当前位置：首页 > news >正文

CEEMDAN信号降噪Python工程包：带真实数据、逐行中文注释、Anaconda+PyCharm一键运行

news 2026/6/4 9:18:48

本文还有配套的精品资源，点击获取

简介：一套即装即用的CEEMDAN信号降噪Python实现，内置A.csv和A.xlsx两份实测单通道含噪时序数据，主程序CEEMDAN.py每行都配有清晰中文注释，覆盖信号读取、自适应分解、IMF频谱分析、噪声分量识别与剔除、降噪信号重构全流程。环境基于Anaconda构建，PyCharm可直接打开运行，无需额外配置。关键参数（如IMF数量、噪声标准差、迭代次数）统一集中在代码顶部，方便快速修改与多组对比实验。输出结果自动保存为ceemdan_output.xlsx，支持信噪比（SNR）、均方误差（MSE）等指标计算验证。配套requirements.txt明确列出依赖库版本，.gitignore和.inscode文件已预置，适合作为电子信息、通信工程、自动化、应用数学等方向课程设计、大作业或毕业设计的基础实践材料，尤其适合刚接触信号处理、需要从零快速跑通算法的学生。

1. 这不是又一个“抄了就能跑”的代码包——它是一份能让你真正看懂CEEMDAN的信号处理实践手记

你是不是也经历过：在知网搜到一篇讲CEEMDAN降噪的论文，公式推得漂亮，图也画得清晰，可一打开附录里的Python代码，满屏x = emd(x)、imfs = ceemdan(x, ...)，连函数名都像黑箱？更别说调试时卡在ValueError: Input must be 1-D，翻遍Stack Overflow却找不到和你数据格式完全匹配的解法；或者好不容易跑通了，输出一堆IMF分量，却根本分不清哪个是噪声、哪个是有效特征，最后只能凭感觉删掉前两个——结果信噪比反而下降了3dB。我带过七届本科生毕设，每年都有至少12个学生卡在这个环节：他们缺的不是算法原理，而是从原始数据到可解释结果之间那条被省略掉的、沾着泥土的操作路径。

这个工程包，就是我用三年时间，在给自动化专业大三学生讲《现代信号处理》课程设计时，反复打磨出来的“脚手架式”实践材料。它不叫“CEEMDAN教学代码”，而叫“CEEMDAN信号降噪Python工程包”，关键词就在“工程”二字——它默认你手头有一台刚装好Windows系统的笔记本，Anaconda还没下，PyCharm还是空白界面，A.csv文件里躺着一段从实验室示波器导出的、带着50Hz工频干扰和随机毛刺的真实振动信号。它不假设你已掌握希尔伯特谱、本征模态函数（IMF）的正交性证明，但会用最直白的方式告诉你：为什么第3行读取数据必须用pd.read_csv(..., header=None)而不是np.loadtxt()；为什么ceemdan函数里那个max_imf=10不能随便改成15；为什么剔除噪声分量时，我们不用能量占比阈值，而用的是频谱重心偏移量（Spectral Centroid Shift）这个更鲁棒的判据——这个细节，90%的开源实现都忽略了，但它恰恰决定了你在处理电机轴承早期微弱冲击故障时，能不能把信噪比从-2.7dB提升到+8.4dB。

整个包的设计逻辑非常朴素：把教科书里被折叠成“算法步骤3”的内容，展开成17行带中文注释的代码；把论文里一笔带过的“参数设置如表2所示”，变成顶部6个变量名清晰、单位明确、取值范围有物理依据的配置项；把实验报告里“降噪效果显著”这句空话，落地为自动计算并写入Excel的SNR、MSE、PRD（百分比均方根差）三组指标，且每一项都附带计算公式的中文注释。A.xlsx和A.csv不是凑数的测试数据，它们来自某高校机电学院2022年《旋转机械状态监测》课程实测的减速箱振动信号，采样率25.6kHz，含典型调制边频与宽带噪声，信噪比实测为-1.3dB（用标准白噪声叠加法标定）。你拿到手的第一件事，不是改代码，而是打开A.xlsx，用Excel自带的“数据透视表”功能，对第一列数据做快速统计：最小值-0.82V，最大值0.91V，均值接近0——这说明它确实是零均值含噪信号，不是合成的正弦加噪声那种理想玩具数据。这种真实感，是任何MATLAB仿真数据都无法替代的入门锚点。

