EMD分解与样本熵：振动信号故障特征提取原理、代码与避坑实战

做旋转机械状态监测的人，对振动信号肯定都不陌生。之前我一直在用RMS、峭度这些时域指标盯着设备状态，直到有一次项目里遇到一台轴承故障早期但峭度变化不明显的案例，才意识到传统特征在非平稳信号面前有多迟钝。后来把经验模态分解（EMD）和样本熵结合起来做特征提取，才算真正把振动信号里藏着的故障信息挖了出来。

EMD能把一段复杂的非平稳信号自适应分解成若干个本征模态函数（IMF），相当于把混在一起的振动成分按频率尺度逐层拆开；样本熵则用来量化每个IMF的不规则程度，把"信号看着乱不乱"变成一个可比较的数字。这套组合在故障诊断领域很常见，但真正落地时会踩不少坑——端点效应、模态混叠、参数怎么选、IMF怎么筛，这些细节没人给你讲透。这篇就围绕"EMD分解+样本熵特征提取"这条主线，把原理、代码、实操经验和避坑策略一次性讲清楚。

1. 为什么振动信号分析需要EMD这种自适应分解

1.1 时域统计特征与频域方法在非平稳信号面前的短板

很多人一开始做振动特征提取，都是从时域统计量入手的。均值、峰值、均方根值（RMS）、峰值因数、峭度、波形因数、脉冲指数这一套，计算简单、物理意义直观，在很多工业现场的在线监测系统里至今仍是主流。但这些特征有一个共同的隐含假设：信号在统计意义上是平稳的，或者至少在一个较长时间段内是近似稳定的。实际设备尤其是旋转机械，振动信号往往带有明显的非平稳特性——启动停机过程中的转速变化、变工况下的载荷波动、故障冲击引起的瞬态调制，都会让信号的统计特性随时间变化。

举个例子，一个正常的滚动轴承和一个有内圈剥落故障的轴承，在稳定工况下测得的RMS可能只差10%-20%，而峭度在故障早期可能还处于正常范围。因为早期故障产生的冲击能量微弱，被背景噪声和正常振动成分淹没，时域统计量根本分辨不出来。一位前辈跟我说过一句话，我记了很多年："时域特征是在跟信号的平均值较劲，而故障信息恰恰藏在不平均的地方。"

频域方法也不是万能的。FFT把整个时间段内的频率成分平均化，它回答的是"这段信号里有哪些频率分量、能量多大"，但对于"频率成分在时间上怎么变化"这个问题基本无能为力。包络谱分析虽然能通过希尔伯特变换提取调制成分，但需要先人工确定共振频带，而这个频带又随设备结构、轴承型号、转速变化，选不好就漏掉故障特征。小波变换解决了部分时频分析问题，但小波基函数的选择本身就是一个经验活，选错了基函数，分解结果直接偏掉。这就是EMD这类自适应分解方法的价值所在——它不需要预设基函数，完全根据信号自身的局部极值特性来分解，天然适配非平稳、非线性信号。

1.2 EMD+样本熵这套组合的价值逻辑

先想清楚一个问题：为什么要用EMD和样本熵绑在一起？单独用EMD，分解出来的IMF还是时间序列，没法直接作为分类器的输入；单独用样本熵，直接对原始信号算一个熵值，又等于把所有频率成分的复杂度混在一起，特征分辨率不够。把两者结合起来，逻辑就顺了：EMD负责把复杂信号按尺度拆开，让不同物理成分各归其位；样本熵负责对每个IMF做二次刻画，把"这段信号的复杂程度"量化为数值。这样得到的分量级特征，既保留了时频域信息，又具备统计学意义上的可比较性，作为机器学习分类器的输入非常合适。

样本熵本身也是一种复杂度度量，它衡量的是时间序列中出现新模式的可能性大小。信号越规律，熵值越小；信号越随机、越不规则，熵值越大。故障轴承的振动信号因为叠加了周期性冲击和调制成分，某些IMF的复杂度会明显区别于正常状态。我实测过一个内圈故障的样本，某些IMF的样本熵正常状态下在0.3左右，故障状态下能上升到0.6以上，这种区分度是RMS和峭度很难做到的。

顺带说一句，很多论文里还会把EMD和排列熵、模糊熵结合，但样本熵在工程中的性价比最高——它参数少（就两个），计算逻辑直观，对数据长度不敏感，而且对噪声有一定容忍度。尤其是和EMD配合时，每个IMF相对干净，样本熵的度量效果比直接用在原始混合信号上要好得多。这套组合适合谁用？只要是做振动信号故障诊断、状态识别、健康管理相关工作的工程师和研究生，都值得掌握。

2. 经验模态分解（EMD）的原理拆解与PyEMD实战

2.1 EMD到底在做什么：包络与筛分过程

EMD的核心思想可以概括为一句话：把一段复杂信号看成多个"快慢不同的振荡"叠加的结果，然后通过筛分过程，把这些振荡一层层剥出来。这里的每个振荡分量就是IMF，全称是Intrinsic Mode Function，本征模态函数。

筛分过程是这样的：先找到原始信号的所有局部极大值点和局部极小值点，用三次样条分别对极大值点和极小值点插值，得到上包络线和下包络线。然后计算上下包络线的均值，得到一条平均包络曲线m1(t)。用原始信号x(t)减去m1(t)，得到第一个分量h1(t)。理想情况下h1(t)就是一个IMF，但实际中一次减完往往不够，因为新得到的信号极值点分布可能还不符合IMF要求，所以要对h1(t)重复上述"找包络、算均值、相减"的过程，直到满足IMF的两个条件。这个过程叫筛分（sifting），我把第一次筛分得到的中间信号叫h11(t)、h12(t)……这样依次下去，直到满足条件，得到第一个IMF分量c1(t)。然后把原始信号减去c1(t)，得到残余信号r1(t)，对r1(t）继续做同样的筛分，得到c2(t)、c3(t)……直到残余信号变成一个单调函数或幅值足够小，整个分解就结束了。最终原始信号被表示为：x(t) = ΣIMF_i(t) + r_n(t)。

这个过程我常用"剥洋葱"类比——每一层筛分就相当于剥掉一层洋葱皮，从外到里，先剥出频率最高的振荡成分，再逐层剥出低频成分，最后剩下一个芯子（趋势项）。

2.2 IMF的判据和筛选停止条件

IMF必须满足两个条件：一是在整个数据段内，极值点数目与过零点数目相等或最多相差1个；二是在任意点上，由局部极大值确定的上包络线和