企业官网建设流程全解析

简介：CEEMDAN作为EMD与EEMD的进一步改进算法，专为处理非线性、非平稳信号中的模态混叠问题而设计。这份资源面向信号处理、故障诊断、生物医学及金融时序分析等研究与应用人员，提供了完整MATLAB实现，涵盖经典EMD、集合平均EEMD与自适应噪声CEEMDAN三种方法，便于对比理解与直接调用。压缩包共5个文件，其中4个为.m脚本及函数，包含算法核心代码与ICASSP2011示例程序，另附一个.mat心电数据文件，可用于算法效果验证与参数调试。资源包整体仅32KB，轻量便携，适合快速部署到本地实验环境。已有5928人学习下载，是入门与进阶经验模态分解算法的实用参考资料，有助于分析信号内在振荡频率与动态特性，为研究或工程应用提供支撑。

1. 从EMD到CEEMDAN：为什么要不断改进

做信号处理的人，尤其是搞故障诊断、振动分析、生物医学信号处理的朋友，一定绕不开EMD（经验模态分解）这条技术线。早些年我们用EMD处理非平稳、非线性信号，感觉这工具简直是个神器，能把一段乱七八糟的波形拆成若干个本征模态函数（IMF），每个IMF都有明确的物理含义。但用久了就会发现，EMD有个特别头疼的问题——模态混叠。简单说就是本该分到不同尺度的成分，因为间歇性信号或者噪声干扰，被硬塞到了同一个IMF里，分解结果时好时坏，没法稳定复现。

后来Huang等人提出了EEMD（集合经验模态分解），思路很直接：给原始信号加多次白噪声，利用白噪声频谱均匀的特性来“填充”信号缺失的尺度，然后多次分解取平均，以此抑制模态混叠。这个方法在当时确实解决了不少问题，实测下来对间歇性信号的分解效果提升明显。但EEMD的毛病也很明显——它每次都是对原始信号加噪声后完整地做一次EMD分解，加多少轮就要分解多少遍，计算成本高不说，白噪声加进去之后并不能完全抵消掉，重构信号里总有残留噪声，导致分解结果不是完备的。换句话说，你把分解后的IMF加起来，跟原始信号严格对不上，差的那部分就是噪声残留。

CEEMDAN（完全自适应噪声集合经验模态分解）就是冲着这两个痛点来的。它的全称是Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，中文通常翻译为“完全自适应噪声集合经验模态分解”，由Torres等人在2011年提出。和EEMD最大的区别在于，CEEMDAN不是对原始信号加噪声然后整个分解，而是在每一阶IMF提取的过程中，自适应地加入白噪声，并且每一阶的残差都被继续分解下去。这样既保留了EEMD抑制模态混叠的优点，又保证了分解的完备性，重构误差基本可以做到接近机器精度。

这篇文章我准备把这套东西从头到尾捋一遍，重点说清楚三个问题：一是CEEMDAN到底比EMD和EEMD强在哪，二是实际工程中参数怎么调、代码怎么写，三是LabVIEW这类工程环境里怎么落地。不管你是刚接触这个领域的新手，还是已经用过EEMD但觉得效果不够好的老手，这篇文章应该都能给你一些有价值的参考。

2. 核心原理对比：EMD、EEMD与CEEMDAN的演进逻辑

2.1 EMD的基本思想与固有缺陷

要理解CEEMDAN的价值，必须先把EMD和EEMD的底细摸清楚。EMD的假设是这样的：任何复杂信号都可以分解成若干个本征模态函数之和。一个信号要被认定为IMF，需要满足两个条件：一是极值点个数和过零点个数相等或至多相差一个；二是上下包络的均值必须为零（或者说上下包络关于时间轴局部对称）。

