企业官网建设流程全解析

简介：EEMD集成经验模态分解MATLAB程序面向从事信号处理与机械故障诊断的研究人员和工程师，尤其适合需要分析非线性、非平稳振动信号的轴承故障诊断场景。资源包共11个文件，以9个m脚本为核心，涵盖EEMD主流程、极值点提取、包络计算、IMF分量筛选与显著性检验等模块，另含1个mat振动数据样本和1个asv备份文件，整体约761KB，结构紧凑便于直接运行与二次开发。已有2034人学习下载，说明其在相关领域具有较高的参考价值。读者可借助该程序加载自有振动信号，完成EEMD分解、IMF分量选取与频谱可视化，进而提取轴承故障特征频率，判断滚珠磨损、内圈裂纹等异常模式，是理解并实践EEMD方法的实用工具。

1. 从一段抖动信号说起：EEMD 集成经验模态分解 MATLAB 程序能帮你做什么

如果你手上有轴承振动信号，想做故障诊断，大概率绕不开一个经典问题：原始信号里混着噪声、调制成分和冲击成分，直接做 FFT 只能看到一堆频率峰，根本分不清哪个是故障特征。经验模态分解（EMD）本来是个好工具，能把信号自适应地拆成若干本征模态函数（IMF），但 EMD 有个玄学毛病——模态混叠，同一个 IMF 里混进了时间尺度差异很大的成分，分解结果不稳定，换个采样点结果就变了。

EEMD（Ensemble Empirical Mode Decomposition，集成经验模态分解）就是来治这个病的。它的思路很直接：往原始信号里反复加入不同幅值的高斯白噪声，做多次 EMD，再把多次分解得到的 IMF 按对应阶数取平均。白噪声把原本可能混叠的成分“打散”到不同尺度上，平均之后噪声互相抵消，剩下的就是更干净的 IMF。这套 MATLAB 程序就是干这件事的，适合做旋转机械故障诊断、信号处理课程设计、或者需要把 EEMD 当预处理步骤的工程开发者。拿到手能直接跑，也能拆开改参数、换数据、接自己的诊断流程。

2. 程序结构与核心模块拆解：从 main 脚本到 EEMD 主循环

2.1 目录结构与文件职责

拿到这个 .rar 解压后，常见的目录组织是这样的（不同版本可能略有差异，但核心文件跑不掉）：

EEMD_Program/ ├── main.m % 入口脚本，加载信号、调 EEMD、画图 ├── eemd.m % EEMD 核心函数 ├── emd.m % 单次 EMD 分解（或调用工具箱） ├── get_imf.m % IMF 提取与筛选辅助 ├── plot_result.m % 分解结果可视化 ├── data/ │ └── bearing_signal.mat % 示例轴承振动数据 └── utils/ ├── extrema.m % 极值点检测 └── spline_envelope.m % 包络线拟合

main.m是入口，负责读数据、设参数、调eemd.m、出图。eemd.m是核心，里面是集成循环。emd.m是单次分解，负责筛分过程（sifting）。utils里是底层工具函数，极值点检测和包络拟合是 EMD 的命根子，这两个函数写得好不好直接决定分解质量。

提示：如果你机器上已经装了 MATLAB 的 EMD 工具箱，emd.m可能只是个 wrapper；如果没有，程序里通常自带一个简化版实现，精度够用但速度一般。

2.2 EEMD 主循环：加噪、分解、平均

这是整个程序最核心的一段逻辑，我把它简化成可读的伪代码形式，方便你看清每一步在干什么：

function [imf, res] = eemd(signal, Nstd, NE, maxIMF) % signal : 输入信号（列向量） % Nstd : 添加白噪声的标准差比例（相对信号标准差） % NE : 集成次数（ensemble number） % maxIMF : 最大 IMF 阶数 N = length(signal); allIMF = zeros(N, maxIMF, NE); % 存每次分解的 IMF for k = 1:NE % 1. 生成白噪声并加到原信号上 noise = Nstd * std(signal) * randn(N, 1); noisySignal = signal + noise; % 2. 对加噪信号做一次标准 EMD imf_k = emd(noisySignal, maxIMF); % 3. 对齐阶数后存入三维数组 nIMF = size(imf_k, 2); allIMF(:, 1:nIMF, k) = imf_k; end % 4. 沿集成维度取平均，得到最终 IMF imf = mean(allIMF, 3); res = signal - sum(imf, 2); % 残余分量 end

