简介这份资源围绕WOA-VMD信号分解方法展开面向从事信号处理、故障诊断及参数寻优研究的MATLAB用户。其核心是利用鲸鱼优化算法自动寻优VMD的模态个数k与惩罚因子a并以包络熵作为适应度函数帮助使用者摆脱人工试参的盲目性。压缩包内共14个文件以MATLAB脚本为主13个.m文件涵盖优化算法、VMD主程序、多种熵计算函数以及一键出图的主运行脚本另含1个mat测试数据文件便于直接验证算法效果。整个资源包仅34KB轻量紧凑可无缝嵌入现有研究流程。目前已有518人学习下载。配套内容包含分解效果图、频率图与收敛曲线图测试数据可直接运行能快速复现完整的WOA-VMD分解过程适合需要快速上手智能优化分解算法的中高级研究者。1. WOA-VMD 是什么把“拍脑袋定 k、alpha”变成自动寻优做信号分解的同行应该都有这种经历VMD 变分模态分解好用但 k 和 alpha 两个超参数调起来非常磨人换一段数据就要重新试。WOA-VMD 就是把鲸鱼优化算法WOA和 VMD 串成一条流水线用优化算法自动搜索模态个数 k 和惩罚因子 alpha替代人工试凑。它解决的问题很具体轴承振动、齿轮箱故障、非平稳信号这些场景里VMD 的分解质量几乎完全由这两个参数决定而人工调参又要看频谱又要看包络谱效率低还容易重复。适合正在跟信号分解和故障特征提取较劲的工程师和研究生以及所有想让分解结果可复现、可批量处理的人。别指望它一键解决所有信号但它能把你从“凌晨还在调 alpha”的循环里拉出来。2. VMD 的 k 与 alpha 为什么难调物理含义、耦合关系与搜索边界2.1 VMD 的一次分解到底在做什么从频域划分说起VMD 和 EMD 最大的区别是它不靠极值点筛选而是把信号分解建模成一个约束优化问题。目标函数是让 K 个模态的估计带宽之和最小约束是“这 K 个模态加起来等于原信号”。每个模态数学上被定义为调幅-调频信号求解时先对模态做希尔伯特变换得到瞬时频率再通过指数修正把模态频谱平移到基带最后用梯度 L2 范数衡量带宽。alpha 就是带宽项的惩罚权重。alpha 越大求解器越倾向于把每个模态的频谱压缩在很窄的范围alpha 越小模态频谱可以摊得很开。模态数量 K 决定频带要切几份alpha 决定每一份的宽度两者共同构成一套频谱划分方案。理解这一点后你会明白 VMD 不是简单的一组带通滤波器。中心频率不是用户预先指定的而是在迭代中由能量重心自己挪过去的。给 K4 时求解器会自动把频谱从低到高分成 4 段即使其中两段可能落在同一个真实频率峰上。因此分解结果是否反映真实物理成分完全取决于 K 和 alpha 的组合是否与信号频谱结构匹配。参数不合适时VMD 输出的照样是数学上成立的模态但包络谱和瞬时频率可能毫无物理意义。举个例子会更直观。设一段采样率 1000Hz 的轴承振动信号频谱上 50Hz 是转频120Hz 是啮合频率650Hz 附近有一组故障特征边带。如果 k2、alpha500VMD 大概率把低频段和高频段大致分开但 650Hz 边带组可能被整体当作一个宽模态如果 k4这个宽模态又被切成两段其中一段中心频率落在边带中央另一段落在外围噪声上。alpha5000 时边带被拆成更窄的小段包络谱上的故障特征反而被切碎。这说明 VMD 的中心频率不是傅里叶谱上的峰值列表而是求解器根据带宽约束自行安排的均衡点参数一变划分方案全变。评估过程中还有几个半隐藏参数需要注意。tau 是噪声容忍系数取 0 时严格强制约束成立取 0.10.3 时允许一定重构误差以吸收噪声DC 控制是否把直流分量单独作为第 1 个模态init 控制中心频率初始化方式一般建议 init1 让中心频率按均匀分布铺开tol 是收敛容差默认 1e-7 在工程上够用。WOA-VMD 通常只把 k 和 alpha 作为优化变量其余参数固定不是因为它们不重要而是因为同时优化 4 个变量会显著增加搜索难度先解决主要矛盾更现实。2.2 k 和 alpha 的耦合关系为什么不能单独调很多人在调 VMD 时习惯固定一个参数扫另一个画出一条“包络熵随 k 变化”或“包络熵随 alpha 变化”的曲线然后找最低点。这个做法在 k 和 alpha 独立作用时成立但 VMD 里它们并不独立。alpha 决定每个模态能占多宽k 决定要分多少份频率轴上的最终方案由两者共同决定。如果 alpha 很大模态带宽被压得很窄同样的频带范围需要更大的 k 才能覆盖完整如果 alpha 很小模态带宽很宽k 不需要很大但相邻模态带宽重叠后中心频率会互相排斥出现“两个中心频率挤在同一个峰附近”的假分解。