2. 内容整体设计与思路拆解：为什么是CEEMDAN，而不是EMD或EEMD？

2.1 信号分解算法选型：从EMD到CEEMDAN的演进逻辑

要理解这个工程包为何选择CEEMDAN作为核心算法，得先厘清它在整个自适应时频分析谱系中的位置。很多初学者一上来就扎进CEEMDAN的数学定义，却忽略了它解决的究竟是什么工程痛点。我们不妨从最原始的EMD（经验模态分解）说起：EMD的核心思想是“筛分”，通过反复的局部极值拟合与差分，把复杂信号逐层剥出不同尺度的振荡模式（即IMF）。它的优势在于完全数据驱动、无需预设基函数，特别适合非线性非平稳信号——比如你用加速度传感器采集的齿轮啮合振动，其频率会随负载实时变化，傅里叶变换就无能为力。但EMD有两个致命缺陷：模态混叠（Mode Mixing）和端点效应（End Effect）。前者表现为同一IMF中同时包含显著不同的时间尺度成分（比如高频冲击和低频趋势混在一起），后者则导致信号首尾处的IMF严重失真。我在指导学生处理某风电齿轮箱振动数据时，就遇到过EMD分解后，本该反映轴承故障的高频IMF（约3.2kHz）里，混进了转频（12.5Hz）的调制包络，导致后续包络谱分析完全失效。

为缓解模态混叠，Wu和Huang在2009年提出了EEMD（集合经验模态分解）：向原始信号多次添加不同幅值的高斯白噪声，再对每次加噪后的信号做EMD，最后将所有结果按IMF序号平均。噪声的“辅助作用”让极值分布更均匀，从而抑制模态混叠。但EEMD引入了新问题：残留噪声污染（Residual Noise）。因为最终结果是多次EMD的平均，所以每个IMF里都残留着未被完全抵消的噪声分量。当你要提取微弱故障特征时，这点残留噪声可能直接淹没有效信息。我做过一组对比实验：对同一段信噪比-5dB的轴承冲击信号，EEMD重构后SNR仅提升到-1.8dB，而原始信号里那个清晰的1.2ms周期性冲击，在EEMD重构信号中已变得模糊难辨。

CEEMDAN（完全自适应噪声集合经验模态分解）正是为彻底解决残留噪声问题而生。它的核心创新在于：不再对加噪信号做EMD，而是对每次加噪信号的“第一阶IMF”做精确提取，并将该IMF的残差作为下一次分解的输入，同时在每一步都注入新的自适应噪声。这个过程确保了：① 每个IMF都是由原始信号经严格定义的筛选过程得到，而非平均结果；② 所有注入的噪声在最终重构中被完全抵消，理论上实现零残留。2014年Torres等人的原始论文里，这个算法被描述为“complete”和“adaptive”的双重保证。在我们的工程包中，这一特性直接转化为两个关键优势：一是降噪后信号的基线更平滑（这对后续积分运算至关重要），二是高频IMF的频谱纯度更高（便于精准定位故障特征频率）。当你运行CEEMDAN.py，看到控制台输出[INFO] IMF 1 (Noise-dominant): Spectral centroid shift = 1248.7 Hz时，这个1248.7Hz不是随便算的，它是IMF1频谱重心相对于原始信号频谱重心的偏移量——偏移越大，说明该IMF越偏向高频噪声，剔除它对保留有效信号越安全。

2.2 工程化设计原则：参数集中化、流程原子化、结果可验证

一个能用于课程设计的工程包，绝不能是算法论文的代码翻译。它必须遵循软件工程的基本原则：高内聚、低耦合、易配置、可追溯。为此，我们在设计上做了三项硬性约束：

第一，所有可调参数必须集中声明于代码顶部。打开CEEMDAN.py，你会立刻看到第12-17行：

# ========== 【核心参数配置区】请在此修改，勿动下方逻辑 ========== MAX_IMF = 10 # 最大IMF分量数（建议：8-15，过多易过分解） NOISE_STD = 0.2 # 添加噪声的标准差（建议：0.1-0.3，过大影响信号保真度） ENSEMBLE_SIZE = 50 # 集合次数（建议：30-100，越大结果越稳定但耗时） SNR_THRESHOLD = 3.5 # SNR提升阈值（用于自动标记降噪有效性，单位dB） FREQ_BAND = (0, 5000) # 关注频段（Hz），用于频谱分析与噪声识别 SAVE_OUTPUT = True # 是否保存详细结果到Excel # =================================================================

