('模态%d 包络谱峰值频率: %.2f Hz\n', k, f_env(loc(1))); end

我自己的习惯是，每次分解前在代码开头写一行注释，记录“信号来源、采样率、分析频段、K和alpha从哪来”，因为在实测项目里你很可能两周后回来看这段代码，完全想不起来当初为什么选K=6而不是K=5。这行注释不花三秒钟，但能在你怀疑人生时成为可靠的后悔药。

最后说一句个人教训：VMD调参最怕的就是“参数试一圈，哪个图好看用哪个”。参数选择必须有依据，依据就是中心频率的收敛值和频谱分离度，不是视觉效果。把依据写下来、把每次实验的中心频率记下来，你才能真正摸清这段信号的脾气。希望这篇笔记能帮你少走点弯路，让VMD从“玄学”变成你手里的常规工具。

本文还有配套的精品资源，点击获取