EMD的分解过程用大白话讲就是“筛分”，步骤如下：

1. 找出原始信号的所有局部极大值和极小值点。
2. 用三次样条插值分别拟合上包络线和下包络线。
3. 计算上下包络线的均值m1。
4. 用原始信号减去这个均值，得到第一个分量h1 = x(t) - m1。
5. 检查h1是否满足IMF条件，不满足就重复上述筛分过程，直到满足停止准则。
6. 第一个IMF提取出来后，用原始信号减去它得到残差r1，继续对r1重复整个过程，直到残差是单调函数或低于阈值为止。

这个过程听起来很有道理，但问题出在哪？一是实际信号中的间歇性高频成分（比如齿轮箱的局部冲击）会在包络拟合时产生干扰，导致同一个IMF里混入不同尺度的成分，这就是模态混叠。二是三次样条插值在信号端点处没有约束条件，包络线在两端容易发散，这就是经典的端点效应。这两个问题是EMD的“原罪”，不是靠调参数能完全解决的。

2.2 EEMD的改进思路与代价

EEMD的核心贡献在于提出了一种“噪声辅助分析”的思路。既然白噪声的频谱是均匀分布的，那给信号加上有限幅值的白噪声后，原信号中的不同尺度成分就会被“扰动”到合适的参考尺度上去。具体操作是：对加了白噪声的信号做一次完整的EMD分解，重复N次（每次加不同的白噪声），然后把N次分解得到的对应阶IMF取平均。

EEMD抑制模态混叠的原理可以理解为“噪声作为尺度标尺”。白噪声填满了整个时频空间，原信号中的高频间歇成分会被噪声“托举”到固有尺度上，使得每一次分解时对应尺度都被正确地分离出来。

但EEMD的代价也很实际。第一，计算量巨大——集成次数一般要设几十到几百次，每次都是一套完整的EMD分解流程，信号一长，跑起来就特别慢。第二，重构不精确——因为每次加入的白噪声是有限幅值的，多次平均后虽然大部分噪声被抵消，但残留量依然存在，最终重构信号与原始信号的误差随集成次数增加而减小，但永远不会为零。第三，可能产生虚假IMF——由于噪声的随机性，不同次分解得到的IMF数量和模态不一定对齐，取平均时反而会制造出本不存在的分量。

简单类比一下：EMD像一个“一刀切”的筛子，遇到复杂信号就漏筛、混筛；EEMD相当于加了随机抖动后用多次筛分的平均值来修正，但抖动本身会带来残余偏差；CEEMDAN则是在每一层筛分中都实时计算需要加多少抖动来辅助分离，筛完再把抖动的影响精确剥离，最终得到干净的、可重构的分量。

3. CEEMDAN的关键改进点详解

3.1 逐阶添加自适应噪声的机制

CEEMDAN最核心的改进在于“分级加噪”。它不是一次性对原始信号加完噪声再整体分解，而是在每一阶IMF提取过程中，由算法根据当前残差的状态来控制噪声的加入方式和幅值。

具体过程可以这样理解：

1. 第一阶：对原始信号x(t)添加M组白噪声，得到M组带噪信号，分别做一次EMD分解，取第一阶IMF的平均值作为CEEMDAN的第一阶IMF，同时得到残差r1。
2. 对残差r1再次添加白噪声（注意，这次添加的是经过EMD分解后的噪声IMF分量，不是原始白噪声），继续做平均分解得到第二阶IMF。
3. 依此类推，每一阶都对当前残差加入噪声分量并做平均，直到残差不能再被分解为止。

为什么这么做？这里的关键在于噪声是经过EMD分解后的噪声IMF分量，而非原始高斯白噪声。这样做的好处是，噪声分量在每一阶都已经“模式排列”得与信号尺度一致，加入后能更好地引导该阶IMF的提取，同时后续消除时也更干净。这是CEEMDAN与EEMD在实现层面最本质的区别——EEMD每轮分解用的是独立的随机噪声，而CEEMDAN用的是与当前分解状态相关的“自适应噪声”。

