尧图网页设计 
简介这份资源面向具备一定信号处理基础与MATLAB编程能力的故障诊断学习者围绕《基于VMD的故障特征信号提取方法》一文提供可运行的复现代码帮助读者理解变分模态分解如何将非平稳振动信号拆解为频率局部化的模态分量从而在噪声中分离出故障特征。压缩包共4个文件均为m脚本整体约5KB其中核心算法、主流程调用、性能指标计算与频谱分析等环节分别由不同脚本承担结构紧凑、便于逐段阅读与修改。资源不涉及轴承实验数据复现重点落在算法实现与结果可视化上读者可借此掌握分解流程、参数调整与特征提取的完整思路并对照文献验证方法正确性。目前已有731人学习下载适合希望快速上手VMD降噪与特征提取实践的研究生及工程技术人员参考。1. 复现《基于VMD的故障特征信号提取方法》从一篇文献到一个能跑通的信号处理链路轴承故障、齿轮箱故障、电机转子断条这些旋转机械的早期故障特征往往淹没在强噪声和工频干扰里。你手里有一段振动加速度信号采样率 12.8 kHz采样 2 秒时域波形看上去就是一团毛刺FFT 频谱上除了转频和倍频几乎看不出故障冲击的周期成分。这时候很多人会想到那篇被引用了无数次的文献——《基于VMD的故障特征信号提取方法》。VMD变分模态分解2014 年 Dragomiretskiy 和 Zosso 提出的自适应信号分解方法核心思路是把信号分解问题写成一个变分约束问题通过交替方向乘子法迭代求解把原始信号拆成若干个中心频率不同、带宽受限的模态分量。和 EMD 相比VMD 没有模态混叠和端点效应那么玄学分解层数 K 和惩罚因子 α 是你要拍板的关键参数。复现这篇文献不是把公式抄一遍而是要把“信号怎么来、参数怎么定、模态怎么选、特征怎么提”这条链路跑通。适合手里有振动数据、想做故障诊断特征工程、又不想在 EMD 的模态混叠里反复翻车的工程师。2. VMD 的数学骨架与复现前的选型判断2.1 变分约束怎么变成可迭代的求解步骤VMD 把信号分解成 K 个模态分量 u_k(t)每个模态围绕一个中心频率 ω_k 振荡。构造的变分问题是所有模态的解析信号经过希尔伯特变换后乘以 e^{-jω_k t} 搬移到基带再求 L2 范数的平方和约束条件是所有模态之和等于原始信号。为了把这个约束问题变成无约束问题引入二次惩罚因子 α 和拉格朗日乘子 λ。α 控制模态带宽α 越大模态带宽越窄模态之间越不容易混叠α 越小模态带宽越宽可能把多个频率成分装进同一个模态。迭代求解用 ADMM每一步更新 u_k、ω_k、λ。u_k 的更新在频域做公式是u_k^{n1}(ω) (f(ω) - Σ_{i≠k} u_i(ω) λ(ω)/2) / (1 2α(ω - ω_k)^2)ω_k 的更新是模态功率谱重心ω_k^{n1} ∫_0^∞ ω |u_k(ω)|^2 dω / ∫_0^∞ |u_k(ω)|^2 dωλ 的更新是梯度上升λ^{n1}(ω) λ^n(ω) τ(f(ω) - Σ_k u_k^{n1}(ω))收敛判据是 Σ_k ||u_k^{n1} - u_k^n||_2^2 / ||u_k^n||_2^2 ε。实际写代码时你不需要手推这些公式但必须知道每个参数在迭代里起什么作用否则调参就是盲人摸象。2.2 为什么选 VMD 而不是 EMD 或小波EMD 的问题在于模态混叠和端点效应。同一个信号两端补零和补镜像分解出来的 IMF 可能不一样这对故障特征提取是致命的因为你要的是可重复的周期冲击。小波变换需要选基函数和分解层数基函数选错故障冲击就被平滑掉了。VMD 的优势是频域求解中心频率初始化后模态在频域上自动分离端点效应比 EMD 小得多。但 VMD 不是没有代价K 值需要预设K 太小故障特征和背景噪声混在一个模态里K 太大同一个故障冲击被拆到两个模态中心频率接近反而不好选。常见做法是 K 从 3 开始试看中心频率分布如果两个模态中心频率差小于转频的 20%就说明 K 偏大。2.3 复现前要确认的数据格式和采样参数文献里的方法通常假设输入是单通道振动信号采样率已知故障特征频率可计算。复现前先确认三件事采样率是否满足奈奎斯特故障冲击的带宽是否在分析范围内信号长度是否足够VMD 对短信号分解不稳定一般建议至少 2048 点有没有转速信号如果没有转频要从频谱里估。我一般会先画时域波形和 FFT 频谱确认故障特征频率的大致位置再决定 K 和 α 的搜索范围。3. 