企业官网建设流程全解析

很多做设备状态监测的朋友第一次接触这套组合拳，多半是被论文里那一串缩写搞懵的：明明就是处理一根振动信号曲线，为什么有人要先用VMD拆一遍，再做FFT看频谱，最后还要拉一个HHT时频图出来？我在现场处理轴承故障数据时也走过不少弯路，一开始直接拿FFT怼原始信号，结果特征频率全被噪声埋掉，换了VMD-FFT-HHT这条流水线之后，故障特征才从一片“草地”里清晰浮出来。这篇内容就把这套组合讲的明明白白，面向正在跟信号数据较劲、做旋转机械故障诊断的同学，也适合想把FFT真正用透的工程师。

1. 为什么组合是VMD加FFT再加HHT：三者各自在解决什么问题

1.1 VMD不是玄学：它本质上是把一团毛线按颜色分股

变分模态分解（Variational Mode Decomposition，VMD）是2014年提出的信号分解方法，核心思想非常直接：把一段多分量、非平稳的信号，拆成若干个中心频率不同、带宽有限的子信号，这些子信号在论文里叫本征模态函数（IMF）。它在数学上构造了一个约束变分问题，通过迭代求极值，一次性把所有模态解出来，而不是像EMD那样一层一层把“剩余信号”剥出来。

我先说个容易踩的坑：第一次见到“VMD”这个词的人很容易把它和电脑BIOS里那个Intel VMD混合存储技术搞混，这俩完全不是一个东西。我们这里说的VMD，是纯信号处理领域里用来做自适应分解的工具，它的价值在于把原始振动信号里混叠在一起的转频、故障冲击、谐波、噪声拉开，让后续分析不再是“一团黑”。

VMD相对EMD最大的优势在于，它从根本上避开了EMD递归筛选带来的模态混叠问题。EMD在信号频率接近或噪声强时，经常出现一个模态里混着两个频率成分的情况，或者同一个频率成分被劈成两个模态，这种“驴唇不对马嘴”的分解结果会让你后面的频谱分析直接走偏。VMD把一个非递归问题变成变分问题来解，每个模态都有明确的中心频率和带宽约束，所以分解结果更稳定、更具物理意义。

不过它也不是万能药，VMD对参数极其敏感，尤其是要提前指定分解模态个数K，还有惩罚因子alpha。K给少了，信号欠分解，一个模态里塞了好几种频率；K给多了，会出现虚假模态，把噪声也当成有用成分拆出来。这块的具体调参经验，我在第2部分和问题排查章节会展开讲。

1.2 FFT是每个做信号的人绕不开的“标配频谱仪”

快速傅里叶变换（Fast Fourier Transform，FFT）大家太熟了。它把时域信号变换到频域，本质是计算信号在各个频率上的幅值和相位，工程上最常用的就是看幅值谱，用来识别信号里存在哪些频率成分。旋转机械故障诊断的物理基础就在这里：轴承、齿轮的局部损伤在运转中会产生周期性冲击，这个冲击频率是可以通过轴承几何尺寸和转速算出来的，比如外圈故障特征频率BPFO、内圈故障特征频率BPFI。只要FFT频谱上对应频率出现了谱峰，基本就能锁定损伤位置。

但FFT有个先天短板：它默认信号是平稳的或者准平稳的，也就是说，它给出的频谱是整个分析时间窗内的“平均”结果。实际采集到的故障信号往往是非平稳的，转速波动、载荷变化、冲击衰减都会导致频率成分随时间变化，这时FFT的谱线会被“糊掉”，看起来峰不高、底噪大、边带杂乱，读不出有效信息。

这就是为什么我在实际故障诊断时，不主张对原始信号直接做FFT。先让VMD把信号拆开，每个IMF至少是窄带且相对平稳的，再对感兴趣的那个模态做FFT，谱线会干净得多，故障特征频率和它的倍频、边带也能分辨清楚。

1.3 HHT补上了FFT丢掉的“时间轴”

希尔伯特-黄变换（Hilbert-Huang Transform，HHT）是黄锷在1998年提出的，它实际上包含两步：第一步对信号做经验模态分解（EMD），把非平稳信号拆成本征模态函数；第二步对每个IMF做希尔伯特变换，得到瞬时频率和瞬时幅值，最终绘制出以时间为横轴、频率为纵轴、颜色表达能量的希尔伯特时频谱。