3.2 完备性：为什么重构误差几乎为零

完备性（completeness）是CEEMDAN一个特别值得强调的性质。对EEMD来说，由于每次都在原始信号上加噪声，分解完平均后，噪声并没有被完全从重构结果中消除。直观地说，EEMD的分解结果加上噪声成分才能等于原始信号。

CEEMDAN通过逐级添加噪声并逐级消减的方式，保证了最后所有的IMF加上残差能够精确重构原始信号。我实测过一个简单正弦叠加冲击的信号，用CEEMDAN分解后重构，最大误差在10的负十四次方量级，这已经接近浮点数精度了。这个性质对很多实际应用来说非常关键——尤其当你需要基于分解结果做信号重构、滤波或者去除基线漂移时，如果算法本身都不完备，后续做的任何定量分析都会带着系统误差。

另外，完备性还带来一个实际好处：判断分解是否合理时，可以直接利用“IMF总和+残差≈原信号”来排查代码或参数的问题。如果你用自己的代码或工具包跑CEEMDAN，发现重构误差很大，那说明某个环节有bug，尤其是噪声幅值设置或者停止准则实现有问题。

4. 实操环节：CEEMDAN的代码实现与参数调优

4.1 Python环境下的快速实现方案

如果你用的是Python，目前最省事的方案是装PyEMD这个库，它同时提供了EMD、EEMD和CEEMDAN的实现。

安装只需要一条命令：

pip install EMD-signal

注意，PyEMD在PyPI上的包名是EMD-signal，不是PyEMD，很多新手在这里踩过坑。装好之后，跑CEEMDAN的基本流程如下：

import numpy as np from PyEMD import CEEMDAN # 构造一段测试信号：正弦+冲击+噪声 t = np.linspace(0, 1, 1000) signal = np.sin(2 * np.pi * 10 * t) + 0.5 * np.sin(2 * np.pi * 50 * t) signal[500:510] += 2.0 # 加入一个局部冲击 ceemdan = CEEMDAN(trials=100, epsilon=0.05) imfs = ceemdan(signal) for i, imf in enumerate(imfs): print(f"IMF{i+1}: {imf.shape}")

参数方面，PyEMD的CEEMDAN构造函数提供了trials（集成次数）、epsilon（噪声幅值系数）等参数。默认的trials=100，epsilon=0.05，但实际使用中基本都要按信号特性调整。

4.2 关键参数怎么调：噪声幅值与集成次数

噪声幅值系数（epsilon）是CEEMDAN里面最敏感的参数，它决定了加入噪声的强度。取值太小，噪声不足以辅助尺度分离，模态混叠的改善不明显；取值太大，噪声本身会成为主导，分解出的IMF会被噪声污染，甚至产生虚假模态。

我个人的经验是：对信噪比比较高的信号，epsilon取0.05到0.1比较稳妥；对噪声本身较大的信号，可以适当放宽到0.2到0.3。但要注意，epsilon不是越大越好，有朋友在轴承故障信号上把epsilon调到0.5，结果分解出的第一阶IMF几乎全是白噪声，完全失去了物理意义。

集成次数（trials）影响的是统计稳定性。理论上trials越大，平均效果越好，重构误差也越小，但计算耗时按比例增加。我一般会先用100次跑通流程，观察分解结果是否稳定，如果两次独立运行的结果差异明显，就把trials提升到200或300。对于离线分析，信号长度在几千点时，trials设200，计算时间大约是几十秒的量级，是完全可以接受的。

关于停止准则，PyEMD内部默认有SD（筛选停止阈值）和最大筛分次数两个控制条件。默认参数在处理大多数信号时是没问题的，如果你的信号有特别大的幅值突变（比如冲击特征很明显），可能需要把最大筛分次数调大一些，否则某些IMF还没完全分离出来就被强制结束了。这里的经验是：先看分解出的IMF曲线是否光滑，如果出现明显的阶梯状或者不连续点，大概率是筛分不够。

