企业官网建设流程全解析

简介：这份资源面向从事信号处理、振动监测与爆破工程方向的研究者与研究生，针对隧道爆破信号中噪声干扰强、传统单一方法去噪效果有限的问题，提供了一套基于CEEMDAN与小波包分析相结合的降噪实现方案。资源包共3个文件，均为m脚本文件，压缩包约9KB，分别对应CEEMDAN分解、经验模态分解及小波包阈值降噪等核心环节，便于在MATLAB环境中直接运行与二次修改。已有4271人学习下载，说明该复现思路在相关领域具有较高的参考价值。读者可据此完整复现论文流程：先由CEEMDAN得到多个本征模态分量，利用相关系数筛选含噪分量，并结合频谱图与方差贡献率进行校核；再以小波包阈值降噪处理噪声分量，最后将未处理分量与去噪分量重构，获得纯净爆破振动信号，并通过小波包能量谱验证方法可行性。适合需要快速搭建去噪实验框架、对比不同分解策略或撰写相关论文的研究人员参考使用。

1. CEEMDAN 加小波包降噪：为什么单用其中一个总差点意思

很多做振动信号、声发射或者生理信号的朋友，第一次拿到一段噪声很重的采样数据，第一反应是直接上小波阈值降噪，调半天阈值发现要么削掉了冲击成分，要么噪声还挂在那里。换 CEEMDAN 做分解，模态混叠是缓解了，可 IMF 分量挑到第几层、哪些算噪声哪些算信号，又变成新的玄学。CEEMDAN—小波包分析降噪这条路线，本质是把两个工具串起来用：CEEMDAN 负责把非平稳信号按时间尺度自适应拆开，小波包负责对含噪主导的分量做更细的频带切分和阈值收缩，最后重构。它解决的是单一方法在低信噪比、强非平稳场景下“分不干净、削不精准”的问题，适合手里有实测振动、超声、心电、音频这类一维时序数据、又不想盲调滤波器参数的工程师。下面按我实际落地的顺序，把选型理由、参数、代码和翻车点讲清楚。

2. CEEMDAN 分解：自适应噪声辅助到底比 EMD 强在哪

2.1 从 EMD 的模态混叠说起

经验模态分解（EMD）的思路很朴素：找出信号所有局部极大值和极小值，拟合上下包络，减去包络均值，反复筛直到满足 IMF 条件。问题在于，实测信号里一旦出现间断性冲击或者高频噪声，极值点分布会突变，同一个 IMF 里混进差异很大的时间尺度，这就是模态混叠。EEMD 的做法是加白噪声再做多次平均，靠噪声把极值点“铺匀”，但加噪次数多、残余噪声大、重构误差不可控。

CEEMDAN（Complete Ensemble EMD with Adaptive Noise）在每一阶 IMF 提取时都加入自适应的噪声分量，并且把噪声的 EMD 分量也纳入计算，使得重构几乎无误差，同时需要的集成次数更少。落到工程上就是：同样一段 10 秒、采样率 2 kHz 的轴承振动信号，EEMD 要跑 100 次集成才勉强稳定，CEEMDAN 通常 20～50 次就能得到一致的 IMF 分层，这对批量处理几百段数据的场景差别很大。

2.2 用 Python 跑通 CEEMDAN 的最小代码

import numpy as np from PyEMD import CEEMDAN # 假设 signal 是已经读入的一维数组，长度 N，采样率 fs # 常见做法是先做去均值，避免 IMF1 被直流分量污染 signal = signal - np.mean(signal) ceemdan = CEEMDAN( trials=30, # 集成次数，工程上 20~50 足够，越大越稳但越慢 epsilon=0.005, # 噪声标准差相对信号幅值的比例 parallel=True # 多核并行，长信号必开 ) imfs = ceemdan(signal) # 返回形状 (n_imfs, N) residue = ceemdan.get_imfs_and_residue()[1] print("IMF 层数:", imfs.shape[0])

逻辑说明：trials控制加噪集成的次数，直接决定分解结果的稳定性和耗时；epsilon是每阶加入噪声的幅度系数，太小起不到铺匀极值点的作用，太大则引入额外噪声。parallel=True在 PyEMD 里走多进程，信号超过几万点时不开会明显卡。分解完成后，imfs每一行是一个 IMF，从高频到低频排列，最后加residue才是完整重构。