很多人问：已经有FFT了，为什么还要HHT？我的回答是，FFT回答的是“有哪些频率”，HHT回答的是“这些频率在什么时刻出现、强度怎么变化”。举个例子，一个轴承外圈出现早期点蚀，故障冲击是间歇性出现的，不是每转都打一下。你拿FFT看1秒的平均频谱，能看到BPFO处有一点点凸起，但无法判断这个冲击是连续还是间歇、发生在转轴的哪一圈。HHT时频谱上，这种间歇冲击会表现为一根根等间隔的垂直能量带，冲击间隔、强度变化一目了然。

要注意的是，经典HHT第一步用的是EMD，而EMD有模态混叠的毛病。所以近几年工程界流行用VMD代替EMD做第一步分解，再对分解出的模态做希尔伯特谱分析。严格说，这个流程叫“VMD-HHT”更准确，很多人直接写HHT也只是沿用习惯叫法。我在实际项目里用的就是VMD+HHT这套改良流程。

1.4 三件套的配合逻辑：切分、看频、追时

把三件套串起来的逻辑链条是这样的：原始信号里同时混着转频、高倍频谐波、故障冲击、随机噪声，直接用FFT看是“一锅粥”；先让VMD把这锅粥按频带“分餐”，每个IMF只保留一个或多个窄带成分；然后对每个IMF做FFT，看看各模态里的频率成分是否符合某个故障特征频率；如果想进一步定位冲击出现的时域位置、判断故障严重程度，就对这个IMF做希尔伯特变换，画出时频图。整个过程总结成六个字：切分、看频、追时。

这种组合的现实价值，不只是论文里好看，而是能形成一条完整、可解释、不容易出错的证据链。尤其对故障诊断这种要求“给结论还得有依据”的工种，频谱上的谱峰和时频图上的冲击周期互为印证，比丢给用户一个卷积神经网络的“损坏概率0.87”要让人信服得多。

2. 从数据采集到特征提取：完整流程的每一步细节

2.1 数据怎么来、怎么进MATLAB：CSV和Excel导入的实操细节

好多人卡在第一步：手里是一堆csv或者Excel表格，怎么倒腾到MATLAB里做FFT？这里给一个我常用的模板。如果csv文件第一行是列名，数据从第二行开始，采样率假设已知，用readmatrix读取最简单：

data = readmatrix('vibration_data.csv'); fs = 8192; % 采样率，单位Hz x = data(:, 2); % 假设第二列是振动加速度信号 x = x - mean(x); % 去掉直流分量

读取Excel同理，用readmatrix也能直接读xlsx文件，但要注意readmatrix读txt、csv、xlsx都适用，读取后先确认数据的单位。加速度信号一般是m/s²或g，位移信号是μm，不同单位会直接影响到幅值谱的量级，但不影响频率位置判断。读进来以后第一件事就是画时域图看一眼，有没有野值、断点、饱和削顶。数据质量不过关，后面所有分析都是白搭。

预处理方面，我建议至少做两步：去均值和去趋势。去均值是为了消掉直流分量，不然FFT之后0Hz处会顶起一个巨大的谱线，把其他频率细节压得看不清。去趋势是为了消除传感器零点漂移或温漂造成的低频斜坡。/趋势项会污染低频段，让频谱在很低的频率处出现虚假的较大幅值。另外，如果采集的是非等间隔数据，比如某些历史数据时间戳不均匀，必须先用interp1做一次重采样，转成等间隔采样序列，否则FFT的解算是错的。

2.2 采样率和数据长度怎么定：一个能算清楚的工程问题

采样率的选择遵循奈奎斯特采样定理：采样率必须大于信号最高关注频率的两倍，工程上通常取关注频率上限的2.56倍以上，甚至5到10倍。比如你关心轴承外圈故障特征频率BPFO约100Hz，转频20Hz，那采样率取5120Hz已经绰绰有余；但如果还要分析故障冲击引起的结构共振频率，共振峰可能在几千赫兹，采样率就得拉高到20kHz以上。

