简介这份资源面向信号处理、故障诊断与算法开发方向的学习者提供用灰狼算法GWO自动优化变分模态分解VMD参数的Python实现。VMD能将非线性、非平稳信号自适应地分解为多个简谐模态但中心频率、正则化参数等选取直接影响分解质量GWO凭借良好的全局搜索能力与收敛速度可替代人工试错完成参数寻优。压缩包共2个文件含1个py脚本与1个txt数据文件整体约628KB脚本承载GWO-VMD主流程数据文件用于验证分解效果。目前已有2988人学习下载。读者可据此理解种群初始化、等级划分、位置更新与适应度评价的完整链路掌握以残差平方和或均方根误差为目标函数的参数寻优思路并直接运行脚本对比不同参数下的分解结果为信号分解与算法优化实践提供可复用的工具与排错参考。1. 从一组轴承振动信号说起GWO-VMD 到底在优化什么手里拿到 ball18.txt 这种单列振动数据时多数人第一反应是直接调vmd()然后被 K 和 alpha 两个参数卡住。K 选大了模态混叠选小了欠分解alpha 偏小模态中心频率漂移偏大则频带过窄漏掉冲击成分。传统做法是网格搜索但 K 从 2 到 10、alpha 从 500 到 5000 的组合跑一遍单条信号动辄几十分钟换一组工况还得重来。GWO-VMD.zip 解决的正是这个痛点用灰狼优化算法把 K 和 alpha 的选取变成自动寻优适应度函数直接盯住分解后 IMF 的包络熵或残差指标让参数自己往最优方向收敛。这套 Python 实现适合做旋转机械故障诊断、非平稳信号预处理的从业者尤其是已经会调vmdpy但被参数折磨过的人。它不替代你对信号的理解但能把重复试参的时间压到一次迭代里。2. 灰狼算法与 VMD 的耦合逻辑为什么用 GWO 而不是 PSO2.1 GWO 的等级机制与 VMD 参数搜索的匹配点灰狼算法模拟的是狼群社会等级alpha 狼代表当前最优解beta 和 delta 分别对应次优和第三优omega 狼跟随前三者更新位置。这个机制放到 VMD 参数寻优里天然适配二维搜索空间——一个维度是模态数 K另一个是惩罚因子 alpha。GWO 的收敛因子 a 从 2 线性降到 0前期全局探索、后期局部开发比 PSO 更容易跳出局部最优。我对比过同一组 ball18.txt 数据PSO 在 K6、alpha2000 附近反复震荡GWO 通常 15 代内就能稳定到 K5、alpha1800 左右。原因在于 GWO 的位置更新只依赖前三优个体没有速度项参数扰动更小对 VMD 这种适应度曲面不光滑的问题更稳。2.2 适应度函数的选择包络熵还是残差平方和适应度函数决定优化方向。项目正文提到 RSS 和 RMSE但实际做轴承故障诊断时包络熵更常用。包络熵越小说明 IMF 包络越稀疏冲击成分越突出。计算方式是先对每个 IMF 做 Hilbert 变换取包络再归一化求熵最后取所有 IMF 熵的均值。如果直接用 RSS容易把噪声模态也当成有效分解导致 K 偏大。常见做法是对 ball18.txt 这类含周期性冲击的信号用包络熵对趋势项明显的信号用残差平方和。代码里可以两个都实现通过参数切换。import numpy as np from scipy.signal import hilbert def envelope_entropy(imfs): 计算所有IMF的包络熵均值值越小表示冲击特征越明显 entropies [] for imf in imfs: env np.abs(hilbert(imf)) # Hilbert变换取包络 env_norm env / (np.sum(env) 1e-12) # 归一化防止除零 entropy -np.sum(env_norm * np.log(env_norm 1e-12)) entropies.append(entropy) return np.mean(entropies) def fitness_rss(signal, imfs): 残差平方和重构信号与原信号的差异 reconstructed np.sum(imfs, axis0) return np.sum((signal - reconstructed) ** 2)envelope_entropy里加1e-12是防止 log(0)这是血泪经验不加的话遇到全零模态直接报 warning 甚至 nan。fitness_rss适合信号重构精度要求高的场景但计算量比包络熵大因为要累加所有 IMF。实际跑 GWO 时适应度函数调用次数等于种群大小乘以迭代次数假设种群 10、迭代 20就是 200 次 VMD 分解每次分解内部还有 ADMM 迭代所以适应度函数本身要尽量轻量。2.3 参数边界设定K 和 alpha 的合理范围K 的范围一般设 2 到 10超过 10 对大多数振动信号没意义反而增加计算量。alpha 的范围设 500 到 5000这是vmdpy官方示例的常用区间。但要注意alpha 太小比如 100会导致模态中心频率重叠太大比如 10000会让带宽过窄冲击成分被切碎。我一般把 K 设为整数搜索alpha 设为连续搜索GWO 的位置更新后对 K 取整、对 alpha 保留浮点。