拿到一段乱七八糟的振动数据脑子里的第一个念头不是“上深度学习”而是“先把它拆开看看里面到底藏了几个成分”。频率和幅值都随时间乱变非线性、非平稳经典傅里叶变换打个频谱出来糊成一片看不出个所以然EMD倒是能拆可拆起来又慢又玄模态混叠和端点飞翼让人头大。后来我在项目里认真试了一组方法其中用到经验傅里叶分解Empirical Fourier Decomposition, EFD算是把这类问题处理得既清楚又顺手。这篇文章就是把我在实际使用中的理解、实现细节和踩过的坑一次讲明白重点围绕“非线性非平稳时间序列”的分解场景展开适合做信号处理、故障诊断、生物医学数据分析的朋友参考想快速复现的话后面的Python示例可以直接抄作业。1. 为什么需要经验傅里叶分解1.1 传统傅里叶变换在非平稳信号面前的无力感先讲讲最基础的痛点。FFT是全局操作它把一个时间信号展开成一系列固定频率的复正弦叠加得到的是整个时间段内的“平均频谱”。对平稳信号来说这个平均是有意义的可一旦信号里出现了频率漂移、幅值突变、间歇性冲击FFT的结果就变成了所有事件在频域上的叠加投影时间信息完全丢失。我举个例子一个轴承在正常运行时期有稳定的振动特征频率发生局部损伤后会产生周期性冲击冲击还会激发系统的高频共振。整个信号从时间波形上看是“突变”的从频率上看是“分时出现”的。FFT能告诉你存在哪些频率分量却没办法告诉你它们分别在什么时间段出现、彼此的幅值包络怎么变。很多做工程诊断的朋友都遇到过频谱图上峰不少但逐个去对应故障特征频率时宽度、边带、漂移互相叠在一起根本分不清。这里的关键词就是“非线性非平稳时间序列”。非线性意味着瞬时频率并非恒定非平稳意味着统计特性随时间变化。传统傅里叶分析假定信号是线性和平稳的这个前提一旦不满足直接用FFT只能得到一个“混响”式的频谱。于是大家开始转向自适应分解方法希望把信号自动拆成一组有物理意义的分量再逐个做时频分析。1.2 EMD明明很流行为什么还要找替代方案经验模态分解EMD大家应该不陌生它是自适应的不需要预设基函数能把任意信号分解成一组本征模态函数IMF。理论上每个IMF代表一个单分量的调幅调频信号分解结果可以做Hilbert谱分析。但EMD有个绕不开的问题它靠“筛选”迭代产生IMF这个过程既没有数学上的全局最优保证又对噪声和采样参数非常敏感。实际操作中常见毛病包括模态混叠就是一个IMF里混进了多个时间尺度的成分端点效应就是信号两端因插值产生的飞翼还有每分解一次都是一轮迭代数据一长计算就慢。更烦的是两个频率成分离得比较近时EMD往往分不开你得先做集合平均也就是EEMD才能稍微缓解但EEMD的计算量更大参数还更敏感。我在一次工程分析里拿一段实测的变转速振动信号试EMD前三个IMF的频率和幅值互相牵扯怎么调参数都不理想。后来换了频域分割的思路一下子就把主要模式和边带分得干干净净。这让我意识到时域的“盲目筛选”不如频域的“先观察后分割”直观可控。1.3 EFD的核心思想按频谱“山峰”切蛋糕经验傅里叶分解的思路其实不复杂一句话概括先对信号做傅里叶变换得到幅度谱把这个幅度谱看成一片起伏的山脉每个主要“山峰”对应信号里的一个主导频率成分然后自动找出山峰之间的“山谷”作为分界线把频谱切成若干连续的频段最后对每个频段做带通滤波并从频域重建得到一系列模态分量。“经验”两个字就体现在频谱分割是数据驱动的峰值位置、边界位置都是根据当前信号本身的频谱形状自动确定的而不是预先指定固定频段。相比固定频带的滤波器组它自适应地贴合信号特征相比EMD它直接在频域里完成模态划分理论框架清晰计算上就是一次FFT加几次逆FFT速度非常快。这个“切蛋糕”的思路对非线性调幅调频信号尤其有效。调幅信号在频谱上表现为中心频率两侧出现对称边带只要把整个边带划进同一个频段逆变换后就能恢复出完整的调幅成分后续再通过Hilbert变换解调出包络和瞬时频率。