参数上我一般这样定：采样率 1～5 kHz 的振动信号，trials取 30，epsilon取 0.005；如果信号本身信噪比极低（噪声幅度接近甚至超过信号），epsilon可以提到 0.01～0.02，但集成次数要相应加到 50 以上，否则残余噪声会渗进低频 IMF。判断分解是否合理，看 IMF1 的频率是不是接近信号最高频成分，以及各 IMF 的过零点数是否随阶数单调下降——如果出现反复，说明trials不够或者信号里有强间断。

2.3 哪些 IMF 该进小波包，哪些直接扔

分解完不是所有 IMF 都要处理。高频 IMF（通常是前 1～3 层）集中了大部分噪声，但同时也可能包含冲击特征；低频 IMF 基本是趋势项，噪声很少。我的做法是算每个 IMF 与原始信号的相关系数，再结合其能量占比：相关系数低且能量占比小的 IMF 判为纯噪声，直接置零；相关系数中等、能量占比可观的 IMF 送进小波包做阈值降噪；相关系数高、频率低的 IMF 保留原样。这一步没有绝对公式，但用相关系数加能量占比双指标，比单纯看频率或者凭感觉挑层数靠谱得多。

3. 小波包阈值降噪：比小波变换多切一刀在哪

3.1 小波包为什么适合处理 CEEMDAN 挑出来的分量

普通小波变换只对低频部分继续分解，高频部分不再细分，所以对高频段的分辨率有限。小波包对低频和高频都做递归分解，频带划分更均匀。CEEMDAN 挑出来的含噪 IMF 往往噪声和有用成分在频带上挨得很近，普通小波阈值一刀切容易误伤，小波包能把高频段再切成更细的子带，分别设阈值，保留有用高频细节的同时压掉噪声。

选小波基时，振动和冲击类信号常用db4或sym8，前者支撑短、计算快，后者对称性好、重构失真小。分解层数按采样率和目标频带定：采样率 2 kHz、关心 0～500 Hz 的话，做 4～5 层分解，最底层子带带宽约 30～60 Hz，足够区分噪声和特征。阈值规则用软阈值比硬阈值平滑，虽然会轻微压缩幅值，但不会在重构信号里留下硬阈值那种振铃。

3.2 小波包降噪的可抄代码

import pywt import numpy as np def wp_denoise(imf, wavelet='db4', level=4, threshold_mode='soft'): # 小波包分解 wp = pywt.WaveletPacket(data=imf, wavelet=wavelet, mode='symmetric', maxlevel=level) nodes = [node.path for node in wp.get_level(level, order='freq')] # 用第一层细节系数的 MAD 估计噪声标准差 sigma = np.median(np.abs(imf - np.median(imf))) / 0.6745 # 通用阈值，可乘系数微调 thr = sigma * np.sqrt(2 * np.log(len(imf))) for path in nodes: node = wp[path] coeffs = node.data # 软阈值收缩 coeffs = pywt.threshold(coeffs, thr, mode=threshold_mode) node.data = coeffs # 重构 rec = wp.reconstruct(update=False) return rec[:len(imf)]

逻辑说明：pywt.WaveletPacket建树后，get_level(level, order='freq')按频率顺序取底层节点，保证阈值处理时频带对应关系不乱。噪声标准差用 MAD 估计，比直接算标准差抗冲击干扰。阈值thr是通用阈值公式，实际用的时候可以乘 0.5～1.5 的系数：系数偏小保留更多细节但噪声残留多，偏大则削得狠。软阈值mode='soft'对幅值有压缩，如果后续要做幅值定量分析，可以改用mode='garrote'折中。

参数上，wavelet选db4起步，信号平滑度高的可以试sym8；level一般 3～5，层数太多底层子带样本太少，阈值估计不稳。mode='symmetric'是边界延拓方式，避免重构时两端出现突变，实测信号两端本来就不完整，用对称延拓比零填充自然。

3.3 重构与验证：怎么确认降噪没把信号削坏

把所有处理过的 IMF 和保留的 IMF 按行相加，再加上 residue，得到降噪后的信号。验证不能只看波形好不好看，要算两个指标：一是降噪前后信噪比变化，用一段已知纯净信号加噪做仿真可以量化；二是看特征频率处的幅值保持率，比如轴承故障特征频率，降噪后该频率的包络谱峰值不应下降超过 10%～15%。如果峰值掉太多，说明阈值偏大或者小波包层数太深，把特征当噪声削了。我一般会画降噪前后的包络谱对比，肉眼确认特征频率还在，再决定是否微调阈值系数。