数据长度决定了频率分辨率，也就是FFT频谱上相邻两根谱线的间隔。频率分辨率Δf = fs / N，N是参与FFT的采样点数。想分辨出BPFO=92.3Hz和BPFI=107Hz这两个只差15Hz左右的频率，频率分辨率至少要优于15Hz，最好能到1Hz。这意味着在fs=4096Hz时，N至少要4096点，也就是1秒数据。我自己做诊断时，谁跟我说“我就采了0.1秒数据”，那基本没法做精细分析，因为0.1秒只有409个点，Δf高达40Hz，特征频率附近全是糊的。

还有一点要提醒：补零能视觉上让谱线更密，但它不提高真实分辨率，只是把FFT结果插值画平滑了。判断频率分辨率是否够，只看实际采样时长T=N/fs够不够长。这是很多新手的误区。

2.3 VMD参数怎么选：K值和penalty alpha的调参思路

VMD调试的核心参数有两个：模态个数K和惩罚因子alpha。官方默认alpha=2000，但实际工程数据千差万别，照抄默认值容易出问题。

关于K值选择，我的做法是“扫描观察法”：固定alpha=2000，把K从2开始递增到8，每次分解后打印各模态的中心频率。如果某两组模态的中心频率越来越接近，或者出现一个中心频率特别低、波形几乎趋于0的模态，说明K已经给多了。反过来，如果K=3时某个模态的中心频率附近还能看到明显的双峰，说明这个模态里混了两种频率，K给少了。我一般在轴承振动数据上选K=4到6，齿轮箱数据由于啮合频率和边带复杂，K会取6到10。

alpha的物理含义是模态带宽约束，alpha越大，每个模态的带宽越窄，对噪声的容忍度越低；alpha越小，带宽越宽，模态里可能裹入无关频率。数据幅值量级不同，alpha的合适取值范围也会漂移。我的习惯是把信号先归一化到[-1, 1]，再以alpha=2000为起点试，如果分解出的模态波形毛刺很多，就把alpha提高到5000；如果发现某个模态明显包含多个频率成分，说明带宽太宽了，也往大调；反之，如果模态被拆碎、出现虚假模态，就往小调，比如800到1000。

注意：VMD对初值和迭代次数也有感知，但一般影响不大。MATLAB从R2021a开始自带vmd函数，旧版本需要从作者主页下载官方的vmd.m文件放到路径下，调用方式是一样的。

2.4 对每个IMF做FFT：频谱图和功率谱密度图到底怎么画才算对

对VMD分解出的IMF做FFT，最需要注意的是幅值修正和画单边谱的规则。很多人在这一步画出的频谱幅值差了好几倍，不是因为算法错了，而是没搞清单双边谱和幅值修正。给一个我自己常用的标准模板：

function [f, amp] = single_side_spectrum(x, fs) N = length(x); X = fft(x); amp = abs(X) / N; % 双边幅值谱 freq = (0:N-1) * fs / N; f = freq(1:N/2+1); % 只取正频部分 amp = amp(1:N/2+1); amp(2:end-1) = amp(2:end-1) * 2; % 非直流和非奈奎斯特分量乘2 end

直流分量（0Hz处）不乘2，奈奎斯特频率（即fs/2处，只有偶数N才有）也不乘2，其他非直流谱线乘2，这是因为做单边谱时把负频率的能量折回了正频。如果你用的是周期图法算功率谱密度，MATLAB里直接调periodogram即可：

% 加汉宁窗的周期图法功率谱密度估计，等效于频域平滑 [psd, f] = periodogram(x, hann(N), N, fs);

至于功率谱密度和幅值谱的区别：幅值谱告诉你某个频率成分的幅值多大，适合找特征频率峰值；功率谱密度告诉你单位频带宽度里有多少功率，适合比较不同频段的能量分布。诊断时我还是习惯两个都看，先幅值谱找峰、对频率，再用PSD看噪声基底和边带能量。