这点比EMD的分解表现稳定得多。1.4 EFD与EMD、EWT、VMD的横向对比实际选型时我会把EFD和它几个“近亲”放在一起比较这样判断起来更有底。方法理论基础是否需要预设模态数主要缺点计算速度EMD经验筛选不需要模态混叠、端点效应、递归迭代慢慢EWT小波框架频带分割需要边界选择依赖频谱特征快VMD变分优化需要模态数和惩罚参数敏感中等EFD傅里叶频域分割通常需要对边界敏感密集谱峰容易分错很快EWT经验小波变换和EFD的关系最近都是频谱分割思路区别在于EWT用小波滤波器组实现EFD直接用傅里叶频域掩码本质上更像是“自适应滤波器组分解”。VMD通过变分优化把中心频率和带宽同时求出来鲁棒性更好但多个超参数调起来很吃力。就我的经验信号频谱本身就是“山峰型”的时候EFD是最快最直接的频谱糊成一团、峰谷不明显的时候VMD的优化能力反而更强。我个人现在的工作流是第一遍先用EFD快速看分解结构和模态个数确定了信号构成之后再决定要不要用VMD做精细分解。这个组合拳既快又稳。2. EFD的完整算法流程从频谱边界到模态分量2.1 预处理和频谱峰值定位边界的命根子EFD的成败一大半取决于频谱边界选得好不好。边界选对了每个模态就是一个窄带信号边界选错了两个成分会被硬拆进同一个模态或者一个成分被拦腰切断。第一步的预处理很简单但很关键信号先减去均值去掉直流分量。不要小看这一步直流分量如果不处理它会占据谱峰搜索的最高峰位置导致后续边界全乱。实测数据如果有明显趋势最好先做一次趋势项去除避免低频大能量干扰峰检测。接下来对去均值后的信号做FFT取单边幅度谱。峰值定位不能直接找原始幅度谱的局部极大值因为真实信号往往有噪声会在主峰旁边生成大量假峰。我有两个常用办法第一个是“平滑后找峰”。对幅度谱做一次移动平均平滑窗口宽度一般取总谱线数的1%到3%。平滑后主峰会保留毛刺会被抹掉然后再用局部极大值搜索找到候选峰。这个办法简单直接适合噪声不严重的信号。第二个是“峰值聚类”。先找到所有局部极大值按幅度从大到小排序然后从最大的峰开始逐个检查如果当前峰与已选峰的距离太近说明它们属于同一个宽频带只保留幅度较大的那个。距离阈值一般取整段频谱长度的2%左右也就是50Hz采样率下相隔少于1Hz的峰会被合并。选峰完成后边界就在相邻两个峰值之间的最低点处。最稳妥的做法是取两个峰之间的最小幅度谱位置作为分割点代码简化时也可以取二者中点实际效果差别不大。要知道频带边界最终决定了模态带宽和分解结果这里值得多花几分钟做可视化检查。2.2 滤波器组设计与频域重构注意过渡带和共轭对称确定了N个边界后频谱被切成N个频段每个频段对应一个模态。提取模态的方式是构造频域掩码在当前频段内置1频段外置0然后与原始信号FFT结果相乘再逆FFT回来。这个过程本质上是用了理想的“矩形带通滤波器”。但这里有个细节新手容易踩直接用矩形窗做频域截断逆变换后模态两端会出现吉布斯振铃也就是由于频带边缘突变产生的高频波动。工程上解决的办法是给掩码的边缘加过渡带把“0到1”的跳变变成一段有限长度的斜坡过渡。过渡带宽度一般占频段宽度的5%到10%既能压制振铃又不会让相邻模态串扰太多。频域相乘时必须保证掩码在正负频率上完全对称否则逆FFT结果会出现虚部不为零的情况。实现时先构造正频率部分掩码再把它翻转复制到负频率部分。如果信号采样频率较高、数据长度较大直接把掩码设计成实数序列既简单又高效。整个过程直观理解就是我在频域里画了几个“彩色玻璃窗”窗口覆盖的频谱能量被完整拿回时域成为模态。每个模态依然是长度与原始信号一致的实信号保存了带宽内的全部时变信息。2.3 模态的后续使用Hilbert变换提取瞬时频率与包络EFD分解得到的模态分量如果拿来做时频分析还需要最后一步“解调”。最常用的工具是Hilbert变换。