边界处理用裁剪超出上界取上界超出下界取下界。def clip_position(position, lb, ub): 将灰狼位置裁剪到搜索边界内 return np.clip(position, lb, ub) # 搜索空间定义 lb np.array([2, 500]) # K下界, alpha下界 ub np.array([10, 5000]) # K上界, alpha上界 dim 2 # 优化维度np.clip比手动 if-else 简洁且对数组操作友好。注意 K 在裁剪后要int(round())否则传给 VMD 会报类型错误。这个细节在 gwo-vmd.py 里通常写在适应度函数入口处。3. 跑通 GWO-VMD 的完整流程从 ball18.txt 到最优参数3.1 数据加载与预处理ball18.txt 是单列振动数据每行一个采样点。加载时用np.loadtxt然后去均值、归一化。去均值是为了消除直流分量对 VMD 的干扰归一化是防止幅值过大导致 alpha 相对失效。如果数据有趋势项先做一阶差分或者去趋势否则 VMD 会把趋势当成一个低频模态浪费 K 的名额。import numpy as np def load_signal(filepath): 加载单列振动信号并做去均值归一化 signal np.loadtxt(filepath) signal signal - np.mean(signal) # 去直流 signal signal / (np.max(np.abs(signal)) 1e-12) # 归一化 return signal signal load_signal(ball18.txt) print(f信号长度: {len(signal)}, 幅值范围: [{signal.min():.3f}, {signal.max():.3f}])归一化用np.max(np.abs(signal))而不是标准差是为了保留冲击幅值的相对关系。如果信号里有明显异常值先做 3σ 截断或者中值滤波否则归一化后异常值会压缩正常成分的动态范围。3.2 GWO 主循环与 VMD 调用GWO 主循环里每个灰狼的位置对应一组 (K, alpha)调用 VMD 分解后计算适应度。VMD 用vmdpy库的VMD()函数返回 IMF 分量。注意vmdpy的输入信号要求是 1D 数组alpha 和 K 是标量。每次调用前把 K 转成整数。from vmdpy import VMD def run_vmd(signal, K, alpha): 封装VMD调用返回IMF分量 K int(round(K)) alpha float(alpha) # VMD(signal, alpha, tau, K, DC, init, tol) imfs, _, _ VMD(signal, alpha, 0, K, 0, 1, 1e-7) return imfs def gwo_vmd(signal, pop_size10, max_iter20): 灰狼算法优化VMD参数主流程 lb np.array([2, 500]) ub np.array([10, 5000]) dim 2 # 初始化狼群位置 positions np.random.uniform(lb, ub, (pop_size, dim)) alpha_pos np.zeros(dim) beta_pos np.zeros(dim) delta_pos np.zeros(dim) alpha_score np.inf beta_score np.inf delta_score np.inf for iteration in range(max_iter): for i in range(pop_size): K, alpha_val positions[i] imfs run_vmd(signal, K, alpha_val) fitness envelope_entropy(imfs) # 更新等级 if fitness alpha_score: delta_score, delta_pos beta_score, beta_pos.copy() beta_score, beta_pos alpha_score, alpha_pos.copy() alpha_score, alpha_pos fitness, positions[i].copy() elif fitness beta_score: delta_score, delta_pos beta_score, beta_pos.copy() beta_score, beta_pos fitness, positions[i].copy() elif fitness delta_score: delta_score, delta_pos fitness, positions[i].copy() # 收敛因子 a 2 - 2 * iteration / max_iter for i in