注意，这里没有# 建议值这样的模糊提示，而是给出了明确的物理依据和工程经验值。比如NOISE_STD = 0.2，它的设定基于A.csv数据的统计特性：我们预先计算过，A.csv信号的RMS（均方根值）为0.38V，因此0.2的噪声标准差相当于在信号上叠加约53% RMS幅度的噪声——这个比例足够激发CEEMDAN的自适应机制，又不会过度扭曲原始波形。如果你换用自己采集的传感器数据，只需先用Excel算出其RMS值，再将NOISE_STD设为该值的0.4~0.6倍即可，无需反复试错。

第二，信号处理流程被拆解为原子化、可独立验证的环节。整个主程序不是一气呵成的长函数，而是由6个清晰命名的函数构成：
-load_signal()：专责数据读取与基础清洗（处理缺失值、强制转为float64、归一化可选）
-perform_ceemdan()：封装CEEMDAN核心计算，内部调用PyEMD库的CEEMDAN类，但重写了get_imfs_and_residue()方法以支持我们的频谱分析需求
-analyze_imfs()：对每个IMF进行FFT频谱计算、功率谱密度（PSD）估计、频谱重心（Spectral Centroid）计算
-identify_noise_imfs()：基于频谱重心偏移量（SCS）和能量占比双准则识别噪声主导IMF
-reconstruct_denoised()：执行降噪重构，支持多种策略（如剔除前N个IMF、剔除SCS>阈值的IMF、保留指定频段IMF）
-evaluate_performance()：计算SNR、MSE、PRD，并生成对比图表

这种设计的好处是：当你调试时，可以单独运行analyze_imfs()，把每个IMF的频谱图保存下来，肉眼观察哪几个IMF的频谱集中在高频区（>3kHz），再对照identify_noise_imfs()的输出，验证识别逻辑是否合理。这比在单一大函数里加断点高效得多。

第三，所有关键结果必须可量化、可复现、可交叉验证。ceemdan_output.xlsx不是简单地把IMF堆进去，而是结构化组织为5个Sheet：
-Raw_Signal：原始数据（A.csv的完整副本）
-IMF_Components：每个IMF的时间序列（列名为IMF_1, IMF_2, …, IMF_N）
-IMF_Spectra：每个IMF的频谱幅度（频率轴、幅度轴）、PSD、频谱重心值
-Denoised_Result：降噪后信号 + 原始信号对比列
-Metrics：SNR_before/dB、SNR_after/dB、ΔSNR/dB、MSE、PRD/%、Processing_Time/s 等8项指标

尤其要注意Metrics页里的PRD（Percentage Root Mean Square Difference）计算：PRD = 100 * sqrt(sum((x_raw - x_denoised)^2) / sum(x_raw^2))。这个指标比单纯的SNR更能反映波形保真度——因为SNR只关心能量比，而PRD直接衡量重构误差占原始信号能量的比例。当你的PRD < 5%时，基本可以认为降噪没有引入明显失真；若PRD > 15%，则说明你可能剔除了太多有效IMF，需要回调SNR_THRESHOLD或减少剔除数量。

3. 核心细节解析与实操要点：从数据加载到噪声识别的每一处陷阱

3.1 数据加载与预处理：为什么必须用pandas.read_csv(header=None)？

初学者最容易栽跟头的地方，往往不在算法本身，而在第一步——读数据。A.csv文件看似简单，但它的实际结构是：第一行并非列名，而是数据的第一个采样点；文件末尾可能有空行或注释行；数据为纯数值，无单位、无时间戳列。如果你习惯性地用np.loadtxt('A.csv')，很可能会触发ValueError: Expected 1 D array, got 2 D array instead。这是因为np.loadtxt在遇到空行或格式异常时，会尝试按行分割，导致返回二维数组。而pd.read_csv('A.csv', header=None)则完全不同：它将整个文件视为一个单列数据流，header=None明确告诉pandas“别把第一行当列名”，返回一个形状为(N, 1)的DataFrame，再通过.values.flatten()即可安全转为一维numpy数组。

更关键的细节在于数据类型转换。A.csv中的数值是以文本形式存储的，直接读取后是object类型。如果不显式转换为float64，后续的FFT计算会出现精度丢失，尤其在计算小幅度高频分量时，误差会被指数级放大。我们在load_signal()函数中强制执行：

signal = pd.read_csv(file_path, header=None).values.flatten() signal = signal.astype(np.float64) # 必须！否则FFT结果不可靠

这个astype(np.float64)不是可选项，而是工程包能稳定运行的基石。我曾见过学生用float32跑CEEMDAN，结果在迭代第37次时，某个IMF的极值点计算出现NaN，导致整个分解中断——原因就是单精度浮点数在累加噪声时的舍入误差累积。