具体场景一个 50Hz 的强转频和一个 120Hz 的啮合频率中间隔着宽带噪声。alpha 取 500 时50Hz 模态的带宽可能只有十几赫兹信号里的调制边带落在带宽外包络谱中的故障边带被 alpha 当成分裂成分给压掉了alpha 取 5000 时带宽更窄同样的边带更保不住。反过来如果 k3、alpha 很小50Hz 和噪声会全混进一条模态包络熵很高把 k 加到 5、alpha 不变噪声可能被单独分出来模态包络熵下降但真实模态未必更干净。这说明单独看 k 或 alpha 的曲线看到的只是另一个参数影响下的截面不是真正的最优解。所以 WOA 做二维搜索的价值正是把 k 和 alpha 当作一个整体来评估。每个个体都是 k-alpha 平面上的点适应度函数对这个点整体打分。算法搜索过程中会自然形成一条沿着 k、alpha 相互适应的轨迹而不是像网格搜索那样盲扫整片平面。这也是大家常说的超参数协同优化同样的评估次数下WOA 比网格扫描更容易找到稳定可用的参数组合。很多人会问k 和 alpha 只有两个参数为什么不用网格搜索问题在于 alpha 的有效区间可能横跨两个数量级网格要覆盖 10 个候选 k 和 30 个候选 alpha 就是 300 次 VMD 分解。如果信号长单次分解耗时上百毫秒一轮网格就要几分钟而且网格是固定粒度真最优值落在两个网格点之间时网格搜索根本不知道除非再加密一轮。WOA 的随机采样虽然也不能保证全局最优但它在迭代中会根据已有适应度调整搜索区域同样的评估次数下更容易碰到好的参数组合。对工程而言目标不是严格数学最优而是能跨数据段稳定复现的分解参数。2.3 搜索边界怎么设常见区间与初始化策略使用 WOA 前先给搜索空间立规矩。k 维度下限固定为 2上限我一般设 8。信号频谱峰清晰时按峰数量加 2 设置上限频谱连续时按数据长度估算比如 2048 点取 8、1024 点取 6。k 如果给到 15VMD 会花大量迭代去构造由噪声组成的虚假模态既拖慢收敛又让包络熵优势失真。你可以在 VMD 返回的中心频率列表里看到相邻中心频率几乎相等这是 k 过大的信号但等看到了再返工就浪费时间了。alpha 维度下限常用 50200上限常用 20005000。采样率 1000Hz 的振动信号用 2003000 足够采样率 20kHz 的声发射信号alpha 可能需要到 50008000。alpha 本质上与信号带宽估计有关信号频带越宽需要的惩罚值越大。初始化策略上不建议在 [200, 5000] 上用线性均匀分布因为随机数会大量落在 2001000 之间导致 alpha 的高值区几乎没有个体。用对数均匀初始化可以把 200、500、1000、2000、5000 这几个数量级都覆盖到我在第 4 章的代码里正是这样做的。另外要处理边界约束。WOA 更新后的位置可能越界简单粗暴地截断会降低种群多样性尤其是 k 取整后容易让很多个体聚集在同一整数上。常见做法是把越界个体拉回边界后加一个小的随机扰动k 维度在评估时 round 取整但位置存储保持实数让更新公式能继续做连续搜索。VMD 侧其他参数固定为 tau0、DC0、init1、tol1e-7理由在第 3 章展开。3. WOA 优化 VMD 的完整流程适应度函数、参数配置与最终分解3.1 WOA 的捕食策略与位置更新公式WOA 的运行机制可以浓缩为三点包围猎物、螺旋攻击、随机搜索。当前位置 X 是一个 [k, alpha] 二维向量全局最优位置 X_best 是当前找到的适应度最小的 [k, alpha]。包围时新位置 X_new X_best - A·D其中 D |C·X_best - X|A 和 C 由随机数 r 与收敛因子 a 组合生成。A 的模小于 1 时个体向最优解靠拢实现局部开采A 的模大于等于 1 时算法不参考最优解而参考随机个体X_new X_rand - A·D实现全局探索。螺旋时X_new D·e^(b·l)·cos(2πl) X_best个体绕最优解走螺旋兼顾精细搜索。实现时只需要注意两件事一是位置更新用的 X_best 是连续值坐标而不是取整后的 k二是每轮 a 要平滑地从 2 降到 0否则后期个体步长仍偏大最优参数会一直在驻点附近振荡。对 VMD 这种适应度形状不平滑、存在大量局部极小的问题WOA 的随机搜索分支比粒子群更稳因为它不容易让整个种群陷进同一个局部谷但也要控制迭代次数4060 轮足够再多几乎只是重复。3.2 适应度函数怎么选包络熵、排列熵还是峭度适应度函数是整套方案里最不能照抄模板的部分。