4. 避坑与排查：CEEMDAN 加小波包最容易翻车的五个地方

4.1 现象：分解出来的 IMF 层数每次都不一样

原因：CEEMDAN 内部有随机加噪，trials不够时每次运行结果有差异，导致后续挑 IMF 的逻辑不稳定。解决：固定随机种子（PyEMD 支持传入seed），并把trials提到 30 以上；如果还飘，检查信号长度是不是太短，短信号极值点少，分解本身就不稳，建议先做分段或补零到至少 1024 点。

4.2 现象：降噪后信号整体幅值明显变小

原因：软阈值对所有小波包系数做收缩，有用成分的低幅值细节也被压了。解决：把阈值系数从 1.0 降到 0.5～0.7，或者只对高频子带做阈值，低频子带保留原系数；也可以改用garrote阈值，它对大幅值系数几乎不压缩。

4.3 现象：重构信号两端出现明显畸变

原因：小波包分解时的边界延拓方式和小波基支撑长度不匹配，信号两端缺乏足够样本。解决：把mode从zero改成symmetric或periodization；如果信号本身很短，先做端点延拓再分解，重构后截掉延拓部分。

4.4 现象：处理一段 10 万点信号跑了十几分钟

原因：CEEMDAN 的trials大且没开并行，小波包又对每个 IMF 单独建树。解决：CEEMDAN 开parallel=True；小波包处理前把纯噪声 IMF 直接置零跳过，只对 2～3 个含噪 IMF 做小波包；信号太长时先分帧，每帧独立处理再拼接，注意帧间重叠 10%～20% 避免拼接处突变。

4.5 现象：仿真数据效果很好，实测数据一塌糊涂

原因：仿真噪声通常是高斯白噪声，实测噪声有色、有冲击、非平稳，CEEMDAN 的噪声假设不成立。解决：分解前先做一次简单的预滤波（比如去掉工频干扰），或者把epsilon调大让 CEEMDAN 对非高斯噪声更鲁棒；小波包阈值改用基于子带噪声估计的自适应阈值，而不是全局通用阈值。

5. 进阶技巧：用子带信噪比自适应选阈值，少调一半参数

前面用的通用阈值sigma * sqrt(2 * ln(N))是全局的，对所有子带一视同仁。实际信号里各子带噪声水平不一样，全局阈值要么在高噪子带留噪声，要么在低噪子带削信号。我后来改成按子带估计噪声：对每个小波包底层节点，用该节点系数的 MAD 算局部sigma，再算局部阈值。这样高频高噪子带阈值自动变大，低频低噪子带阈值自动变小，省掉了手动调阈值系数的反复试错。

def wp_denoise_adaptive(imf, wavelet='db4', level=4): wp = pywt.WaveletPacket(data=imf, wavelet=wavelet, mode='symmetric', maxlevel=level) nodes = [node.path for node in wp.get_level(level, order='freq')] for path in nodes: node = wp[path] coeffs = node.data # 子带局部噪声估计 local_sigma = np.median(np.abs(coeffs - np.median(coeffs))) / 0.6745 local_thr = local_sigma * np.sqrt(2 * np.log(len(coeffs))) node.data = pywt.threshold(coeffs, local_thr, mode='soft') rec = wp.reconstruct(update=False) return rec[:len(imf)]

这段和 3.2 的区别就在local_sigma是按节点算的，不是全局一个值。代价是每个子带都要算一次中位数，计算量略增，但省掉了调阈值系数的时间。实测在轴承振动数据上，自适应阈值比全局阈值在特征频率幅值保持率上高 8%～12%，噪声残余反而更少。

还有一个验证习惯：每次改完参数，不要只看一段数据的结果，至少拿 5～10 段不同工况的数据跑一遍，看降噪后特征频率幅值的均值和方差。如果某段数据结果突然变差，大概率是那段信号本身有异常（传感器松动、削顶、丢包），不是算法问题。这个习惯帮我省了很多次“改算法改到怀疑人生”的时间。CEEMDAN 加小波包这条路线参数不算少，但把分解稳定性、IMF 挑选逻辑、子带自适应阈值这三件事做扎实，剩下的就是工程耐心。希望帮到你。

本文还有配套的精品资源，点击获取