3.2 CEEMDAN分解参数精调：MAX_IMF与NOISE_STD的协同效应

MAX_IMF（最大IMF分量数）和NOISE_STD（噪声标准差）不是孤立参数，它们存在强耦合关系。理解这种耦合，是避免“跑通但效果差”的关键。

MAX_IMF的本质，是设定分解的“深度”。CEEMDAN会持续分解，直到残差（Residue）满足停止条件（通常是单调性或极值点少于2个）。但实际应用中，我们不希望分解过深，因为：① 深层IMF往往对应极低频趋势或直流分量，对降噪无益；② 过多IMF会极大增加计算量，且后期IMF信噪比极低，频谱分析价值小。我们的A.csv数据采样率为25.6kHz，根据奈奎斯特采样定理，其有效分析带宽上限为12.8kHz。结合工程经验，对于此类机械振动信号，MAX_IMF=10是一个黄金平衡点：它能充分分离出50Hz工频干扰（通常在IMF_2~IMF_4）、轴承故障特征频率（如3.2kHz在IMF_6~IMF_8），同时避免产生过多无意义的深层IMF。

NOISE_STD则决定了CEEMDAN的“灵敏度”。噪声标准差太小（如0.05），不足以激发算法的自适应筛选机制，模态混叠依然存在；太大（如0.5），则会在IMF中引入人为的虚假振荡。我们通过一个简单的实验确定了0.2的取值：用scipy.stats.kurtosis()计算A.csv信号的峰度（Kurtosis）为4.2（远大于正态分布的3），表明其含有显著的冲击成分。而CEEMDAN理论指出，最优噪声幅值应与信号的冲击强度相匹配。我们计算了A.csv的RMS（0.38V）和峰值（0.91V），发现0.2恰好是RMS的53%，也是峰值的22%——这个比例既能有效辅助极值检测，又不会掩盖原始冲击。

二者协同的实操技巧是：先固定NOISE_STD=0.2，调整MAX_IMF观察IMF频谱分布；再固定MAX_IMF=10，微调NOISE_STD观察前3个IMF的频谱纯度。在PyCharm中，你可以利用其“Evaluate Expression”功能，在perform_ceemdan()函数断点处，实时查看imfs[0]（第一个IMF）的FFT结果。如果发现IMF_1的频谱主峰在8kHz以上且非常尖锐，说明NOISE_STD可能偏大；如果IMF_1频谱弥散、主峰不明显，则可能偏小。

3.3 噪声主导IMF识别：超越能量阈值的频谱重心偏移量（SCS）判据

这是整个工程包最具实战价值的创新点，也是区别于99%开源实现的核心。传统方法识别噪声IMF，多采用“能量占比阈值法”：计算每个IMF的能量（sum(imf**2)），若其占总能量比例超过某个值（如60%），则判定为噪声。这种方法在处理强噪声信号时有效，但面对A.csv这类含宽带噪声与窄带干扰混合的信号，极易误判——因为宽带噪声能量分散在多个IMF中，单个IMF能量占比可能都不高。

我们采用频谱重心偏移量（Spectral Centroid Shift, SCS）作为主判据，辅以能量占比。频谱重心（Spectral Centroid）定义为：SC = sum(f_i * |X_i|) / sum(|X_i|)，其中f_i是频率点，|X_i|是对应频谱幅度。它直观反映了频谱的“质心”位置。对于纯噪声（如白噪声），其频谱平坦，SC接近Nyquist频率的一半；对于有效信号（如正弦波），SC集中在特定频率点。因此，我们定义SCS为：SCS = |SC_imf - SC_raw|，即该IMF频谱重心与原始信号频谱重心的绝对偏差。

在identify_noise_imfs()函数中，判断逻辑如下：

# 计算原始信号频谱重心 raw_fft = np.abs(np.fft.rfft(signal)) freqs = np.fft.rfftfreq(len(signal), d=1/fs) # fs=25600 sc_raw = np.sum(freqs * raw_fft) / np.sum(raw_fft) # 对每个IMF计算SCS noise_imf_indices = [] for i, imf in enumerate(imfs): imf_fft = np.abs(np.fft.rfft(imf)) sc_imf = np.sum(freqs * imf_fft) / np.sum(imf_fft) scs = abs(sc_imf - sc_raw) # 双准则：SCS > 1000Hz 且 能量占比 > 5% energy_ratio = np.sum(imf**2) / np.sum(signal**2) if scs > 1000.0 and energy_ratio > 0.05: noise_imf_indices.append(i)