逻辑说明：第 1 步的Nstd控制加噪强度，典型值 0.2 到 0.5，太小起不到打散作用，太大残留噪声多。第 2 步调emd做筛分，每次分解出的 IMF 数量可能不一样，所以第 3 步要做对齐，不够的补零。第 4 步的mean(allIMF, 3)是 EEMD 的灵魂——沿集成维度平均，噪声项因为零均值被压下去，真实成分被保留。

参数说明：NE一般取 50 到 200，取小了平均效果不够，取大了计算时间线性增长。maxIMF通常设 8 到 12，轴承信号一般前几阶就包含故障特征。Nstd的经验值是 0.2，这是 EEMD 原始文献推荐的默认值。

2.3 单次 EMD 的筛分过程

emd.m里是经典的筛分循环，核心就三步：找极值、拟合包络、减均值。

function imf = emd(signal, maxIMF) imf = []; r = signal; % 残余信号，初始为原信号 for i = 1:maxIMF h = r; for sift = 1:10 % 筛分迭代，通常 10 次以内收敛 % 找极大值和极小值点 [maxPos, maxVal] = findpeaks(h); [minPos, minVal] = findpeaks(-h); minVal = -minVal; % 三次样条拟合上下包络 upperEnv = spline(maxPos, maxVal, 1:length(h)); lowerEnv = spline(minPos, minVal, 1:length(h)); % 包络均值 meanEnv = (upperEnv + lowerEnv) / 2; % 减去均值，得到新的 h h_new = h - meanEnv; % 收敛判断：连续两次 h 的差异足够小 if norm(h_new - h) / norm(h) < 0.01 break; end h = h_new; end imf = [imf, h]; % 保存这一阶 IMF r = r - h; % 更新残余 % 残余如果单调或极值点太少，停止分解 if length(findpeaks(r)) < 2 break; end end end

逻辑说明：筛分的目的是把信号里最快变化的成分（最高频）先剥离出来，作为第一阶 IMF。每次迭代用上下包络的均值去逼近信号的局部趋势，减掉之后剩下的就是振荡成分。收敛条件用相对误差判断，0.01 是个常用阈值。

参数说明：maxIMF控制最多分解几阶，实际阶数由残余信号的极值点数量决定。筛分迭代上限设 10 是防止死循环，正常信号 5 到 8 次就收敛了。spline用三次样条，边界处理是 EMD 的经典难点，程序里通常用简单端点延拓，效果一般但够用。

2.4 结果可视化与 IMF 筛选

分解完之后，plot_result.m会把原始信号和各阶 IMF 画成子图，方便你肉眼判断哪一阶包含故障特征。轴承故障诊断里，通常看前 3 到 5 阶 IMF，计算它们的包络谱或者峭度值，峭度大的那阶往往对应冲击成分。

% 计算各阶 IMF 的峭度，辅助筛选 for i = 1:size(imf, 2) kurtVal(i) = kurtosis(imf(:, i)); end [~, idx] = max(kurtVal); % 峭度最大的 IMF 阶数 fprintf('峭度最大的 IMF 阶数: %d\n', idx);

这段代码不是必须的，但做故障诊断时很实用。峭度对冲击成分敏感，轴承外圈或内圈故障会在特定 IMF 上表现为高峭度。你可以把idx对应的 IMF 拿去做包络谱，找故障特征频率。

3. 跑起来：环境准备、参数设置与第一次运行

3.1 MATLAB 版本与依赖检查

这个程序对 MATLAB 版本要求不高，R2016a 以上基本都能跑。用到的函数都是基础信号处理函数：findpeaks、spline、randn、kurtosis，不需要额外工具箱。如果你用的是 R2020b 之后的版本，findpeaks的行为有细微变化，极值点检测的阈值参数可能需要微调。

检查依赖的方法很简单，在命令行敲：

which findpeaks which spline which kurtosis

三个都有路径返回就说明环境没问题。如果findpeaks报未定义，说明你装的是精简版 MATLAB，需要补装 Signal Processing Toolbox。