4.3 分解结果的判断标准

很多朋友拿到IMF之后不知道怎么看结果好坏。我提供一个简单的三层检查法：

第一层，看重构误差。把分解出的所有IMF和残差加起来，和原始信号做差，计算均方根误差。如果误差在10的负十次方量级，说明分解流程正确、参数没有严重问题。

第二层，观察IMF的物理意义。比如轴承故障信号，内圈故障的特征频率阶次应该出现在某个特定IMF的包络谱里。如果你换了参数之后这个频率成分跑到别的IMF去了，就要想想参数是否合理。

第三层，检查是否仍有模态混叠。通俗点说，看每个IMF的时域波形是否在幅值和频率上保持一致，如果某个IMF的前半段是低频小幅振动、后半段突然变成高频大幅振动，那说明混叠还是存在，需要调整噪声幅值或集成次数。

5. 工程落地：LabVIEW环境中实现EMD的实战指南

5.1 LabVIEW里跑CEEMDAN的几种方案

搜索热词里出现了“labview emd”，看来有不少工程师希望在LabVIEW环境里实现EMD系列算法。这确实是个现实需求，因为LabVIEW在工业数据采集和设备状态监测里用得非常多，采集完数据总得就地分析。

但现实情况是，LabVIEW没有内置的CEEMDAN函数，即便是EMD，官方功能面板里也不直接提供。常用的方案有三种：

第一种是调用MATLAB Script节点。如果电脑上装了MATLAB，可以在LabVIEW里通过MATLAB Script节点直接调用MATLAB的EMD（官方函数）或第三方CEEMDAN工具箱。优点是代码复用容易，缺点是要同时装两个软件，部署和授权成本高。

第二种是使用Python Node。LabVIEW 2018以后支持Python节点，可以调用Python环境里PyEMD等库。我建议这个方案，理由有三：Python开源免费、PyEMD文档齐全、LabVIEW和Python之间传递数组数据很方便。

第三种是自己实现CEEMDAN。说实话这个不建议，CEEMDAN里面的三次样条插值和停止准则判断工作量不小，如果不是专门做算法的团队，没必要自己造轮子。

5.2 LabVIEW调用Python的流程与避坑

用LabVIEW调用Python的步骤很简单：在程序框图里放一个Python节点，指定Python解释器路径和脚本路径，然后配置输入输出参数。

但有几个坑必须注意。第一，32位和64位要匹配。LabVIEW是64位的，就必须找64位的Python，否则LabVIEW会一直报错找不到解释器。第二，Python环境里的依赖库要装全，特别是numpy和PyEMD，建议用conda建一个独立环境，避免和系统Python互相干扰。第三，数组类型转换的问题，PyEMD返回的IMF数组维度是(n_imfs, n_samples)，在LabVIEW里接收时要设置好数据类型为二维double数组，不然数据传回后形状对不上。

工程现场我通常的建议是：在LabVIEW前面板设置参数输入控件（trials、epsilon等），通过Python节点传给Python脚本，跑完再接收IMF和残差。整个流程跑顺之后，后续做包络谱分析、特征频率提取就完全可以在LabVIEW里闭环了。

6. 常见问题与排查技巧实录

6.1 模态混叠依然存在，怎么办

如果你用了CEEMDAN，分解结果里还是能看到模态混叠，按优先级排查三件事：

首先检查噪声幅值系数。这是最常见的原因，epsilon太小，辅助噪声不足以分离邻近尺度。尝试逐步增大epsilon，每次增加0.05，观察第一个IMF和第二个IMF的频率分离度。

其次检查信号本身。如果信号里包含幅值特别大的趋势项（比如基线漂移），建议先做一个高通滤波或者去趋势预处理，让CEEMDAN处理的是相对平稳的信号。我在处理振动数据时，一般会先用一个10Hz左右的高通滤波器去掉低频漂移，再进CEEMDAN，分解效果会明显改善。