用 Python 跑通 VMD 分解的最小代码链路3.1 安装 vmdpy 并加载振动信号Python 里现成的 VMD 实现不多vmdpy 是一个轻量包直接 pip 安装。如果你不想装包也可以把文献里的伪代码翻译成 numpy但 vmdpy 的接口更接近工程习惯。pip install vmdpy numpy scipy matplotlib加载数据时注意信号要转成 float64去掉直流分量。直流分量会让第一个模态中心频率跑到 0影响后续模态选择。import numpy as np from vmdpy import VMD import matplotlib.pyplot as plt # 假设 data 是 N×1 的振动信号采样率 fs fs 12800 data np.loadtxt(bearing_vibration.txt) signal data[:, 1].astype(np.float64) signal signal - np.mean(signal) # 去直流 N len(signal) t np.arange(N) / fs这段代码做了三件事读取文本格式的振动数据取第二列作为信号去均值。参数 fs 必须和采集系统一致否则后续故障特征频率对不上。如果数据是 CSV 或 MAT 格式用 pandas 或 scipy.io.loadmat 替换 loadtxt 即可。3.2 设置 K、alpha、tau 和初始化方式VMD 函数的签名是 VMD(signal, alpha, tau, K, DC, init, tol)。每个参数的含义和常用取值如下参数含义常用取值影响alpha带宽约束2000越大带宽越窄模态越独立tau对偶上升步长00 表示无噪声容忍通常设 0K模态数3~8根据中心频率分布调整DC是否包含直流0去直流后设 0init中心频率初始化11 表示均匀初始化tol收敛容差1e-7越小迭代越久alpha 2000 tau 0 K 5 DC 0 init 1 tol 1e-7 u, u_hat, omega VMD(signal, alpha, tau, K, DC, init, tol)u 是分解后的模态矩阵形状 K×N每一行是一个模态的时域波形。u_hat 是频域模态omega 是每次迭代的中心频率记录最后一列是最终中心频率。K5 是轴承故障诊断里比较常用的起点alpha2000 对应带宽约 500 Hz适合中高频故障冲击。3.3 画中心频率分布图判断 K 是否合理分解完不要急着做包络谱先看中心频率。如果两个模态的中心频率太近说明 K 偏大如果最后一个模态中心频率还在故障特征频带内说明 K 偏小。plt.figure() plt.plot(omega[:, -1], o-) plt.xlabel(模态序号) plt.ylabel(中心频率 (Hz)) plt.title(VMD 中心频率分布) plt.grid(True) plt.show() # 打印最终中心频率 print(最终中心频率:, omega[:, -1])如果中心频率从低到高排列且相邻差值比较均匀说明 K 选得合适。如果出现两个模态中心频率几乎重合把 K 减 1 再试。如果最高中心频率离故障特征频率还有距离把 K 加 1。这个判断过程比看重构误差更直接因为故障特征提取关心的是模态是否覆盖了故障频带而不是整体重构精度。4. 从模态到故障特征包络谱与特征频率对齐4.1 选哪个模态做包络分析VMD 分解出 K 个模态后不是每个模态都包含故障特征。轴承故障冲击会激发高频共振故障特征频率出现在共振频带的包络里。所以你要选中心频率在高频段、且时域波形有明显周期冲击的模态。常见做法是计算每个模态的峭度峭度最大的模态通常对应故障冲击。from scipy.stats import kurtosis kurt_values [] for i in range(K): kurt_values.append(kurtosis(u[i, :], fisherTrue)) best_mode np.argmax(kurt_values) print(峭度值:, kurt_values) print(选中的模态:, best_mode)峭度对冲击敏感正常轴承振动接近高斯分布峭度约 0故障冲击让峭度增大。