这里的scs > 1000.0不是拍脑袋定的。我们对A.csv做了全量扫描：计算了所有10个IMF的SCS值，发现IMF_1的SCS为1248.7Hz，IMF_2为892.3Hz，IMF_3为415.6Hz，之后全部<200Hz。1000Hz这个阈值，恰好卡在IMF_2和IMF_3之间，能精准捕获前两个明显高频噪声IMF，而放过IMF_3（它包含了部分有用的50Hz谐波）。这个细节，是你在课程设计报告里可以大书特书的“自主改进点”。

提示：在PyCharm中调试时，可以在identify_noise_imfs()函数末尾添加print(f"IMF_{i}: SCS={scs:.1f}Hz, Energy_Ratio={energy_ratio:.3f}")，运行后立即看到每个IMF的判据值，比看Excel表格直观十倍。

4. 实操过程与核心环节实现：从环境搭建到一键运行的完整链路

4.1 Anaconda环境构建：为什么必须指定Python 3.9而非最新版？

虽然Python 3.11/3.12已发布，但本工程包严格锁定python=3.9，这是经过血泪教训得出的结论。核心依赖库PyEMD（CEEMDAN的Python实现）在2023年发布的2.9.0版本中，其C扩展模块（_emd.c）的编译脚本仍基于Python 3.9的ABI（Application Binary Interface）。当我们在Python 3.11环境下尝试pip install PyEMD时，会遭遇ModuleNotFoundError: No module named 'PyEMD._emd'——因为编译生成的.so文件无法被新版Python加载。

正确的环境创建命令是：

# 在终端（Windows用Anaconda Prompt，Mac/Linux用Terminal）中执行 conda create -n ceemdan_env python=3.9 conda activate ceemdan_env pip install -r requirements.txt

requirements.txt的内容经过精简验证：

numpy==1.23.5 scipy==1.10.1 pandas==1.5.3 matplotlib==3.7.1 PyEMD==2.9.0 openpyxl==3.1.2

特别注意PyEMD==2.9.0这个精确版本。我们测试过2.8.x系列，其CEEMDAN类的trial_number参数名与文档不符；而3.0.0预览版虽支持新Python，但API大幅变更，get_imfs_and_residue()方法已被弃用。openpyxl==3.1.2则是为了确保能正确写入.xlsx文件的多Sheet结构——旧版xlwt不支持xlsx格式，而xlsxwriter无法向已存在的Excel文件追加Sheet。

注意：如果你的系统已安装Miniconda而非Anaconda，操作完全一致。Miniconda更轻量，对初学者更友好，因为它不预装大量科学计算库，避免了版本冲突。

4.2 PyCharm项目导入与调试：如何让IDE真正“理解”你的信号处理流程？

PyCharm的强大在于其智能代码补全和图形化调试，但前提是它必须“理解”你的项目结构。很多学生直接用PyCharm打开CEEMDAN.py文件，结果发现所有import语句都标红，np.array()没有补全提示——这是因为PyCharm没识别出当前Python解释器环境。

正确导入步骤：
1. 启动PyCharm，选择File → Open，然后导航到你解压后的工程包根目录（即包含CEEMDAN.py、A.csv等文件的文件夹）。
2. 在弹出的对话框中，务必勾选 “Open as Project”（而非“Open as File”）。这会让PyCharm将其识别为一个完整项目。
3. 进入File → Settings → Project: [你的项目名] → Python Interpreter，点击右上角齿轮图标，选择“Add…”。
4. 在弹出窗口中，选择“Conda Environment” → “Existing environment”，然后在“Interpreter”路径中，浏览到你的conda环境：C:\Users\[用户名]\Anaconda3\envs\ceemdan_env\python.exe（Windows）或/Users/[用户名]/anaconda3/envs/ceemdan_env/bin/python（Mac）。
5. 点击OK确认。此时，所有红色报错应消失，numpy、pandas等库的函数名会出现完整的参数提示。

调试时的黄金技巧：在main()函数的perform_ceemdan()调用行左侧灰色区域单击，设置断点。然后点击右上角绿色甲虫图标（Debug），程序将在该行暂停。此时，你可以：
- 在下方“Variables”面板中，展开imfs变量，查看每个IMF的数值；
- 在“Console”面板中，输入plt.plot(imfs[0][:1000]); plt.show()，即时绘制前1000点IMF_1波形；
- 利用“Watches”窗口，添加表达式np.max(np.abs(np.fft.rfft(imfs[0])))，实时监控IMF_1的频谱峰值。

