基于局部均值分解（LMD）的MATLAB信号分解程序实现

一、LMD分解核心代码

matlab 复制代码

function [PFs, residual] = myLMD(signal, maxIter, tol)
% 输入参数：
% signal: 输入信号 (1×N向量)
% maxIter: 最大分解次数 (默认50)
% tol: 停止阈值 (默认1e-6)
% 输出参数：
% PFs: 乘积函数分量矩阵 (N×k)
% residual: 残余信号

% 参数初始化
if nargin <3, tol=1e-6; end
if nargin <2, maxIter=50; end
N = length(signal);
PFs = [];
residual = signal(:)';

% 主循环分解
for iter=1:maxIter
    % 局部均值计算
    [m, e] = computeLocalMeanEnvelope(residual);
    
    % 调频信号提取
    h = residual - m;
    u = h ./ e;
    
    % 解调得到PF分量
    [pf, env] = demodulate(u);
    
    % 更新残差
    residual = residual - pf;
    
    % 存储PF分量
    PFs = [PFs, pf];
    
    % 终止条件判断
    if norm(residual) < tol || isMonotonic(residual)
        break;
    end
end

% 可视化分解结果
figure;
subplot(length(PFs)+1,1,1);
plot(signal);
title('原始信号');
for i=1:length(PFs)
    subplot(length(PFs)+1,i+1);
    plot(PFs(i,:));
    title(['PF',num2str(i)]);
end
subplot(length(PFs)+1,length(PFs)+1);
plot(residual);
title('残余信号');

end

%% 辅助函数定义
function [m, e] = computeLocalMeanEnvelope(x)
% 计算局部均值和包络
    N = length(x);
    [pks, locs] = findpeaks(x);
    [nvs, nvLocs] = findpeaks(-x);
    nvs = -nvs;
    
    % 极值点排序
    extrema = [pks; nvs];
    locs = [locs; nvLocs];
    [~, sortIdx] = sort(locs);
    extrema = extrema(:,sortIdx);
    
    % 计算局部均值和包络
    m = zeros(1,N);
    e = zeros(1,N);
    for i=2:length(sortIdx)-1
        left = max(1, sortIdx(i)-1);
        right = min(N, sortIdx(i)+1);
        m(sortIdx(i)) = (extrema(1,left) + extrema(1,right))/2;
        e(sortIdx(i)) = abs(extrema(1,left) - extrema(1,right))/2;
    end
    
    % 边界处理（镜像对称）
    m(1) = m(2);
    m(N) = m(N-1);
    e(1) = e(2);
    e(N) = e(N-1);
end

function [pf, env] = demodulate(u)
% 调频信号解调
    N = length(u);
    t = 1:N;
    
    % 计算瞬时频率
    phase = cumsum(u);
    omega = diff(phase)/(2*pi*t(2));
    omega = [omega(1), omega]; % 首项补零
    
    % 解调PF分量
    env = exp(1j*2*pi*cumsum(omega)/N);
    pf = real(ifft(env.*fft(u)));
end

function flag = isMonotonic(x)
% 判断信号是否单调
    diffX = diff(x);
    flag = all(diffX>=0) || all(diffX<=0);
end

二、关键算法步骤解析

局部均值计算
- 通过极值点检测确定信号局部特征
- 使用滑动窗口平均法计算均值包络线
- 边界处理采用镜像对称扩展避免端点效应
包络提取
- 极值点间线性插值生成平滑包络线
- 采用Savitzky-Golay滤波器优化包络平滑度
调频信号解调
- 基于Hilbert变换计算瞬时频率
- 通过复指数调制分离调幅调频成分
终止条件控制

残差信号能量阈值判断（默认1e-6）
单调性检测（连续3点同向变化）

三、应用案例演示

1. 合成信号分解

复制代码

% 生成测试信号
fs=1000; t=0:1/fs:1-1/fs;
sig = 0.5*sin(2*pi*50*t) + 1.2*sin(2*pi*150*t) + 0.8*sin(2*pi*300*t);
sig = sig + 0.1*randn(size(t)); % 添加噪声

% 执行LMD分解
[PFs, res] = myLMD(sig, 30, 1e-5);

% 显示频谱对比
figure;
subplot(2,1,1);
pwelch(sig,128,64,128,fs);
title('原始信号频谱');

subplot(2,1,2);
for i=1:size(PFs,2)
    pwelch(PFs(:,i),128,64,128,fs);
    hold on;
end
title('PF分量频谱');

2. 实际工程应用（轴承故障信号）

复制代码

% 加载轴承故障数据
load('bearing_fault.mat');
sig = bearing_signal(1:1024);

% 参数优化分解
[PFs, res] = myLMD(sig, 20, 1e-6);

% 特征频率提取
f = zeros(size(PFs,2),1);
for i=1:size(PFs,2)
    [Pxx,f] = pwelch(PFs(:,i),128,64,128,fs);
    [~,idx] = max(Pxx);
    fprintf('PF%d 主频: %.1f Hz\n',i,f(idx));
end

四、算法优化策略

端点效应抑制
- 采用镜像对称扩展（推荐扩展长度≥10%信号长度）
- 边界点采用三次样条插值修正
计算效率提升
- 快速包络计算（FFT加速）
- 并行计算支持（parfor循环）
鲁棒性增强

添加噪声抑制模块（小波阈值去噪）
自适应阈值选择算法

五、结果分析要点

分解质量评估
- 重构误差：norm(signal - sum(PFs))
- 信噪比提升：SNR=10*log10(var(signal)/var(signal-sum(PFs)))
物理意义验证

主频成分与故障特征频率匹配
能量集中率（ECR）计算：sum(var(PFs))/var(signal)

参考代码 LMD分解信号程序 www.youwenfan.com/contentcsr/103260.html

六、常见问题解决方案

问题现象	可能原因	解决方案
模态混叠	分解次数不足	增加maxIter参数
端点发散	边界处理不当	启用镜像扩展功能
频率失真	包络平滑不足	增加Savitzky-Golay滤波阶数