但峭度不是唯一标准如果两个模态峭度接近选中心频率更接近共振频带的那个。4.2 包络谱计算与故障特征频率标注选好模态后做希尔伯特变换取包络再对包络做 FFT看故障特征频率及其倍频。from scipy.signal import hilbert mode u[best_mode, :] envelope np.abs(hilbert(mode)) envelope envelope - np.mean(envelope) n len(envelope) freq np.fft.rfftfreq(n, 1/fs) envelope_spectrum np.abs(np.fft.rfft(envelope)) / n plt.figure() plt.plot(freq, envelope_spectrum) plt.xlabel(频率 (Hz)) plt.ylabel(幅值) plt.title(包络谱) plt.xlim(0, 500) plt.grid(True) plt.show()包络谱上如果在外圈故障特征频率 BPFO 及其 2 倍频、3 倍频处出现峰值说明故障特征被成功提取。BPFO 的计算公式是BPFO (n/2) × fr × (1 - (d/D) × cosθ)其中 n 是滚动体个数fr 是转频d 是滚动体直径D 是节圆直径θ 是接触角。这些参数从轴承型号手册里查。如果包络谱峰值和 BPFO 对不上先检查转频估得准不准再检查模态选得对不对。4.3 用重构信号验证分解是否丢特征VMD 的约束是所有模态之和等于原信号但迭代收敛后会有微小残差。你可以把选中的模态和相邻模态相加看重构信号在故障频带的能量是否保留。reconstructed np.sum(u, axis0) residual signal - reconstructed print(残差能量占比:, np.sum(residual**2) / np.sum(signal**2))残差能量占比一般小于 1%。如果残差很大说明迭代没收敛把 tol 调小或者增加迭代次数。如果残差正常但包络谱没峰值问题出在模态选择或传感器安装方向不是 VMD 本身。5. 复现 VMD 故障特征提取时最容易翻车的五个地方5.1 现象分解出的模态中心频率全挤在低频高频段没有模态原因alpha 设得太大带宽约束过强高频模态被抑制或者 K 太小高频故障频带没有被单独分出来。解决先把 alpha 降到 1000 以下试再把 K 加到 6 或 7观察中心频率是否往高频扩展。如果还是不行检查信号里高频成分是否被低通滤波掉了。5.2 现象包络谱上故障特征频率处没有峰值反而在转频处有大峰值原因选错了模态。峭度最大的模态不一定包含故障特征可能只是转频调制。解决不要只看峭度把每个模态的包络谱都画出来找 BPFO 处有峰值的那个。如果所有模态都没有检查传感器是不是装在径向故障冲击是否被衰减。5.3 现象同一段信号两次运行 VMD 结果不一样原因中心频率初始化方式不同或者信号长度不是 2 的整数次幂FFT 补零导致频域分辨率变化。解决固定 init1信号长度截取到 2 的整数次幂比如 8192 点。如果还不行检查 numpy 版本不同版本的 FFT 实现可能有微小差异。5.4 现象K 增大到 8 以上分解时间急剧增加模态中心频率出现重合原因K 过大导致模态分裂同一个频率成分被拆到两个模态ADMM 迭代在两者之间振荡。解决K 不要超过 8一般 4 到 6 足够。如果故障特征频带很宽优先调 alpha而不是加 K。5.5 现象包络谱峰值和理论 BPFO 差几十赫兹原因转频估不准。转频通常从频谱里找最大峰值但电机滑差、皮带打滑都会让实际转频偏移。解决用转速计信号或者从时域波形里数周期冲击间隔反推转频。如果转频误差超过 2%BPFO 的倍频对不上特征提取就失去意义。6. 把 VMD 嵌进在线监测链路参数固化与批量验证复现文献的终点不是跑通一段代码而是把参数固化下来能对同型号设备批量处理。我一般会做三件事第一用正常状态数据确定 K 和 alpha 的基线正常数据分解后中心频率分布稳定故障数据才会出现新的高频模态第二把峭度、包络谱峰值、BPFO 处信噪比三个指标写成函数批量跑历史数据看哪个指标对早期故障最敏感第三把 VMD 分解和包络谱计算封装成类输入原始信号和轴承参数输出故障特征频率处的幅值。