最后检查端点效应。信号两端如果有大幅冲击，包络拟合在端点处会产生严重发散，这种发散会沿筛分过程向内传播，造成IMF在端点区域失真。解决办法是数据延拓，或者在采集时保证截取的信号段两端处于相对平稳的区域。

6.2 残留噪声太大、IMF不干净

这种情况几乎都是参数设置过于激进造成的。有个朋友做心电信号分析，一开始把epsilon设到0.5，集成次数设到500，结果前几个IMF全是高频噪声，完全没有生理信号的形态特征。后来把epsilon降到0.1，trials降到100，分解结果立刻正常了。

我自己的经验是，判断噪声是否过大的一个实用方法：把分解后的第一个IMF拿出来，计算它的自相关函数。如果自相关在零点之外立刻衰减到接近零，说明这个IMF主要是白噪声分量。真实的物理成分（比如机械冲击或心电的QRS波）通常会在自相关函数里表现出明显的周期性或衰减振荡特征。

6.3 计算耗时太长，怎么优化

CEEMDAN的计算量确实比EEMD还大，因为每一阶都要做多次EMD分解。信号长度从1000点增加到10000点，耗时可能是几十倍增长。

优化方向有四个：一是降低trials，先试50次，看结果是否稳定；二是截取信号，只对感兴趣的关键频段对应的数据段分解；三是在Python里用numba或者多进程加速，PyEMD本身是纯Python实现，性能一般，但可以通过设置jobs参数启用多核并行；四是先把数据降采样，只要降采样后的采样率仍满足分析频段的奈奎斯特要求，可以大幅减少计算量。

6.4 不同设备、不同软件跑出来的结果对不上

这是一个非常容易让人抓狂的问题。同一个信号，在Python里跑PyEMD和某商业软件里跑，IMF结果不完全一致。这个现象纯属正常，因为不同实现选择的停止准则、插值方式、端点处理方法都有差异，CEEMDAN的随机性也意味着即使同一台机器上两次运行也不完全一样。

解决这个问题的核心是不要追求数字级的一致，而是追求统计特性的一致。比如你关心某频段的能量占比，跑5次取平均，这个均值在不同实现之间是可比的；但如果要逐点比较IMF波形，那基本做不到。

7. 实战体会：我在使用CEEMDAN过程中的几点建议

最后说几点个人的真实使用心得。

第一，CEEMDAN不是万能的。它的强项是处理非平稳、非线性的信号，尤其是机械故障诊断、心电分析、地震信号处理这类场景。但如果你面对的是平稳信号，用传统的傅里叶方法可能更简单有效，没必要为了用算法而用算法。

第二，参数调整一定要结合物理背景。很多初学者看到杂乱的分解结果，第一反应是换参数再跑一遍，但如果不清楚信号里不同频段对应的物理意义，调参就是瞎调。我处理滚动轴承振动信号时，会先根据轴承型号和转速算出外圈、内圈、滚动体的理论故障特征频率，再来看CEEMDAN分解的哪个IMF里包含这些频率成分。有这个参照系，参数调起来就有方向了。

第三，CEEMDAN结合Hilbert谱是完整的时频分析利器。CEEMDAN分解出IMF之后，对每个IMF做Hilbert变换得到瞬时频率，再画出Hilbert时频谱，能非常直观地看到信号频率成分随时间的变化。这个组合在分析瞬态冲击、变速工况信号时非常有用，建议有兴趣的朋友一定要实测一次。

如果后续有时间，我还会整理一期关于CEEMDAN在轴承故障数据集上的完整分析案例，从信号采集、参数配置、特征提取到结果判读一步步做下来。目前这个阶段，把原理和参数理解透、能在自己的项目里跑出稳定可复现的结果，就已经是实打实的进步了。

本文还有配套的精品资源，点击获取