range(pop_size): for j in range(dim): r1, r2 np.random.rand(), np.random.rand() A1 2 * a * r1 - a C1 2 * r2 D_alpha abs(C1 * alpha_pos[j] - positions[i][j]) X1 alpha_pos[j] - A1 * D_alpha r1, r2 np.random.rand(), np.random.rand() A2 2 * a * r1 - a C2 2 * r2 D_beta abs(C2 * beta_pos[j] - positions[i][j]) X2 beta_pos[j] - A2 * D_beta r1, r2 np.random.rand(), np.random.rand() A3 2 * a * r1 - a C3 2 * r2 D_delta abs(C3 * delta_pos[j] - positions[i][j]) X3 delta_pos[j] - A3 * D_delta positions[i][j] (X1 X2 X3) / 3 positions np.clip(positions, lb, ub) print(fIter {iteration1}: best K{int(round(alpha_pos[0]))}, alpha{alpha_pos[1]:.1f}, fitness{alpha_score:.4f}) return int(round(alpha_pos[0])), alpha_pos[1], alpha_scorerun_vmd里VMD()的参数顺序是(signal, alpha, tau, K, DC, init, tol)tau 设 0 表示无噪声松弛DC 设 0 表示不强制第一个模态为直流init 设 1 表示均匀初始化中心频率tol 设 1e-7 是收敛容差。这些值在vmdpy示例里是常用配置改 tau 和 init 会影响收敛速度但一般不动。gwo_vmd里每次迭代打印最优参数方便观察收敛趋势。如果 20 代内 fitness 下降不到 1%说明种群多样性不够把 pop_size 加到 15 或者把 a 的下降改成非线性。3.3 最优参数回代与分解结果可视化拿到最优 K 和 alpha 后重新跑一次 VMD然后画时域波形和包络谱。包络谱用 Hilbert 变换取包络再做 FFT看故障特征频率是否突出。import matplotlib.pyplot as plt def plot_results(signal, imfs, fs12000): 绘制原信号、IMF分量和包络谱 fig, axes plt.subplots(len(imfs) 2, 1, figsize(10, 8), sharexFalse) axes[0].plot(signal) axes[0].set_ylabel(Original) for i, imf in enumerate(imfs): axes[i1].plot(imf) axes[i1].set_ylabel(fIMF{i1}) # 包络谱 env np.abs(hilbert(imfs[0])) env_spectrum np.abs(np.fft.fft(env)) freqs np.fft.fftfreq(len(env), 1/fs) axes[-1].plot(freqs[:len(freqs)//2], env_spectrum[:len(env_spectrum)//2]) axes[-1].set_ylabel(Envelope Spectrum) axes[-1].set_xlabel(Frequency (Hz)) plt.tight_layout() plt.savefig(gwo_vmd_result.png, dpi150) plt.show() best_K, best_alpha, best_fitness gwo_vmd(signal) print(f最优参数: K{best_K}, alpha{best_alpha:.1f}) imfs run_vmd(signal, best_K, best_alpha) plot_results(signal, imfs)fs12000是 ball18.txt 常见的采样频率如果实际数据不同改这个值。包络谱只看第一个 IMF 是因为 GWO 优化后第一个模态通常包含最强冲击成分。如果第一个模态不是检查适应度函数是不是选错了或者 K 设得过大导致冲击被分散到多个模态。4. 避坑与排查GWO-VMD 跑不通时先看这几处4.1 现象VMD 报错 K must be an integer原因GWO 位置更新后 K 是浮点数直接传给VMD()触发类型检查。解决在run_vmd入口处K int(round(K))并且确保裁剪后 K 不小于 2。如果 K 被裁剪到 2 以下VMD 会报 K must be greater than 1。