3.2 加载数据与参数初始化

main.m开头通常是这样的：

%% 1. 加载信号 load('data/bearing_signal.mat'); % 变量名通常是 signal 或 x fs = 12000; % 采样频率，按实际数据改 t = (0:length(signal)-1) / fs; %% 2. EEMD 参数 Nstd = 0.2; % 噪声标准差比例 NE = 100; % 集成次数 maxIMF = 8; % 最大 IMF 阶数 %% 3. 执行 EEMD [imf, res] = eemd(signal, Nstd, NE, maxIMF); %% 4. 绘图 plot_result(signal, imf, res, fs);

参数怎么改：fs必须和你数据的实际采样率一致，否则包络谱的频率轴全错。NE从 100 起步，如果结果不稳定就加到 200。Nstd先试 0.2，分解出来的 IMF 如果模态混叠还严重，加到 0.3 或 0.4。maxIMF设 8 够用，轴承信号一般 5 阶以内就有明显特征。

3.3 运行时间与性能预期

EEMD 的计算量是NE乘以单次 EMD 的时间。单次 EMD 对 10000 点信号大概 0.1 到 0.3 秒，NE=100就是 10 到 30 秒。如果信号更长或者NE更大，跑几分钟很正常。我一般会先把NE设成 20 快速跑一遍看结果趋势，确认参数合理后再加到 100 出正式结果。

注意：MATLAB 的spline在数据点很多时是瓶颈，如果嫌慢可以把emd.m里的样条换成interp1的pchip方法，速度快一倍但包络平滑度略降，对最终结果影响不大。

3.4 结果怎么看

跑完之后你会看到一张图：最上面是原始信号，下面依次是 IMF1 到 IMFn，最后是残余分量。判断分解是否合理的标准：IMF1 频率最高，往后频率逐渐降低；残余分量应该是单调趋势或者极缓变化；各阶 IMF 之间没有明显的频率重叠。

如果 IMF1 里能看到明显的低频调制，说明模态混叠没压住，把Nstd调大或者NE调大再跑。如果各阶 IMF 看起来都差不多，可能是maxIMF设太大了，后面几阶已经是噪声，减到 5 或 6 再试。

4. 避坑与排查：EEMD 调参和运行中的 5 个常见问题

4.1 分解结果每次运行都不一样

现象：同样的数据，跑两次eemd，得到的 IMF 数值有差异。

原因：EEMD 内部用randn生成白噪声，MATLAB 默认的随机种子每次启动都不同，导致每次加噪序列不一样，平均后的结果自然有微小差异。

解决：在eemd.m开头加一行rng(42);固定随机种子。42 是随便选的，你也可以用其他整数。固定之后每次运行结果完全一致，方便复现和对比。

4.2 IMF 阶数太多，后面几阶全是噪声

现象：maxIMF=8，但 IMF6 到 IMF8 看起来就是随机抖动，没有物理意义。

原因：EEMD 会把噪声也分解成 IMF，集成平均只能压掉一部分，残余噪声会落到高阶 IMF 上。另外轴承信号本身的有效成分可能只有 3 到 4 阶。

解决：不要盲目设大maxIMF。先跑一次看峭度分布，峭度低于 3 的高阶 IMF 直接丢弃。或者在eemd.m里加个判断，当残余信号的极值点少于 2 个就提前退出，不强行凑满maxIMF。

4.3 包络谱里找不到故障特征频率

现象：分解看起来正常，但拿 IMF 做包络谱，故障特征频率（比如外圈故障的 BPFO）对不上。

原因：可能是 IMF 选错了，故障特征不在你选的那一阶；也可能是采样率fs设错了，频率轴整体偏移；还有一种可能是包络谱的解析信号构造有问题。

解决：先确认fs和数据采集时一致。然后把前 5 阶 IMF 的包络谱都画出来，逐个对照理论故障频率。轴承故障频率有公式可算：BPFO = (n/2) * fr * (1 - (d/D)cosθ)，其中 n 是滚珠数，fr 是转频，d 是滚珠直径，D 是节径，θ 是接触角。算出来之后在包络谱上找对应峰。

4.4 程序跑一半报错“矩阵维度不一致”