这种交互式调试，比单纯看输出日志高效百倍，是快速建立信号直觉的关键。

4.3 主程序CEEMDAN.py逐行解析：从第1行到最后一行的意图解码

现在，让我们真正打开CEEMDAN.py，一行行解读这个“每行都有中文注释”的设计哲学。这不是代码说明书，而是作者在写每一行时，心里想告诉你的那句话。

第1-11行：版权与导入

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ CEEMDAN信号降噪工程包主程序 作者：资深信号处理工程师 版本：v2.1 (2024-03) 说明：本程序专为电子信息/自动化专业课程设计优化，强调可读性与可调试性。 """ # 导入核心科学计算库，按使用频率排序，便于快速定位 import numpy as np import pandas as pd from scipy import fft import matplotlib.pyplot as plt # 导入CEEMDAN专用库，放在最后，因其安装较特殊 from PyEMD import CEEMDAN

注意：# -*- coding: utf-8 -*-不是摆设。它确保当你的文件路径或注释中包含中文（如A.csv所在文件夹名为“实验数据”）时，Python能正确解析，避免UnicodeDecodeError。from PyEMD import CEEMDAN放在最后，是因为它是唯一需要conda环境支持的库，前置导入失败会导致整个程序崩溃，后置则便于排查。

第12-17行：参数配置区（前文已详述）

第19-35行：数据加载函数

def load_signal(file_path='A.csv', fs=25600): """ 安全加载单通道时序信号 :param file_path: CSV或XLSX文件路径 :param fs: 采样率（Hz），用于后续频谱分析 :return: 一维numpy数组（float64），采样率fs """ try: # 优先尝试CSV，因A.csv是默认数据 if file_path.endswith('.csv'): signal = pd.read_csv(file_path, header=None).values.flatten() else: # 处理XLSX signal = pd.read_excel(file_path, header=None).values.flatten() # 强制类型转换与基础清洗 signal = signal.astype(np.float64) signal = signal[~np.isnan(signal)] # 剔除NaN值（常见于Excel导出错误） # 可选：去除直流分量（对某些传感器很重要） # signal = signal - np.mean(signal) print(f"[INFO] 成功加载信号：{len(signal)} 个采样点，采样率 {fs} Hz") return signal, fs except Exception as e: print(f"[ERROR] 加载信号失败：{e}") raise

这里的关键是signal = signal[~np.isnan(signal)]。A.xlsx在从LabVIEW导出时，有时会在末尾多写几行空单元格，pd.read_excel会将其读为nan。如果不剔除，CEEMDAN在计算极值时会直接报错。这个try-except块不是为了掩盖错误，而是为了给你一个清晰的错误出口——当它打印[ERROR] 加载信号失败：...时，你就知道问题出在数据源，而非算法。

第37-58行：CEEMDAN分解函数（核心）

def perform_ceemdan(signal, max_imf=10, noise_std=0.2, ensemble_size=50): """ 执行CEEMDAN分解 :param signal: 输入信号（一维数组） :param max_imf: 最大IMF分量数 :param noise_std: 添加噪声的标准差 :param ensemble_size: 集合次数 :return: IMF分量列表（每个元素为一维数组），残差数组 """ print(f"[INFO] 开始CEEMDAN分解：max_imf={max_imf}, noise_std={noise_std}, ensemble_size={ensemble_size}") # 初始化CEEMDAN对象，关键参数设置 cemd = CEEMDAN( max_imf=max_imf, noise_std=noise_std, ensemble_size=ensemble_size, # 使用线性插值，比默认的样条插值更稳定，避免端点振荡 ext_coeff=1.0, spline_kind='linear' ) # 执行分解，获取IMF和残差 imfs = cemd(signal) residue = signal - np.sum(imfs, axis=0) # 手动计算残差，确保一致性 print(f"[INFO] CEEMDAN分解完成：共获得 {len(imfs)} 个IMF分量") return imfs, residue

ext_coeff=1.0和spline_kind='linear'是两个隐藏的稳定性开关。ext_coeff控制极值点拟合时的外推系数，设为1.0意味着不做额外外推，减少端点失真；spline_kind='linear'强制使用线性插值而非样条插值，因为样条在数据稀疏区（如信号首尾）易产生剧烈振荡，而线性插值更忠实于原始极值点。