对任意模态分量s(t)做Hilbert变换后构造解析信号s(t)j·H[s(t)]这个复数信号的幅值就是瞬时包络相位对时间求导得到瞬时角频率除以2π就是瞬时频率。这相当于把每个模态从“一条波形”变成“一个随时间变化的幅值和一条随时间变化的频率曲线”。我曾用这个流程处理一段包含变转速信息的振动信号第二个模态分解出来是明显的调幅波Hilbert解调后得到的包络频率与转频完全对应瞬时频率也平滑地跟着转速走。这验证了EFD分解结果是有物理意义的而不是纯粹的数学拆分。在实际工程中这步做完就可以直接进入诊断环节了对包络信号再做一次FFT得到包络谱故障特征频率会在包络谱中清晰可见瞬时频率曲线则可以用于转速估计、阶比跟踪分析。3. 动手复现一个可以直接跑的Python示例3.1 主函数实现与关键参数说明下面这段代码是我在实际项目中精简后的版本思路保留了EFD的核心流程找峰、定边界、频域掩码滤波。可以直接在Jupyter Notebook里跑依赖只有numpy和scipy。import numpy as np from scipy.fft import fft, ifft, fftfreq def efd_decompose(x, fs1.0, num_modesNone, transition_ratio0.1): 经验傅里叶分解简化版 参数 ---- x : 1维ndarray输入信号 fs : 采样频率Hz num_modes : 期望分解的模态数默认自动选择 transition_ratio : 过渡带宽度占比0.05~0.15之间比较稳妥 返回 ---- modes : 分解得到的模态分量数组shape(num_modes, len(x)) boundaries : 频带边界索引对应单边频谱的索引 # 去直流 x x - np.mean(x) n len(x) half_n n // 2 # FFT得到单边频谱 X fft(x) mag np.abs(X[:half_n]) freqs fftfreq(n, d1/fs)[:half_n] # 找局部极大值点 peaks [] for i in range(1, half_n - 1): if mag[i] mag[i-1] and mag[i] mag[i1]: peaks.append(i) # 按幅度排序保留能量较大的峰 peaks sorted(peaks, keylambda idx: mag[idx], reverseTrue) # 如果没指定模态数取前5个显著峰 if num_modes is None: num_modes min(5, len(peaks)) # 保留前num_modes个峰按频率从小到大排序 selected_peaks sorted(peaks[:num_modes]) # 在相邻峰之间取中点作为边界 boundaries [0] for i in range(len(selected_peaks) - 1): mid (selected_peaks[i] selected_peaks[i1]) // 2 boundaries.append(mid) boundaries.append(half_n) # 构造滤波器组并提取模态 modes [] for k in range(len(boundaries) - 1): mask np.zeros(half_n) start boundaries[k] end boundaries[k1] # 过渡带宽度 trans max(1, int(transition_ratio * (end - start))) # 上升沿 lo_edge max(0, start - trans) for i in range(lo_edge, start): mask[i] (i - lo_edge) / (start - lo_edge) # 通带 mask[start:end] 1.0 # 下降沿 hi_edge min(half_n, end trans) for i in range(end, hi_edge): mask[i] 1.0 - (i - end) / (hi_edge - end) # 构建对称掩码并提取模态 full_mask np.concatenate([mask, mask[1:][::-1]]) mode np.real(ifft(X * full_mask)) modes.append(mode) return np.array(modes), boundaries, freqs, mag几个参数的使用心得num_modes不指定时会自动取前5个峰这个默认值适合先快速看结构正式分析时我几乎总是手动指定模态数原因下面会说。transition_ratio我习惯取0.08左右太小振铃压不住太大相邻模态会互相渗透分解结果的相关性升高。这段代码是教学用的简化版没有做峰值聚类所以信号中存在密集边带峰时自动选峰可能会把同一个模态的边带拆开。正式使用时我会在找峰之前先对mag做一次移动平均平滑把毛刺峰抹平再进入峰值排序环节。3.2 用调幅信号验证分解效果为了验证EFD的效果我构造了一个典型的非线性非平稳合成信号包含三个成分其中一个是明显的调幅分量fs 1000 t np.arange(0, 2, 1/fs) # 调幅分量载波150Hz调制频率4Hz am_component (1 0.5 * np.cos(2 * np.pi * 4 * t)) * np.cos(2 * np.pi * 150 * t) # 两个纯余弦分量 c1 np.cos(2 * np.pi * 60 * t) c2 0.6 * np.cos(2 * np.pi * 300 * t) # 加一点白噪声 rng np.random.default_rng(42) noise 0.05 * rng.standard_normal(len(t)) x c1 am_component c2 noise # 手动指定3个模态 modes, boundaries, freqs, mag efd_decompose(x, fsfs, num_modes3)这里手动指定3个模态原因很实际频谱上150Hz附近会出现135Hz和165Hz两个边带峰它们本质上属于同一个调幅成分自动选峰很可能把其中一个边带当成独立模态导致分解结构混乱。手动指定3个模态后EFD会找到60Hz、150Hz、300Hz三个主峰并把150Hz附近所有相关谱线全部划进第二个频段。分解结果的解读非常直观第一个模态是一条近似60Hz的正弦波第二个模态的波形能看到明显的“鼓包”幅值随时间起伏这个起伏频率就是包络里的4Hz调制信号第三个模态是300Hz的纯余弦。把三个模态相加再和原始信号对比重构误差几乎只有噪声级别。接下来用Hilbert变换对第二个模态做解调from scipy.signal import hilbert analytic hilbert(modes[1]) envelope np.abs(analytic) instant_freq np.diff(np.unwrap(np.angle(analytic))) / (2 * np.pi) * fs解调出的包络频谱里4Hz处会出现一个明显的峰说明EFD完整保留了调幅成分没有把它拆散。这个实验验证了EFD对非线性调制信号的有效性也说明了“模态数指定”在代码实现中的重要程度。3.3 从实验室信号到工程信号故障诊断的基本流程同样的流程放到真实的滚动轴承故障数据里思路完全一致。