💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
【VMD分解】包含包络线，包络谱，中心频率，峭度值，能量熵，样本熵，模糊熵，排列熵，近似熵，包络熵，频谱图研究
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
基于170余种智能算法优化的VMD方法及其多指标可视化研究
一、VMD基本原理与参数优化需求
变分模态分解（Variational Mode Decomposition, VMD）是一种自适应信号分解方法，通过构造变分问题将输入信号分解为多个准正交的固有模态函数（IMF），每个IMF具有中心频率和有限带宽特性(Ev1)。其核心参数包括：
- 模态数K：决定分解的IMF数量；
- 惩罚因子α：控制IMF的带宽和抗噪能力(Ev2)。
传统VMD需手动设置参数，而实际应用中参数的敏感性会导致分解结果差异显著。例如，K值过小导致模态混叠，过大则引入冗余分量；α值过低会扩大带宽，过高则抑制噪声能力下降(Ev8)。因此，引入智能算法进行参数优化成为必要。
二、170余种智能算法的分类与特点
根据文献分类，用于优化VMD的智能算法可分为以下类别：
| 算法类型 | 代表算法 | 优化特点 |
|---|---|---|
| 群体智能算法 | 粒子群优化（PSO）、遗传算法（GA）、灰狼优化（GWO）、麻雀算法（SSA） | 全局搜索能力强，适用于高维参数空间，需平衡探索与开发能力(Ev10) |
| 仿生学算法 | 黏菌算法（SMA）、海洋捕食者算法（MPA）、鲸鱼优化算法（WOA） | 模仿生物行为，具有动态调整搜索策略的优势(Ev14) |
| 物理启发算法 | 霜冰算法（RIME）、多元宇宙算法（MVO） | 基于物理现象（如热传导、引力作用），参数少且收敛速度快(Ev19) |
| 混合改进算法 | IDBO（改进的麻雀算法）、HHO（哈里斯鹰算法） | 结合混沌映射、Levy飞行等机制，避免局部最优(Ev15) |
| 深度学习优化器 | 堆叠稀疏自编码器（SSAE）与智能算法结合 | 适用于复杂时序特征提取，需结合模态分量能量熵等指标(Ev10) |
优化流程（以PSO为例）：
- 初始化：设置参数范围（如α∈[100,2500]，K∈[3,10]）(Ev42)。
- 适应度计算：通过VMD分解信号，计算目标函数值（如包络熵）。
- 迭代更新：根据粒子位置和速度更新参数组合。
- 收敛判定：达到最大迭代次数或适应度阈值时终止。
三、五种适应度函数的形式与切换机制
适应度函数用于量化VMD分解效果，常见形式及数学定义如下：
【VMD分解】包含包络线，包络谱，中心频率，峭度值，能量熵，样本熵，模糊熵，排列熵，近似熵，包络熵，频谱图研究
一、VMD分解基本原理与流程
1. 核心思想与数学模型
VMD（Variational Mode Decomposition）是一种基于变分贝叶斯理论的非递归信号分解方法，旨在将复杂信号分解为多个有限带宽的模态分量（IMF）。其数学本质是求解约束变分问题，最小化所有模态带宽之和。目标函数表示为：
2. 分解流程
- 初始化参数：设定模态数KK、惩罚因子αα（控制带宽）和收敛容差。
- 迭代优化：通过交替方向乘子法（ADMM）更新模态分量和中心频率：
- 模态更新：利用维纳滤波在频域分离信号；
- 中心频率更新：计算模态分量的频谱质心。
- 收敛判定：当模态更新量小于容差或达到最大迭代次数时终止。
3. 参数选择的影响
- 模态数KK：过小导致欠分解，过大会出现中心频率相近的冗余模态（如中K=4K=4时出现重叠，需调整至K=3K=3）。
- 惩罚因子αα：值越大，模态带宽越小，频率分辨率越高，但可能丢失高频细节。
二、包络线与包络谱分析
1. 包络线计算
通过希尔伯特变换提取信号的高频振荡包络：
其中H为希尔伯特变换算子。
2. 包络谱生成
对包络信号进行FFT得到频谱，用于识别调制频率（如轴承故障特征频率fBPFOfBPFO）。优势在于抑制载频干扰，突出故障冲击成分。
应用案例：在轴承外圈故障诊断中，包络谱在fBPFOfBPFO处呈现显著峰值，而原始频谱可能被噪声淹没。
三、中心频率的提取与判定
1. 中心频率定义
每个IMF的中心频率ωkωk代表其能量集中区域的频域位置，通过迭代优化确定。
2. 判定方法
- 斜率法：比较模态中心频率的斜率与瞬时平均频率，若不一致则停止分解。
- 重叠准则：当相邻模态中心频率差值小于阈值时，判定为过分解（如中K=4时4038 Hz与4498 Hz相近，需减少K）。
四、峭度值在故障诊断中的应用
1. 计算公式
峭度（Kurtosis）衡量信号分布的尖峰特性：
其中μ为均值，σ为标准差。
2. 诊断意义
- 正常状态：峭度值接近3（正态分布）；
- 故障状态：峭度值显著增大（如K>8K>8提示严重冲击性故障）。
应用场景：滚动轴承早期表面损伤时，峭度对微弱冲击敏感，优于传统RMS指标。
五、熵特征分析
1. 各类熵的定义与区别
| 熵类型 | 数学定义 | 特点与应用 |
|---|---|---|
| 能量熵 | Ee=−∑pilnpi, pi=Ei/∑Ei | 反映能量分布复杂度，适用于模态分量能量分布分析 |
| 样本熵 | 基于相空间相似性，排除自匹配统计量 | 改进近似熵，抗噪性强，用于生理信号与机械振动分析 |