关于加窗，我得特意说一句经验之谈。对原始信号做FFT时，数据截断造成频谱泄露，一般建议加汉宁窗或布莱克曼窗来压低旁瓣。但如果信号已经过了VMD分解，IMF是窄带信号，频谱泄露已经相对小了，加不加窗影响不大。我实际处理时直接对IMF做不加窗FFT，反而能保留更高的频率分辨能力。所以很多人都问“FFT到底要不要加窗”，我的答案是：加窗是缓解频谱泄露的手段，不是规定动作，要看你分析对象是什么。原始信号某一段做FFT，建议加窗；VMD分解后的窄带IMF做FFT，不加窗通常也没问题。

2.5 希尔伯特谱怎么看：瞬时频率编码了故障的“时间指纹”

对VMD分解出的某一个IMF做希尔伯特变换，可以得到它的解析信号，瞬时频率就是解析信号相位的导数，瞬时幅值就是解析信号的模。把所有IMF的瞬时幅值在时频平面叠加绘制，就是希尔伯特谱。

MATLAB里最省事的做法是用hht函数：

% 对第2个IMF绘制时频谱 hht(IMF(:, 2), fs);

出来的图，横轴是时间，纵轴是频率，颜色深浅表示瞬时能量。看这种图，我最关注两点：第一，能量带是否随时间产生周期性间断，一段亮一段暗，亮的宽度和间隔能对应到某个故障特征周期；第二，频率是否随时间漂移，如果转速不稳，转频和故障特征频率都会跟着漂，HHT能画出这种漂移轨迹，这是FFT完全做不到的。

还要坦白一个HHT的固有毛病：端点效应。信号两端在做希尔伯特变换时，边界附近瞬时频率经常发散，出现向上或向下的“飞刺”。处理办法是在分析前对信号做镜像延拓，或者干脆把分析段两端的短暂过渡区去掉，只读取中间可信段。这个坑我踩过好几次，后面问题排查里再细说。

3. 一个能直接上手的轴承故障诊断案例

3.1 案例设定与数据说明

为了让大家能完全复现这段流程，我用一个仿真轴承信号来演示。设一个滚动轴承参数：滚动体数量Z=12，节径D=65mm，滚动体直径d=15mm，接触角α=0°，轴转速N=1200rpm，那转频fr=1200/60=20Hz。外圈故障的特征频率BPFO按公式算：

BPFO = (Z/2) × fr × (1 - d/D × cosα) = 6 × 20 × (1 - 15/65) = 120 × (50/65) ≈ 92.31Hz

也就是说，如果外圈上有一个局部损伤，每当滚动体滚过这个损伤点时，会产生一个冲击，理论上这个冲击的重复频率就是92.3Hz。我在MATLAB里模拟这样一段信号：一个20Hz的转频正弦分量，叠加一组按92.3Hz重复的衰减振荡冲击，冲击激起的结构共振频率取3000Hz，再叠加一定量的高斯白噪声。采样率fs=8192Hz，数据长度N=8192点，正好1秒数据。

为什么要造仿真数据？因为真实故障数据里你永远不知道“标准答案”，而仿真数据里每个成分都是我放进去的，跑完流程后拿结果跟标准值对比，才能真正检验这套方法的有效性。这也是我建议所有新手先做的事。

3.2 VMD分解实操代码与调参记录

对生成的仿真信号调用MATLAB自带vmd函数：

[IMF, res] = vmd(x, 'NumIMFs', 4, 'Alpha', 2000, 'InitMethod', 'peaks');

我在K值上做了三次试算。K=3时，IMF1的中心频率在19.8Hz附近，代表转频；IMF2中心频率在92Hz附近，是我想找的BPFO频段；但IMF3的中心频率跑到2870Hz附近，里面同时包含了共振冲击和相邻的噪声频带，说明分解不够细。K=4时，IMF2依然稳定在92Hz，IMF3和IMF4把高频段拆成了两个窄带，一个落在1800Hz左右、一个落在2900Hz左右，边界更干净。K=5时，出现了一个中心频率为0.2Hz的模态，波形几乎是一条平线，这就是典型的过分解虚假模态。所以最终选K=4。

alpha方面，我把信号归一化到[-1,1]后，alpha=2000分解出的IMF2包络还比较光滑，不用额外调整。如果你的实测信号噪声更大，可以把alpha调到3000到5000，让模态带宽更窄，减少噪声混入。要注意的是，alpha调大后计算时间会明显上升，这是正常现象。