先对原始振动加速度信号做EFD分解得到若干个窄带模态然后对每个模态做Hilbert包络解调找到能量最高、冲击特征最明显的那个模态最后对这个模态的包络谱做FFT在包络谱中寻找轴承故障特征频率及其倍频。这个流程比直接对整个原始信号做包络谱更有效因为EFD先滤掉了无关频带和背景噪声再解调时信噪比会明显提升。我处理过一组外圈故障数据直接在原始信号上做包络谱故障频率几乎被噪声淹没先EFD分解取包含高频共振的模态再解调特征频率一目了然。实际工程中我建议把EFD和“模态数选择”一起做成“半自动流水线”第一次用默认参数跑出分解结构人工看一眼频谱和模态波形确定真正的模态数再固定参数批量处理同类信号。这样既保证了自动化程度又保留了关键环节的人工把关。4. 避坑指南我实际调用EFD时踩过的那些坑4.1 模态数量怎么定才能不让分解变成“硬切”EFD和VMD一样存在需要指定模态数的问题。模态数太少两个频率成分会挤在同一个模态里模态数太多一个宽频带会被切出很多碎屑模态。我的经验是三个判断标准。第一看频谱峰的数量。明显高出周围底噪的峰有几个模态数大致就取几个这是最直接的依据。第二看模态的正交性。分解完成后计算各模态之间的相关系数矩阵如果两个模态的相关系数明显偏高说明它们本应合并减少模态数重跑。第三看重构误差。把所有模态加在一起还原原始信号误差太大说明分解不充分或参数不合理。没有“正确答案”的时候我宁可让模态数稍微多一两个也不能过少。多出来的碎屑模态后续可以人工合并少切了则会把不同频率成分混在一起补救起来更麻烦。4.2 边界选不好先平滑频谱再考虑尺度空间原始频谱噪声重、毛刺多的时候峰值搜索会找到一大堆假峰边界自然就乱了。第一反应不是去调峰值阈值而是对频谱做平滑。移动平均窗口宽度一般从1%开始试观察主峰数量的稳定区间如果窗口过宽把真实主峰也抹掉了再往下调。更严谨的方案叫尺度空间法本质是“在不同平滑程度下观察峰的变化”保留那些在不同平滑尺度下都能存活下来的峰。这些峰才是真正稳定的模式毛刺噪声峰则会在尺度增大时快速消失。这个方法更稳健但计算复杂度高一些适合处理那些频谱结构模糊、峰谷不明显的困难信号。边界的分割点我也建议从“中点”改成“谷值点”。相邻两个峰之间取幅度最小的位置作为边界能把两个模态的泄漏降到最低。代码里写中点图省事工程上还是做谷值点搜索更考究。4.3 端点振铃和吉布斯现象如何尽量压制EFD用的是FFTFFT隐含周期延拓。如果信号首尾不连续逆FFT得到的模态两端会出现明显振荡这就是吉布斯现象。它和EMD的端点效应表现类似但成因完全不同。处理办法不是简单加窗因为加窗会破坏信号本身的信息。我更常用的做法是“镜像延拓”在分解之前把信号左右各延伸一段镜像数据分解完成后再把模态两端的多余部分裁掉。镜像延拓保证了首尾连续性又不会引入太多虚假信息是性价比最高的方案。如果信号特别敏感延拓后还要检查模态两端的包络是否异常突起。出现突起时我会把过渡带宽度适当调大再重跑一次分解。这些细节叠加起来能明显改善模态在端点处的质量。4.4 EFD、EWT、VMD到底怎么选选型没有绝对的“最强”只有“最合适”。我把自己的选型逻辑分享出来供参考信号频谱清晰、主峰突出、频率成分明显分隔首选EFD因为快且解释性强信号频谱模糊、主峰不明显、噪声强烈选VMD让变分优化去找合理的带宽需要完整的多分辨率小波分析选EWT它在滤波器设计上更灵活。EFD的强项是极快的计算速度和直观的频带解释弱项是依赖频谱边界质量。VMD的优点是鲁棒性弱项是参数太多、调参成本高。我自己的习惯是先EFD快速看结构再用VMD精细化验证两者结合的结果几乎从未让我失望。最后再分享一个小技巧分解之前一定先把信号的采样频率、数据长度、单位这些元信息记录下来。很多人只关心分解算法本身却忽略了采样频率对边界频率解释的决定性作用。边界索引换算成物理频率依赖的就是fs这个参数。项目里我吃过一次亏边界画对了频率标错了整个诊断结论全偏从那以后数据头信息永远和分解结果放在一起。