| 模糊熵 | 引入指数隶属函数e−dijn/re−dijn/r替代阶跃函数 | 处理模糊边界问题，对阈值rr变化更鲁棒 |
| 排列熵 | 基于序列符号化排列模式的概率计算 | 计算高效，适用于在线监测，擅长检测动力学突变 |
| 近似熵 | ApEn=lnCm(r)Cm+1(r) | 早期方法，依赖数据长度，易受噪声影响 |
| 包络熵 | 对包络信号计算样本熵或模糊熵 | 结合包络解调与熵分析，增强故障特征提取 |
2. 应用实例
- 故障分量筛选：计算各IMF的峭度值与包络熵，选择熵值最小（或峭度最大）的模态进行后续分析。
- 健康状态评估：利用多尺度熵量化信号复杂度变化，如齿轮磨损导致熵值降低。
六、频谱图生成方法
1. 步骤
- VMD分解：获取各IMF分量uk(t)uk(t)；
- FFT变换：对每个uk(t)uk(t)进行快速傅里叶变换，得到频谱Uk(f)Uk(f)；
- 可视化：绘制各IMF的时域波形与频谱图，标注中心频率（如图右侧子图）。
2. 分析要点
- 频率聚集性：正常分解下各IMF频谱应无重叠，否则需调整KK或αα。
- 噪声识别：高频IMF频谱呈现宽带特性，可结合能量熵判断噪声分量。
七、综合应用案例
1. 轴承故障诊断流程
- 信号采集：获取振动加速度信号；
- VMD分解：设置K=5 α=2000，分解得到IMF1\simIMF5；
- 特征提取：
- 计算各IMF的包络熵，选择IMF3（熵值最小）；
- 提取IMF3的包络谱，识别fBPFOfBPFO峰值；
- 状态判定：若峭度值K>5且包络谱存在特征频率，判定为外圈故障。
2. 光伏功率预测
- 分解时序数据：VMD将功率序列分解为趋势项与周期项；
- 熵特征筛选：利用样本熵选择高复杂度分量输入LSTM模型。
八、局限性与改进方向
- 参数敏感性问题：KK和αα依赖经验选择，可结合优化算法（如粒子群）自适应确定。
- 噪声干扰：VMD无法直接去噪，需结合小波阈值或RDT（随机递减技术）。
- 模态混叠：惩罚因子设置不当导致分量重叠，需联合1.5维谱分析抑制干扰。
通过上述分析，VMD结合多维度特征提取方法，在机械故障诊断、能源预测等领域展现了强大的适用性，未来可进一步与深度学习融合提升自动化分析能力。
📚2 运行结果
这是哈里斯鹰算法(HHO)和霜冰算法(RIME)，适应度函数为最小包络熵的结果:
运行完后在命令行窗口会显示如下结果：
第一个参数为最佳的惩罚因子alpha，第二个为模态分量K。
不得不说，修改起来算法是真的很方便！
再来一个多元宇宙算法(MVO)和斑马算法(ZOA)，适应度函数为最小排列熵的结果：
部分代码：
# 调整子图之间的垂直间距和图形标题的位置
plt.subplots_adjust(hspace=3, top=0.95)
plt.show()
# 计算峭度值
kurtosis_values = []
for i in range(K):
kurtosis_value = kurtosis(u[i, :], fisher=False)
kurtosis_values.append(kurtosis_value)
print(f'IMF{i + 1}的峭度值为：{kurtosis_value:.4f}')
# 绘制条形图
plt.figure()
bar_plot = plt.bar(range(1, K+1), kurtosis_values, width=0.3)
plt.xlabel('模态函数', fontproperties=font_prop)
plt.ylabel('峭度值', fontproperties=font_prop)
# 在每个条形的顶部显示峭度值
for i, rect in enumerate(bar_plot):
plt.text(rect.get_x() + rect.get_width() / 2, rect.get_height(), f'{kurtosis_values[i]:.4f}',
ha='center', va='bottom')
# 设置x轴刻度标签
plt.xticks(range(1, K+1), [f'IMF{i}' for i in range(1, K+1)], fontsize=12)
plt.show()
# 计算每个IMF的能量和能量熵🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
[1]张彬桥,舒勇,江雨.基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断[J].计算机集成制造系统, 2024, 30(4):1408-1421.
[2]李亚超.基于VMD的滚动轴承故障诊断方法研究[D].石家庄铁道大学[2025-04-06].
[3]王涛,胡定玉,丁亚琦,等.基于经验模式分解和排列熵的轴承故障特征提取[J].噪声与振动控制, 2021, 41(1):77-null.
🌈4 Python代码实现
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
扫一扫
327
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