3.3 各模态FFT频谱：找到故障特征频率及其倍频

分解完成后，我对IMF2做FFT，幅值谱上能看到三根清晰的谱线：92.3Hz、184.6Hz、276.9Hz，分别对应BPFO的基频、二倍频和三倍频。谐波的出现意味着冲击不是纯正弦，而是周期性的瞬态冲击，这种“基频加整数倍频”的组合就是轴承外圈局部损伤的典型频谱特征。

再回头对比一下直接对原始信号做FFT的结果：92.3Hz处的谱峰被噪声抬高了很多，几乎看不出比旁边的谱线高多少；而VMD分解后，噪声被分割到其他模态，IMF2里信噪比大幅提升，BPFO基频的谱峰高度直接突出了近一个数量级。这就是为什么我总是说，FFT不是不中用，而是前面缺了一个好“切片工”。

另外，我还会顺手把IMF1的FFT也画出来，确认它确实是20Hz转频成分，并且没有出现明显的边带。如果在转频两侧看到间隔为BPFO的边带，说明外圈故障对转频产生了幅值调制，这也是故障的另一个佐证。

3.4 HHT时频图：把故障冲击的时刻与强度挖出来

用hht函数画IMF2的时频谱，你会看到一根稳定在92Hz左右、等间隔出现脉冲式亮带的频率轨迹。每个亮带对应一次滚动体滚过外圈损伤点的冲击，相邻亮带的间隔就是1/BPFO≈10.8ms。你再拿时域波形图核对一下冲击的位置，能发现冲击峰值的间隔与亮带间隔完全对应。

这种时间维度的验证，是单纯FFT给不了的。我在实际项目中发生过这样的事：FFT频谱上92Hz处明明有谱峰，但特征频率对应的能量在时间轴上时有时无，后来用HHT才发现故障冲击存在“间歇性”，并不是每圈都打，这直接影响了故障严重程度的判断——连续冲击比间歇冲击通常意味着更严重的损伤扩展。所以遇到这种情况，强烈建议多看一眼时频图。

3.5 特征判据小结：如何从结果给出“轴承坏了”的结论

把整个案例的结论梳理成故障判据，基本分三条。第一条，频域判据：IMF的FFT频谱在BPFO及其倍频处出现明显谱峰，且倍频次数越多、幅值越高，损伤通常越严重。第二条，时域判据：希尔伯特谱上冲击能量带重复间隔等于1/BPFO，说明冲击事件以特征频率周期重复。第三条，调制判据：如果转频两侧存在BPFO间隔的边带，或冲击幅值呈现某种周期性变化，说明损伤位置在承载区变化，常与内圈或滚动体故障相关。三条合起来，就可以比较有把握地给出外圈损伤的结论。

4. 实战中高频踩坑与排查速查表

4.1 VMD不收敛、长时间跑不完怎么办

现象是代码跑了几分钟还在迭代，或者提示达到最大迭代次数但模态仍然失真。常见原因有三个：数据太长、alpha设置过大、K值设置过大。解决办法也直接：把参与VMD的数据截短到0.5到1秒，比如从8192点截到4096点；或者把数据先降采样，但降采样前要保证奈奎斯特频率仍高于关注频率上限；再或者下调alpha到1000左右。VMD计算复杂度不低，几十万点数据跑一次就要好几分钟，不是机器不行，是这种算法天生就吃算力。我在做大批量数据批处理时，都是先写一个自动分段脚本，每段只取1秒数据做VMD，速度能快一大截。

4.2 频谱上全是刺，分不清边带和噪声怎么办

频谱上一堆乱七八糟的谱线时，先别急着怀疑算法，先检查预处理。首要检查是否去均值，其次检查是否存在野值点。野值在FFT里会表现为整个频段上的宽谱噪声抬升，一个削顶脉冲就能毁掉一整段分析。再就是VMD参数问题，如果IMF中心频率附近有明显毛刺，适当提高alpha让模态更窄，或者把数据加窗后再做FFT。还有一个排查技巧：把时域波形用包络谱再验证一次，包络谱对周期性冲击很敏感，故障特征频率会在包络谱上以清晰谱峰出现，这个可以作为旁证。

