【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（Python代码实现）

科研_G.E.M.

于 2025-04-07 09:10:54 发布

阅读量948

点赞数 23

文章标签： python 人工智能机器学习

本文链接：https://blog.csdn.net/qq_46009436/article/details/147034793

版权

💥💥💞💞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

⛳️赠与读者

💥1 概述

一、VMD分解基本原理与流程

1. 核心思想与数学模型

2. 分解流程

3. 参数选择的影响

二、包络线与包络谱分析

1. 包络线计算

2. 包络谱生成

三、中心频率的提取与判定

1. 中心频率定义

2. 判定方法

四、峭度值在故障诊断中的应用

1. 计算公式

2. 诊断意义

五、熵特征分析

1. 各类熵的定义与区别

2. 应用实例

六、频谱图生成方法

1. 步骤

2. 分析要点

七、综合应用案例

1. 轴承故障诊断流程

2. 光伏功率预测

八、局限性与改进方向

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

⛳️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

【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=−∑piln⁡pi, 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=ln⁡Cm(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

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