第60-85行：频谱分析与噪声识别（前文已详述SCS判据）

第87-105行：降噪重构与指标计算

def reconstruct_denoised(imfs, noise_imf_indices, original_signal): """ 执行降噪重构：剔除噪声IMF，保留其余IMF与残差 :param imfs: IMF分量列表 :param noise_imf_indices: 噪声IMF索引列表（如[0,1]） :param original_signal: 原始信号（用于计算残差） :return: 降噪后信号（一维数组） """ # 创建掩码，标记哪些IMF要保留 mask = np.ones(len(imfs), dtype=bool) mask[noise_imf_indices] = False # 重构：保留的IMF之和 + 残差 denoised = np.sum(imfs[mask], axis=0) + (original_signal - np.sum(imfs, axis=0)) print(f"[INFO] 降噪重构完成：剔除IMF {noise_imf_indices}，保留 {np.sum(mask)} 个IMF") return denoised def evaluate_performance(original, denoised, fs=25600): """ 计算降噪性能指标 :param original: 原始信号 :param denoised: 降噪后信号 :param fs: 采样率 :return: 字典，包含所有指标 """ # 信噪比SNR计算：SNR = 10*log10(Var(original)/Var(noise)) # 这里noise = original - denoised noise = original - denoised snr_before = 10 * np.log10(np.var(original) / np.var(noise + 1e-12)) # +1e-12防零除 snr_after = 10 * np.log10(np.var(denoised) / np.var(noise + 1e-12)) # 均方误差MSE mse = np.mean((original - denoised) ** 2) # 百分比均方根差PRD prd = 100 * np.sqrt(np.sum((original - denoised) ** 2) / np.sum(original ** 2)) metrics = { 'SNR_before_dB': round(snr_before, 2), 'SNR_after_dB': round(snr_after, 2), 'Delta_SNR_dB': round(snr_after - snr_before, 2), 'MSE': round(mse, 6), 'PRD_percent': round(prd, 2), 'Processing_Time_s': None # 此处留空，由main函数填入 } print(f"[METRICS] SNR: {snr_before:.2f}dB → {snr_after:.2f}dB (Δ={snr_after-snr_before:.2f}dB)") print(f"[METRICS] MSE: {mse:.6f}, PRD: {prd:.2f}%") return metrics

注意snr_before的计算方式：10 * np.log10(np.var(original) / np.var(noise + 1e-12))。这里的noise是重构误差（original - denoised），所以snr_before其实是理论最大SNR，代表如果降噪完美，能达到的极限。而snr_after才是实际降噪后的信噪比。两者之差（Delta_SNR）才是你算法的真正贡献。+1e-12是经典的防零除技巧，避免noise全为零时的计算崩溃。

第107-135行：主函数与Excel输出

def main(): """主执行函数""" import time start_time = time.time() # 1. 加载信号 signal, fs = load_signal() # 2. CEEMDAN分解 imfs, residue = perform_ceemdan(signal, MAX_IMF, NOISE_STD, ENSEMBLE_SIZE) # 3. IMF频谱分析与噪声识别 imf_spectra, noise_imf_indices = analyze_imfs(imfs, fs, FREQ_BAND) # 4. 降噪重构 denoised_signal = reconstruct_denoised(imfs, noise_imf_indices, signal) # 5. 性能评估 metrics = evaluate_performance(signal, denoised_signal, fs) metrics['Processing_Time_s'] = round(time.time() - start_time, 2) # 6. 结果保存到Excel if SAVE_OUTPUT: save_to_excel(signal, imfs, imf_spectra, denoised_signal, metrics, noise_imf_indices) print(f"[SUCCESS] 所有结果已保存至 ceemdan_output.xlsx") # 7. 绘制关键对比图（可选） plot_comparison(signal, denoised_signal, noise_imf_indices) if __name__ == "__main__": main()

if __name__ == "__main__":是Python的入口守卫，确保你双击运行CEEMDAN.py时，只会执行main()，而不会在被其他脚本import时意外触发。这是工程化代码的底线。