4.3 端点效应和模态混叠：绕不开的宿命问题

VMD和HHT都存在边界效应，信号两端分解出的模态容易失真。我在工程上常用的数招：第一，截取数据时前后各留一小段“掩护数据”，分析时只读中间段；第二，先做镜像延拓，把数据镜像翻转接到两端再分解，处理完再截掉延拓部分；第三，也是比较实用的一招，直接用分段重叠分析，对每一段取中间的稳定结果拼接。模态混叠则更多是K值没选好或者信噪比太低造成的，先把信号做一次带通滤波预处理，减少远离关注频段的能量干扰，再跑VMD，混叠概率会明显下降。

4.4 算得慢、内存爆：大数据量下如何做工程实用化

VMD和HHT离实时计算还有距离，这一点必须承认。我在做在线监测项目时，通常是这么分工的：嵌入式或PLC侧用FFT加包络谱实时计算特征频率幅值做粗报警；一旦报警触发，把原始波形上传到服务器或PC端，再用VMD-FFT-HHT做精细分析，输出证据链。跟FPGA打交道的朋友可能知道，Vivado里的FFT IP核能把FFT做到微秒级，但VMD是个迭代变分问题，目前想塞进小资源嵌入式芯片里并不现实。所以我的建议是：充分利用FFT做实时快筛，VMD-HHT做离线精判，两头兼顾，不要拿一台服务器死磕实时性，那是跟算法特性过不去。

5. 把这三件套用到更多场景：扩展思路与我的体会

5.1 从轴承到齿轮箱、电机与结构健康监测

这套流程不挑轴承这一个对象。齿轮箱故障里，啮合频率及边带分析同样适合VMD先把啮合频率、转频、故障边带拆开，再做FFT看边带间隔；电机故障里，电流信号的谐波分析也能套用：先把基波工频当作一个模态拆出去，剩余信号里的故障特征频率会暴露得更清楚。还有一些非设备场景，比如一段时间内卫星信号信噪比数据集的趋势分析、风电塔筒振动监测、地震波数据处理，本质上都是“多分量+非平稳+噪声污染”，VMD-FFT-HHT的路子都能走通。我个人的经验是：只要数据里既有周期性又有非平稳性，这套流程大概率有用；如果数据本身就是平稳正弦叠加热噪声，那老老实实一个FFT就够了，不见得每次都要上VMD。

5.2 与机器学习结合：特征工程的新姿势

现在深度学习做故障诊断很火，但工程落地时我反而更喜欢“物理特征+浅层模型”的组合。VMD分解后天然能得到一组特征：各模态的能量占比、中心频率、峰值频率、幅度、包络谱特征、希尔伯特边际谱的特征频率幅值等。把这些整理成特征向量，丢给随机森林或SVM，模型小、可解释、不容易过拟合，而且只要特征物理意义明确，现场工程师也能理解。相比之下，直接把原始波形丢给CNN是精度高，但故障定位和故障机理的解释就成了黑盒，这在很多对严谨性要求高的行业里并不讨喜。如果你想在故障诊断方向做论文或产品，我建议把VMD-FFT-HHT当作特征提取前端，再接一个浅层分类器，效果往往比端到端网络更稳。

5.3 实测下来，这套流程的边界在哪儿

最后说点大实话。VMD-FFT-HHT不是万能的。第一，它对低信噪比数据的容忍度有限，如果故障信号比噪声低20dB以上，VMD也很难把特征频率从噪声里救回来，这时候得靠更定向的带通滤波或包络解调先行处理。第二，VMD参数选择带有一定人工经验色彩，不同人调出的K值可能不同，这会让结果在细节上有差异。第三，分析结果的物理判读仍然依赖人的经验，算法只是把证据摆到桌面上，最终判断还是得靠人对设备机理的理解。我的建议是，初次接触的朋友先在仿真信号上反复打磨流程，等参数手感培养出来，再上实测数据，这样踩坑成本最低。等这套流程用顺手了，你会发现它就像工具箱里的一把好扳手，未必天天用，但遇到难拆的活，它是真能救命。