class VMDEnvelopeExtractor: def __init__(self, fs, alpha2000, K5, tol1e-7): self.fs fs self.alpha alpha self.K K self.tol tol def extract(self, signal, bpfo): signal signal - np.mean(signal) u, _, omega VMD(signal, self.alpha, 0, self.K, 0, 1, self.tol) kurt [kurtosis(u[i], fisherTrue) for i in range(self.K)] best np.argmax(kurt) envelope np.abs(hilbert(u[best])) envelope envelope - np.mean(envelope) n len(envelope) freq np.fft.rfftfreq(n, 1/self.fs) spectrum np.abs(np.fft.rfft(envelope)) / n idx np.argmin(np.abs(freq - bpfo)) return spectrum[idx], omega[:, -1], best这个类把分解、模态选择、包络谱计算串起来返回 BPFO 处的幅值、中心频率分布和选中的模态序号。批量跑的时候如果某个样本的 BPFO 幅值突然增大同时中心频率分布出现新的高频模态就触发报警。参数固化后不要频繁改 K 和 alpha否则报警阈值失去意义。如果设备工况变化大比如变转速VMD 之前要先做阶次跟踪把时域信号转成角域信号否则故障特征频率会 smear。最后说一个我自己的习惯每次复现一篇文献我都会先用仿真信号验证代码正确性再上实测数据。仿真信号用两个正弦加一个周期冲击冲击间隔对应 BPFO加高斯白噪声。如果 VMD 能把冲击模态分出来包络谱峰值在 BPFO 处说明代码没问题。实测数据翻车多半是传感器、转速或轴承参数的问题不是算法的问题。希望帮到你。本文还有配套的精品资源点击获取 VMD故障特征提取复现：从文献到Python工程链路
简介这份资源面向具备一定信号处理基础与MATLAB编程能力的故障诊断学习者围绕《基于VMD的故障特征信号提取方法》一文提供可运行的复现代码帮助读者理解变分模态分解如何将非平稳振动信号拆解为频率局部化的模态分量从而在噪声中分离出故障特征。压缩包共4个文件均为m脚本整体约5KB其中核心算法、主流程调用、性能指标计算与频谱分析等环节分别由不同脚本承担结构紧凑、便于逐段阅读与修改。资源不涉及轴承实验数据复现重点落在算法实现与结果可视化上读者可借此掌握分解流程、参数调整与特征提取的完整思路并对照文献验证方法正确性。目前已有731人学习下载适合希望快速上手VMD降噪与特征提取实践的研究生及工程技术人员参考。1. 复现《基于VMD的故障特征信号提取方法》从一篇文献到一个能跑通的信号处理链路轴承故障、齿轮箱故障、电机转子断条这些旋转机械的早期故障特征往往淹没在强噪声和工频干扰里。你手里有一段振动加速度信号采样率 12.8 kHz采样 2 秒时域波形看上去就是一团毛刺FFT 频谱上除了转频和倍频几乎看不出故障冲击的周期成分。这时候很多人会想到那篇被引用了无数次的文献——《基于VMD的故障特征信号提取方法》。VMD变分模态分解2014 年 Dragomiretskiy 和 Zosso 提出的自适应信号分解方法核心思路是把信号分解问题写成一个变分约束问题通过交替方向乘子法迭代求解把原始信号拆成若干个中心频率不同、带宽受限的模态分量。和 EMD 相比VMD 没有模态混叠和端点效应那么玄学分解层数 K 和惩罚因子 α 是你要拍板的关键参数。复现这篇文献不是把公式抄一遍而是要把“信号怎么来、参数怎么定、模态怎么选、特征怎么提”这条链路跑通。适合手里有振动数据、想做故障诊断特征工程、又不想在 EMD 的模态混叠里反复翻车的工程师。2. VMD 的数学骨架与复现前的选型判断2.1 变分约束怎么变成可迭代的求解步骤VMD 把信号分解成 K 个模态分量 u_k(t)每个模态围绕一个中心频率 ω_k 振荡。构造的变分问题是所有模态的解析信号经过希尔伯特变换后乘以 e^{-jω_k t} 搬移到基带再求 L2 范数的平方和约束条件是所有模态之和等于原始信号。