最常用的包络熵定义是对模态信号取希尔伯特包络把包络值归一化成概率然后计算 Shannon 熵。包络熵低代表包络中少数大脉冲占据主导这是滚动轴承、齿轮局部损伤这类冲击性故障在包络谱上的典型表现。因此把“各模态包络熵均值”作为优化目标算法会倾向于找到让冲击成分尽量集中到少数模态的参数组合。但包络熵不是没有副作用。白噪声中的随机尖脉冲也会形成低熵包络所以强噪声场景下 WOA 会倾向把噪声单独分出来。排列熵能缓解这个问题它通过比较时序中局部序模式的出现概率来度量复杂度对幅值变化不敏感对噪声引入的随机序模式更敏感。实测中常见做法是用各模态排列熵的均值做适应度优化出的 alpha 通常比包络熵版本更稳定。还有一个折中方案适应度 平均包络熵 × 模态间平均相关系数。如果两个模态相关系数高说明分解存在混叠此项变大算法就会避开这种参数组合。峭度本身也可以当适应度峭度越大冲击越强但峭度对单点异常值极其敏感优化出的 k 常常把单个大尖峰拆成独立模态所以我一般不单独用峭度而是把峭度作为包络熵的补充惩罚项。你可以先在自己的数据上对比三种适应度算出的最优参数看哪个参数下 VMD 的模态中心频率更符合频谱峰。这个对比只需跑三次 WOA成本完全可接受。3.3 WOA-VMD 的完整流程与参数配置完整的执行顺序是数据准备 → 参数范围设置 → WOA 初始化 → 迭代评估 → 输出最优参数 → 重跑 VMD → 验证。数据准备阶段要做三件事检查信号里有没有 NaN 和直流偏置把信号中心化并归一化避免幅值量纲影响包络熵如果信号超过几十万点先按典型周期截一段代表性数据用于寻优等得到参数后再处理全序列。归一化建议用 z-score 而不是 min-max原因是包络熵对包络幅值分布敏感min-max 会放大极值尖峰的影响。参数配置表如下这是我在仿真数据和实测振动数据上都验证过的起点。模块参数推荐值说明VMDk由 WOA 搜索评估时取整VMDalpha由 WOA 搜索连续值VMDtau0无噪声容忍严格重构VMDDC0不单独提取直流VMDinit1中心频率均匀初始化VMDtol1e-7收敛容差WOAN2030种群规模WOAMax_iter4060最大迭代次数搜索范围k[2, 8]可根据频谱峰加严搜索范围alpha[200, 3000]采样率高时拉到 5000需要解释 tau、DC、init 的选择tau0 是因为大部分故障诊断场景要求模态重构后保留完整信息tau0 会让 VMD 不完全约束重构误差增大不利于后续特征比对。DC0 表示直流分量和最低频成分一起进入第一个模态而不是单独拉出来避免 WOA 评估时模态数量被直流占掉一个名额。init1 是中心频率的均匀初始化方式能让每次评估的起点一致减少随机性对适应度比较的干扰。3.4 从最优参数到最终分解重跑一次 VMDWOA 停止后只得到一组最优参数 [k_opt, alpha_opt]它本身不是分解结果。接下来要把这组参数输入标准 VMD 函数对目标信号做一次完整分解并保存模态矩阵与收敛中心频率。这步不能省原因有两个一是寻优阶段为了压缩耗时很可能用了截断信号或降采样数据最终结果必须基于全序列二是寻优阶段种群中多个个体可能共享相近的适应度直接用最后一次迭代的某个个体数据容易受随机种子影响。重跑一次后你获得的模态矩阵、中心频率和重构误差才是可写进报告的结果。重跑时建议做最小附加验证计算 sum(u) 与原始信号的重构误差再看相邻中心频率是否按序递增。如果中心频率排序没有递增说明这组 k 太大或 alpha 太小模态发生混叠。此时不要直接收下结果而是回到第 2.3 节调整搜索边界重新跑 WOA。计算量是跑通这套流程时绕不开的问题。一个 2000 点信号vmdpy 单次 VMD 大约几毫秒20 个个体 × 40 轮就是 800 次分解总耗时几十秒完全可以接受。但如果信号是 20 万点单次 VMD 可能超过 1 秒整个 WOA 要跑十几分钟。常见做法是先对信号做等间隔抽点或按周期分段取一段包含完整故障特征的片段跑优化再用最优参数对全序列分解。注意抽点会改变等效采样率alpha 的相对作用也会变所以最优参数必须在全序列上重跑时再验证一次而不是直接照搬。4. 用 Python 跑通 WOA-VMD核心代码与关键参数说明4.1 环境与依赖依赖很简单numpy 处理数组scipy 提供希尔伯特变换和信息熵vmdpy 提供 VMD 求解matplotlib 可选用于画频谱图。安装时执行 pip install vmdpy scipy numpy matplotlib。