现象：eemd.m里allIMF(:, 1:nIMF, k) = imf_k;这行报错。

原因：不同次 EMD 分解出的 IMF 数量不一样，某次可能只分解出 5 阶，另一次分解出 7 阶，nIMF超过maxIMF或者对齐逻辑有 bug。

解决：在赋值前加判断，nIMF = min(nIMF, maxIMF);，确保不超过预分配维度。另外emd.m返回的imf如果是行向量而不是列向量，也会导致维度不匹配，统一用imf = imf(:);转成列向量。

4.5 大数据量下内存爆掉

现象：信号长度 100000 点，NE=200，maxIMF=10，跑的时候 MATLAB 卡死或者报 Out of Memory。

原因：allIMF三维数组的大小是N × maxIMF × NE，100000 × 10 × 200 = 2 亿个 double，约 1.6 GB，加上中间变量很容易超内存。

解决：两个办法。一是减小NE，50 到 100 通常够用。二是分段处理，把长信号切成 10000 点的段，每段单独做 EEMD，最后拼接。分段处理要注意段与段之间的边界效应，重叠 10% 再取中间部分能缓解。

5. 二次开发：从能跑到好用，几个改造方向

5.1 把 EEMD 封装成函数句柄，接入自己的诊断流程

原始程序是个脚本，跑完出图就结束了。实际项目里你多半想把 EEMD 当成一个预处理步骤，后面接特征提取和分类器。改造方法是把main.m里的核心逻辑抽成一个函数：

function [featureVec] = extract_eemd_feature(signal, fs) % 输入：原始信号、采样率 % 输出：特征向量（各阶 IMF 的峭度 + 包络谱峰值） Nstd = 0.2; NE = 100; maxIMF = 6; [imf, ~] = eemd(signal, Nstd, NE, maxIMF); featureVec = []; for i = 1:size(imf, 2) % 峭度特征 k = kurtosis(imf(:, i)); % 包络谱峰值特征 env = abs(hilbert(imf(:, i))); envSpec = abs(fft(env - mean(env))); [~, peakIdx] = max(envSpec(1:floor(end/2))); peakFreq = (peakIdx - 1) * fs / length(env); featureVec = [featureVec, k, peakFreq]; end end

这样你就能在循环里批量处理多个样本，把featureVec喂给 SVM 或神经网络做分类。参数maxIMF设 6 是因为特征太多反而干扰分类器，前 6 阶的峭度和峰值频率已经能区分大部分轴承故障类型。

5.2 用并行计算加速集成循环

NE=100的时候串行跑要几十秒，如果你有 Parallel Computing Toolbox，把eemd.m里的for k = 1:NE改成parfor k = 1:NE，速度能提升 4 到 8 倍（取决于核数）。注意parfor里不能有依赖上一次迭代的变量，allIMF的切片赋值是合法的，但rng的种子设置要小心，每个 worker 的随机流是独立的，固定种子后结果仍然可复现。

5.3 替换 EMD 内核：从样条包络到更快的实现

如果你嫌spline慢，可以把emd.m里的包络拟合换成envelope函数（R2015b 之后自带），它内部用希尔伯特变换，速度快很多，但包络定义和极值点拟合不完全等价，分解结果会有差异。我的经验是：做故障诊断时，包络的精确形状不如极值点位置重要，用envelope替代后故障特征频率仍然能对上，但 IMF 的数值会变，如果你有后续的阈值判断逻辑，需要重新标定。

5.4 验证改造是否成功：一个简单的对照实验

改完之后怎么知道没改坏？拿一段已知故障类型的轴承信号，分别用原始程序和改造后的版本跑，对比三件事：IMF 阶数是否一致、峭度最大的阶数是否一致、包络谱峰值频率是否一致。三个都对上，说明改造没引入偏差。如果只有数值有微小差异但特征一致，可以接受；如果特征频率对不上，说明改造动了核心逻辑，得回去查。

我自己的习惯是：每次改完eemd.m或emd.m，先跑一遍main.m确认出图和改之前一样，再跑对照实验。这个习惯帮我省过好几次“以为改的是可视化，结果动了分解逻辑”的后悔药。EEMD 这种多步迭代的算法，中间任何一步的改动都可能被后续放大，验证必须走完整流程。希望帮到你。

本文还有配套的精品资源，点击获取