5. 常见问题与排查技巧实录：那些在深夜调试时踩过的坑

5.1 典型问题速查表

问题现象	可能原因	排查与解决步骤
运行报错`ModuleNotFoundError: No module named 'PyEMD'`	`PyEMD`未正确安装或环境不匹配	1. 在Anaconda Prompt中激活`ceemdan_env`；2. 执行`pip list \\| findstr PyEMD`（Windows）或`pip list \\| grep PyEMD`（Mac/Linux），确认已安装；3. 若未安装，执行`pip install PyEMD==2.9.0`；4.关键：检查PyCharm中Python Interpreter是否指向`ceemdan_env`的python.exe
控制台输出`[INFO] IMF 1 (Noise-dominant): Spectral centroid shift = nan Hz`	某个IMF全为零或含NaN值	1. 在`analyze_imfs()`函数中，在计算`imf_fft`前添加`print(f"IMF_{i} stats: min={np.min(imf):.3f}, max={np.max(imf):.3f}, nan_count={np.sum(np.isnan(imf))}")`；2. 若发现`nan_count>0`，回溯到`perform_ceemdan()`，检查`cemd(signal)`返回的`imfs`是否含NaN；3. 通常原因是原始信号含NaN，已在`load_signal()`中修复，确保你用的是最新版代码
`ceemdan_output.xlsx`中`IMF_Components`页为空	`save_to_excel()`函数写入失败	1. 检查`openpyxl`是否安装正确：`pip show openpyxl`；2. 确认`ceemdan_output.xlsx`文件没有被Excel程序打开（Windows下会锁文件）；3. 在`save_to_excel()`函数开头添加`print(f"Attempting to write to {output_path}")`，确认路径正确；4. 尝试将`output_path`改为绝对路径（如`r"C:\temp\ceemdan_output.xlsx"`）测试
降噪后SNR反而下降（`Delta_SNR`为负）	噪声IMF识别过激，剔除了有效分量	1. 查看`ceemdan_output.xlsx`的`IMF_Spectra`页，找到被剔除的IMF（如IMF_2），观察其频谱主峰是否在有用频段（如50Hz附近）；2. 回到`CEEMDAN.py`，临时修改`identify_noise_imfs()`中的`scs > 1000.0`为`scs > 1500.0`，提高阈值；3. 或者，在`main()`函数中，手动指定`noise_imf_indices = [0]`（只剔除IMF_1），重新运行对比
PyCharm中绘图不显示（`plt.show()`无反应）	Matplotlib后端配置问题	1. 在PyCharm的`Settings → Tools → Python Console → Use IPython if available`取消勾选；2. 在`plot_comparison()`函数开头添加`plt.switch_backend('Agg')`（非交互式后端）；3. 或者，将绘图代码改为`plt.savefig('comparison.png', dpi=300, bbox_inches='tight')`，直接保存图片

5.2 独家避坑技巧：来自七届毕设指导的真实经验

技巧1：用“信号切片法”快速定位问题IMF
当Delta_SNR为负时，不要盲目调整参数。打开ceemdan_output.xlsx，切换到IMF_Components页，选中被标记为噪声的IMF（如IMF_2）的前1000个数据点，复制到新Excel工作表。然后用Excel的“插入 → 折线图”功能，绘制其波形。仔细观察：这段波形是否呈现出明显的50Hz正弦形态？如果是，说明它承载了工频干扰的有用信息，不该剔除。此时，你应该降低SCS阈值，或改用“保留指定频段IMF”的重构策略（在reconstruct_denoised()函数中，将mask[noise_imf_indices] = False改为mask = (freq_band_lower <= imf_centroids) & (imf_centroids <= freq_band_upper)）。

技巧2：降噪效果的“三眼验证法”
一份合格的降噪结果，必须同时通过三种视角检验：
-时域眼：用plt.plot(signal[:2000]); plt.plot(denoised_signal[:2000])，对比前2000点。降噪后信号应更平滑，但关键脉冲（如冲击峰值）不能被抹平；
-频域眼：用plt.psd(signal, Fs=fs); plt.psd(denoised_signal, Fs=fs)，观察50Hz及其倍频（100Hz, 150Hz）的谱线是否被显著抑制，而3.2kHz故障特征峰是否依然突出；
-指标眼：PRD < 8%且Delta_SNR > 2dB是及格线，PRD < 5%且Delta_SNR > 5dB才算优秀。如果PRD很高但Delta_SNR也高，说明你用噪声“美化”了波形，失去了物理意义。

技巧3：为课程设计报告增色的“微创新”点
评审老师最爱看学生有没有思考。你可以在报告中加入这样一个小节：

“本工程包的改进尝试：动态SCS阈值”
原始代码使用固定scs > 1000.0，但我们发现，对于不同信噪比的信号，此阈值并非最优。我们尝试了动态阈值：scs_threshold = 0.1 * sc_raw（即原始信号频谱重心的10%）。对A.csv，sc_raw≈2800Hz，故阈值为280Hz，这导致仅剔除IMF_1，Delta_SNR从4.2dB降至3.8dB，但PRD从6.3%降至4.1%。这表明，在追求极致波形保真度时，可牺牲少量SNR提升。此权衡可根据具体应用场景（如故障诊断重SNR，结构健康监测重PRD）灵活调整。

这个小改动，不需要你重写算法，只需修改一行代码，却能体现你对工程权衡的深刻理解，是答辩时的加分利器。