vmdpy 是轻量实现核心函数调用形式是 VMD(data, alpha, tau, K, DC, init, tol)返回模态 u、模态频谱 u_hat、中心频率迭代轨迹 omega。在开始优化之前先用一段短数据把 vmdpy 跑通确认返回维度和 NaN 情况能省掉后面调试点的大量时间。4.2 核心代码包络熵目标函数import numpy as np from scipy.signal import hilbert from scipy.stats import entropy from vmdpy import VMD def envelope_entropy(sig): # 取希尔伯特包络归一化后计算 Shannon 熵 env np.abs(hilbert(sig)) total np.sum(env) if total 1e-12: return 100.0 p env / total return entropy(p, base2) def vmd_objective(pos, sig, tau0, DC0, init1, tol1e-7): k int(round(pos[0])) alpha float(pos[1]) if k 2 or alpha 50: return 1e8 try: u, _, _ VMD(sig, alpha, tau, k, DC, init, tol) except Exception: return 1e8 if u.ndim 2: return float(np.mean([envelope_entropy(u[i, :]) for i in range(u.shape[0])])) return 100.0目标函数逻辑说明envelope_entropy 对模态做 Hilbert 变换后取幅值得到包络序列再归一化为概率分布后调用 scipy.stats.entropy 计算信息熵。包络和接近 0 说明输入信号是常数返回 100 作为惩罚。vmd_objective 先把 k 四舍五入取整alpha 保持连续调用 VMD 时固定 tau0、DC0、init1、tol1e-7。任何异常路径都返回 1e8让 WOA 知道该点不可行。注意 k 取整必须在调用 VMD 之前完成否则 vmdpy 会报参数类型错误。4.3 WOA 主循环代码def woa_vmd(sig, N20, Max_iter40, lbnp.array([2, 200]), ubnp.array([8, 3000])): dim len(lb) positions np.zeros((N, dim)) # alpha 跨度大用对数均匀初始化避免个体全挤在低值区 positions[:, 0] np.random.uniform(lb[0], ub[0], N) positions[:, 1] np.exp(np.random.uniform(np.log(lb[1]), np.log(ub[1]), N)) fitness np.full(N, 1e8) best_pos positions[0].copy() best_fitness 1e8 for it in range(Max_iter): for i in range(N): fitness[i] vmd_objective(positions[i], sig) best_idx int(np.argmin(fitness)) if fitness[best_idx] best_fitness: best_fitness fitness[best_idx] best_pos positions[best_idx].copy() a 2.0 - 2.0 * it / Max_iter for i in range(N): r1, r2, p np.random.rand(3) A 2 * a * r1 - a C 2 * r2 if p 0.5: if abs(A) 1: # 包围猎物向当前最优解收缩 D np.abs(C * best_pos - positions[i]) new_pos best_pos - A * D else: # 随机搜索远离当前最优解增强探索 rid np.random.randint(N) D np.abs(C * positions[rid] - positions[i]) new_pos positions[rid] - A * D else: # 螺旋气泡网攻击绕最优解精细搜索 D np.abs(best_pos - positions[i]) l np.random.uniform(-1, 1) new_pos D * np.exp(l) * np.cos(2 * np.pi * l) best_pos # 越界后拉回边界并加小扰动保持种群多样性 for d in range(dim): if new_pos[d] lb[d]: new_pos[d] lb[d] 0.1 * (ub[d] - lb[d]) * np.random.rand() elif new_pos[d] ub[d]: new_pos[d] ub[d] - 0.1 * (ub[d] - lb[d]) * np.random.rand() positions[i] new_pos return best_pos, best_fitnessWOA 主循环参数说明N20、Max_iter40 是低配起点总计 800 次 VMD 评估。位置初始化时 k 用线性均匀分布alpha 用对数均匀分布让 alpha 在 2003000 范围内均匀覆盖。迭代中每轮的 a 从 2 线性递减到 0控制搜索步长。p 小于 0.5 时执行包围或随机搜索p 大于等于 0.5 时执行螺旋更新。越界处理不是简单 clip而是拉回边界后加 10% 范围的小扰动防止多个个体堆在同一边界上。如果信号很长可以先把 N 降到 15、Max_iter 降到 25 看趋势再加密重跑。4.4 用最优参数重跑 VMD 并保存结果if __name__ __main__: fs 1000 t np.arange(0, 2, 1 / fs) x (np.sin(2 * np.pi * 50 * t) 0.4 * np.sin(2 * np.pi * 120 * t) 0.2 * np.random.randn(len(t))) x (x - np.mean(x)) / np.std(x) best_pos, best_fitness woa_vmd(x) k_opt int(round(best_pos[0])) alpha_opt float(best_pos[1]) print(fbest k: {k_opt}, best alpha: {alpha_opt:.1f}) # 重跑标准 VMD得到最终分解结果 u, u_hat, omega VMD(x, alpha_opt, 0, k_opt, 0, 1, 1e-7) np.save(vmd_modes.npy, u) recon_err np.sqrt(np.mean((x - np.sum(u, axis0)) ** 2)) print(frecon RMS error: {recon_err:.3e})主程序先用仿真信号演示。信号包含 50Hz 和 120Hz 两个正弦分量加白噪声中心化后做 WOA-VMD。输出最优 k 和 alpha然后用完整信号重跑 VMD把模态矩阵保存为 npy 文件最后计算重构 RMS 误差。你会发现 50Hz 和 120Hz 两个分量通常被分到两个模态第三个模态吸收噪声k3 左右是合理的。真实数据使用时把 x 换成自己的信号即可但注意采样率和搜索边界要对齐代码里固定了 init1、tau0这两个参数不要随意改。5. WOA-VMD 避坑指南常见问题与修复方法5.1 优化出的 k 偏大模态频谱仍然混叠现象WOA 找到 k8但画出模态频谱会发现第 5、第 6 个模态的中心频率只差几赫兹明显是从同一个峰里拆出来的。原因适应度函数是包络熵均值频谱混叠的模态只要包络足够稀疏熵也可能很低另外 alpha 上限给得太大VMD 把相邻频带压到极窄后WOA 通过增加 k 来凑适应度。解决把 k 上限从 8 降到 6并在目标函数里加入中心频率间距惩罚——计算 VMD 返回的中心频率如果相邻中心频率差小于对应模态带宽的一半就把适应度乘 2 或直接设为 1e8。这个惩罚能逼 WOA 避开“两个模态挤同一峰”的参数组合。5.2 每次运行结果不一样最优参数飘现象同一段信号跑两次 WOA一次得到 k4、alpha1200另一次得到 k5、alpha600且适应度相近。原因包络熵函数对噪声和信号截断敏感VMD 求解本身又有随机初始化种群初始化不同也会导向不同局部点。固定随机种子 np.random.seed(42) 只能保证能复现不能保证更优。解决最有效的方法是多次运行 WOA比如跑 3 次取适应度最小的那组参数或者把信号先做一次轻度滑动平均降低包络熵对高频噪声的敏感度。如果多次运行的最优适应度差小于 5%说明这些参数落在同一个平台上直接用最优者即可。