为了把这个约束问题变成无约束问题引入二次惩罚因子 α 和拉格朗日乘子 λ。α 控制模态带宽α 越大模态带宽越窄模态之间越不容易混叠α 越小模态带宽越宽可能把多个频率成分装进同一个模态。迭代求解用 ADMM每一步更新 u_k、ω_k、λ。u_k 的更新在频域做公式是u_k^{n1}(ω) (f(ω) - Σ_{i≠k} u_i(ω) λ(ω)/2) / (1 2α(ω - ω_k)^2)ω_k 的更新是模态功率谱重心ω_k^{n1} ∫_0^∞ ω |u_k(ω)|^2 dω / ∫_0^∞ |u_k(ω)|^2 dωλ 的更新是梯度上升λ^{n1}(ω) λ^n(ω) τ(f(ω) - Σ_k u_k^{n1}(ω))收敛判据是 Σ_k ||u_k^{n1} - u_k^n||_2^2 / ||u_k^n||_2^2 ε。实际写代码时你不需要手推这些公式但必须知道每个参数在迭代里起什么作用否则调参就是盲人摸象。2.2 为什么选 VMD 而不是 EMD 或小波EMD 的问题在于模态混叠和端点效应。同一个信号两端补零和补镜像分解出来的 IMF 可能不一样这对故障特征提取是致命的因为你要的是可重复的周期冲击。小波变换需要选基函数和分解层数基函数选错故障冲击就被平滑掉了。VMD 的优势是频域求解中心频率初始化后模态在频域上自动分离端点效应比 EMD 小得多。但 VMD 不是没有代价K 值需要预设K 太小故障特征和背景噪声混在一个模态里K 太大同一个故障冲击被拆到两个模态中心频率接近反而不好选。常见做法是 K 从 3 开始试看中心频率分布如果两个模态中心频率差小于转频的 20%就说明 K 偏大。2.3 复现前要确认的数据格式和采样参数文献里的方法通常假设输入是单通道振动信号采样率已知故障特征频率可计算。复现前先确认三件事采样率是否满足奈奎斯特故障冲击的带宽是否在分析范围内信号长度是否足够VMD 对短信号分解不稳定一般建议至少 2048 点有没有转速信号如果没有转频要从频谱里估。我一般会先画时域波形和 FFT 频谱确认故障特征频率的大致位置再决定 K 和 α 的搜索范围。3. 用 Python 跑通 VMD 分解的最小代码链路3.1 安装 vmdpy 并加载振动信号Python 里现成的 VMD 实现不多vmdpy 是一个轻量包直接 pip 安装。如果你不想装包也可以把文献里的伪代码翻译成 numpy但 vmdpy 的接口更接近工程习惯。pip install vmdpy numpy scipy matplotlib加载数据时注意信号要转成 float64去掉直流分量。直流分量会让第一个模态中心频率跑到 0影响后续模态选择。import numpy as np from vmdpy import VMD import matplotlib.pyplot as plt # 假设 data 是 N×1 的振动信号采样率 fs fs 12800 data np.loadtxt(bearing_vibration.txt) signal data[:, 1].astype(np.float64) signal signal - np.mean(signal) # 去直流 N len(signal) t np.arange(N) / fs这段代码做了三件事读取文本格式的振动数据取第二列作为信号去均值。参数 fs 必须和采集系统一致否则后续故障特征频率对不上。如果数据是 CSV 或 MAT 格式用 pandas 或 scipy.io.loadmat 替换 loadtxt 即可。3.2 设置 K、alpha、tau 和初始化方式VMD 函数的签名是 VMD(signal, alpha, tau, K, DC, init, tol)。每个参数的含义和常用取值如下参数含义常用取值影响alpha带宽约束2000越大带宽越窄模态越独立tau对偶上升步长00 表示无噪声容忍通常设 0K模态数3~8根据中心频率分布调整DC是否包含直流0去直流后设 0init中心频率初始化11 表示均匀初始化tol收敛容差1e-7越小迭代越久alpha 2000 tau 0 K 5 DC 0 init 1 tol 1e-7 u, u_hat, omega VMD(signal, alpha, tau, K, DC, init, tol)u 是分解后的模态矩阵形状 K×N每一行是一个模态的时域波形。