5.3 迭代后期适应度完全不动像早熟收敛现象前 10 轮适应度快速下降后 30 轮几乎一条直线最后一轮的最优适应度和第 15 轮一样。原因k 取整让种群中不同个体的 k 经常相同alpha 的细微变化又被包络熵自身的噪声淹没导致适应度梯度信号太弱加上随机搜索分支选中的随机个体可能一直很差。解决给 k 维度加一个小扰动噪声比如每轮更新后对 k 维度加上 N(0, 0.15) 的随机量再在评估时取整避免所有个体凝固在同一个整数上。另一个办法是前 20 轮用排列熵当适应度后 20 轮换回包络熵让优化前期更关注全局结构后期再精修冲击特征。5.4 alpha 的最优值贴着搜索边界现象alpha 上限设 3000最后结果 alpha2998.7明显是被边界挡回来的。原因信号采样率较高或频带较宽真实最优 alpha 超出当前范围如果下限也被顶着通常是信号里低频分量太强alpha 被压缩到最低来放开带宽。解决把 alpha 范围扩大到 [50, 8000] 重新跑一次同时确认信号中心频率没有被归一化操作改变。如果扩到 8000 仍然贴边说明信号可能有多个相距极近的强频成分VMD 本身不一定适合该数据优先改用带通滤波器组或 CEEMDAN。5.5 VMD 报错或返回 NaN现象优化中途 vmdpy 抛出 LinAlgError或者某个模态全是 nan整个 WOA 循环直接崩溃。原因k 超过信号长度的一半或者 alpha 取到极小值导致矩阵条件数异常信号里若有 NaN 或 Inf叠加上求逆过程就会数值爆炸。解决在 vmd_objective 入口做防护先检查 signal 是否有限再用 try-except 包住 VMD 调用目标函数返回 1e8 而不让它异常中断。k 的上限除了用户设置还要再加一条 k len(signal) // 4 的硬约束。信号进入优化前用 np.isfinite 过滤异常值并重新归一化。5.6 最优参数下重构误差很大现象用最优参数重跑 VMD 后sum(u) 和原信号的 RMS 误差超过 1%频率上表现为模态之外多了一大块残差。原因tau0 时理论上应严格重构但若 alpha 极大VMD 迭代收敛不充分tol 设得不够小会留下残差或者信号含有强直流/趋势项DC0 时趋势被强行压进第一个模态。解决先把 tol 改到 1e-9 重跑再把 DC 设为 1如果信号有明显趋势让直流单独占一个模态。如果误差仍大检查是不是用了降采样数据跑优化、用全数据重跑时采样率不一致导致 alpha 失配——这种情况最隐蔽alpha 是相对采样率起作用的寻优和最终分解必须使用同一采样率。6. 验证优化结果是否可信三种检验手段和一组推荐参数6.1 三个快速检验手段拿到最优参数和 VMD 输出后先别急着画包络谱。第一看中心频率顺序把 VMD 返回的 omega 收敛值按模态编号排列应该单调递增且相邻差值不应小于两者带宽和的一半。发现两个中心频率差小于 3Hz 时基本可以判断 k 给大了。第二算模态间相关系数对 u 的行做 Pearson 相关取绝对值矩阵中最大的非对角元。这个值小于 0.3 算合格大于 0.5 说明两个模态高度重叠WOA 寻优时没把混叠惩罚加进去。第三算重构误差sum(u) 与原始信号的 RMS 误差除以原信号 RMS应小于 1%。如果优化时用了降采样数据这一步在全数据上必须重新验证。6.2 一组建议参数范围表下表是我在不同采样率项目里常用的起点不是万能答案。采样率越高alpha 需要的量级越大转速越低、故障冲击越稀疏k 的合理上限越小。信号类型采样率k 搜索范围alpha 搜索范围适应度建议轴承振动1000 Hz[2, 6][200, 2000]包络熵均值齿轮箱振动5000 Hz[3, 8][500, 3000]包络熵 中心频率惩罚声发射20000 Hz[3, 8][1000, 8000]排列熵均值低速设备200 Hz[2, 4][50, 800]包络熵 重构误差惩罚把自己信号的频谱峰个数和这组范围对照一下通常能找到合理起点。峰值密集时适当收紧 alpha 上限峰值稀疏时放宽 k 上限这是调范围的基本原则。6.3 一个值得坚持的习惯我现在的习惯是每次做 WOA-VMD 都在日志里记录三行内容搜索范围、最优参数、重跑后的中心频率序列。下次换数据时先看这三行而不是直接从头跑一遍算法。参数优化这种事黑匣子成分很重但中心频率是否单调、模态相关系数是否收敛能在第一时间暴露问题。希望你也能把这个验证动作固化下来避免被一组偶然好的分解结果带偏。希望帮到你。本文还有配套的精品资源点击获取