u_hat 是频域模态omega 是每次迭代的中心频率记录最后一列是最终中心频率。K5 是轴承故障诊断里比较常用的起点alpha2000 对应带宽约 500 Hz适合中高频故障冲击。3.3 画中心频率分布图判断 K 是否合理分解完不要急着做包络谱先看中心频率。如果两个模态的中心频率太近说明 K 偏大如果最后一个模态中心频率还在故障特征频带内说明 K 偏小。plt.figure() plt.plot(omega[:, -1], o-) plt.xlabel(模态序号) plt.ylabel(中心频率 (Hz)) plt.title(VMD 中心频率分布) plt.grid(True) plt.show() # 打印最终中心频率 print(最终中心频率:, omega[:, -1])如果中心频率从低到高排列且相邻差值比较均匀说明 K 选得合适。如果出现两个模态中心频率几乎重合把 K 减 1 再试。如果最高中心频率离故障特征频率还有距离把 K 加 1。这个判断过程比看重构误差更直接因为故障特征提取关心的是模态是否覆盖了故障频带而不是整体重构精度。4. 从模态到故障特征包络谱与特征频率对齐4.1 选哪个模态做包络分析VMD 分解出 K 个模态后不是每个模态都包含故障特征。轴承故障冲击会激发高频共振故障特征频率出现在共振频带的包络里。所以你要选中心频率在高频段、且时域波形有明显周期冲击的模态。常见做法是计算每个模态的峭度峭度最大的模态通常对应故障冲击。from scipy.stats import kurtosis kurt_values [] for i in range(K): kurt_values.append(kurtosis(u[i, :], fisherTrue)) best_mode np.argmax(kurt_values) print(峭度值:, kurt_values) print(选中的模态:, best_mode)峭度对冲击敏感正常轴承振动接近高斯分布峭度约 0故障冲击让峭度增大。但峭度不是唯一标准如果两个模态峭度接近选中心频率更接近共振频带的那个。4.2 包络谱计算与故障特征频率标注选好模态后做希尔伯特变换取包络再对包络做 FFT看故障特征频率及其倍频。from scipy.signal import hilbert mode u[best_mode, :] envelope np.abs(hilbert(mode)) envelope envelope - np.mean(envelope) n len(envelope) freq np.fft.rfftfreq(n, 1/fs) envelope_spectrum np.abs(np.fft.rfft(envelope)) / n plt.figure() plt.plot(freq, envelope_spectrum) plt.xlabel(频率 (Hz)) plt.ylabel(幅值) plt.title(包络谱) plt.xlim(0, 500) plt.grid(True) plt.show()包络谱上如果在外圈故障特征频率 BPFO 及其 2 倍频、3 倍频处出现峰值说明故障特征被成功提取。BPFO 的计算公式是BPFO (n/2) × fr × (1 - (d/D) × cosθ)其中 n 是滚动体个数fr 是转频d 是滚动体直径D 是节圆直径θ 是接触角。这些参数从轴承型号手册里查。如果包络谱峰值和 BPFO 对不上先检查转频估得准不准再检查模态选得对不对。4.3 用重构信号验证分解是否丢特征VMD 的约束是所有模态之和等于原信号但迭代收敛后会有微小残差。你可以把选中的模态和相邻模态相加看重构信号在故障频带的能量是否保留。reconstructed np.sum(u, axis0) residual signal - reconstructed print(残差能量占比:, np.sum(residual**2) / np.sum(signal**2))残差能量占比一般小于 1%。如果残差很大说明迭代没收敛把 tol 调小或者增加迭代次数。如果残差正常但包络谱没峰值问题出在模态选择或传感器安装方向不是 VMD 本身。5. 复现 VMD 故障特征提取时最容易翻车的五个地方5.1 现象分解出的模态中心频率全挤在低频高频段没有模态原因alpha 设得太大带宽约束过强高频模态被抑制或者 K 太小高频故障频带没有被单独分出来。解决先把 alpha 降到 1000 以下试再把 K 加到 6 或 7观察中心频率是否往高频扩展。如果还是不行检查信号里高频成分是否被低通滤波掉了。5.2 现象包络谱上故障特征频率处没有峰值反而在转频处有大峰值原因选错了模态。峭度最大的模态不一定包含故障特征可能只是转频调制。解决不要只看峭度把每个模态的包络谱都画出来找 BPFO 处有峰值的那个。如果所有模态都没有检查传感器是不是装在径向故障冲击是否被衰减。5.3 现象同一段信号两次运行 VMD 结果不一样原因中心频率初始化方式不同或者信号长度不是 2 的整数次幂FFT 补零导致频域分辨率变化。解决固定 init1信号长度截取到 2 的整数次幂比如 8192 点。如果还不行检查 numpy 版本不同版本的 FFT 实现可能有微小差异。5.4 现象K 增大到 8 以上分解时间急剧增加模态中心频率出现重合原因K 过大导致模态分裂同一个频率成分被拆到两个模态ADMM 迭代在两者之间振荡。解决K 不要超过 8一般 4 到 6 足够。如果故障特征频带很宽优先调 alpha而不是加 K。5.5 现象包络谱峰值和理论 BPFO 差几十赫兹原因转频估不准。转频通常从频谱里找最大峰值但电机滑差、皮带打滑都会让实际转频偏移。解决用转速计信号或者从时域波形里数周期冲击间隔反推转频。如果转频误差超过 2%BPFO 的倍频对不上特征提取就失去意义。6. 把 VMD 嵌进在线监测链路参数固化与批量验证复现文献的终点不是跑通一段代码而是把参数固化下来能对同型号设备批量处理。我一般会做三件事第一用正常状态数据确定 K 和 alpha 的基线正常数据分解后中心频率分布稳定故障数据才会出现新的高频模态第二把峭度、包络谱峰值、BPFO 处信噪比三个指标写成函数批量跑历史数据看哪个指标对早期故障最敏感第三把 VMD 分解和包络谱计算封装成类输入原始信号和轴承参数输出故障特征频率处的幅值。class VMDEnvelopeExtractor: def __init__(self, fs, alpha2000, K5, tol1e-7): self.fs fs self.alpha alpha self.K K self.tol tol def extract(self, signal, bpfo): signal signal - np.mean(signal) u, _, omega VMD(signal, self.alpha, 0, self.K, 0, 1, self.tol) kurt [kurtosis(u[i], fisherTrue) for i in range(self.K)] best np.argmax(kurt) envelope np.abs(hilbert(u[best])) envelope envelope - np.mean(envelope) n len(envelope) freq np.fft.rfftfreq(n, 1/self.fs) spectrum np.abs(np.fft.rfft(envelope)) / n idx np.argmin(np.abs(freq - bpfo)) return spectrum[idx], omega[:, -1], best这个类把分解、模态选择、包络谱计算串起来返回 BPFO 处的幅值、中心频率分布和选中的模态序号。批量跑的时候如果某个样本的 BPFO 幅值突然增大同时中心频率分布出现新的高频模态就触发报警。参数固化后不要频繁改 K 和 alpha否则报警阈值失去意义。如果设备工况变化大比如变转速VMD 之前要先做阶次跟踪把时域信号转成角域信号否则故障特征频率会 smear。最后说一个我自己的习惯每次复现一篇文献我都会先用仿真信号验证代码正确性再上实测数据。仿真信号用两个正弦加一个周期冲击冲击间隔对应 BPFO加高斯白噪声。如果 VMD 能把冲击模态分出来包络谱峰值在 BPFO 处说明代码没问题。实测数据翻车多半是传感器、转速或轴承参数的问题不是算法的问题。希望帮到你。本文还有配套的精品资源点击获取