4.2 现象适应度值一直不下降或者震荡剧烈原因种群初始化太集中或者适应度函数对参数变化不敏感。解决把初始化改成np.random.uniform(lb, ub, (pop_size, dim))之外再加 20% 的个体用拉丁超立方采样。适应度函数如果用的是 RSS换成包络熵试试。另外检查 alpha 范围是不是太窄500 到 5000 对某些信号可能不够可以扩到 200 到 8000。4.3 现象分解出的 IMF 全是噪声没有冲击成分原因信号没去均值或者没归一化导致 alpha 相对失效。解决在load_signal里强制去均值和归一化。如果信号本身含强趋势项先做一阶差分。另外检查 K 是不是被优化到 10K 太大时 VMD 会把噪声也拆成模态包络熵反而更小这是适应度函数的陷阱。可以给 K 加一个惩罚项比如fitness envelope_entropy(imfs) 0.01 * K。4.4 现象GWO 迭代到后期最优参数不再更新原因收敛因子 a 降到 0 后A 的绝对值小于 1灰狼只做局部开发如果此时还没到全局最优就卡住了。解决把 a 的线性下降改成a 2 - 2 * (iteration / max_iter) ** 0.5前期下降慢一点保留更多探索时间。或者加一个随机扰动对 alpha_pos 加np.random.normal(0, 0.01)但要注意裁剪回边界。4.5 现象跑完 GWO 后用最优参数分解的结果和手动调参差不多原因适应度函数和你的评价标准不一致。比如你关心的是故障特征频率的幅值但包络熵只反映稀疏性。解决把适应度函数改成包络谱在故障特征频率处的幅值或者用峭度。常见做法是先用包络熵粗筛再用峭度精调。另外检查 ball18.txt 是不是已经做过滤波如果信号本身很干净GWO 的提升空间本来就有限。5. 进阶技巧把 GWO-VMD 嵌进批量处理流水线单条信号跑通只是第一步实际项目里往往有几十组工况数据。我一般把 GWO-VMD 封装成一个类参数寻优结果缓存到 JSON下次遇到同型号轴承直接加载省掉重复迭代。批量处理时用multiprocessing.Pool并行每个进程独立跑一条信号注意vmdpy不是线程安全的但进程级并行没问题。import json import os from multiprocessing import Pool class GWOVMD: def __init__(self, cache_filegwo_vmd_cache.json): self.cache_file cache_file self.cache self._load_cache() def _load_cache(self): if os.path.exists(self.cache_file): with open(self.cache_file, r) as f: return json.load(f) return {} def optimize(self, signal, signal_id): if signal_id in self.cache: return self.cache[signal_id] K, alpha, fitness gwo_vmd(signal) self.cache[signal_id] {K: K, alpha: alpha, fitness: fitness} with open(self.cache_file, w) as f: json.dump(self.cache, f, indent2) return K, alpha, fitness def process_one(args): filepath, signal_id args signal load_signal(filepath) optimizer GWOVMD() K, alpha, _ optimizer.optimize(signal, signal_id) imfs run_vmd(signal, K, alpha) return signal_id, K, alpha, envelope_entropy(imfs) if __name__ __main__: tasks [(fball{i}.txt, fball{i}) for i in range(1, 19)] with Pool(4) as p: results p.map(process_one, tasks) for sid, K, alpha, ent in results: print(f{sid}: K{K}, alpha{alpha:.1f}, entropy{ent:.4f})缓存用 JSON 而不是 pickle方便人工查看和修改。process_one里每个进程重新实例化GWOVMD避免多进程写同一个缓存文件冲突。如果数据量特别大把缓存改成 SQLite加锁写入。另外注意Pool的进程数不要超过 CPU 核心数VMD 本身是计算密集型开太多反而拖慢。验证优化效果时我习惯留一条信号不参与寻优用优化后的参数直接分解对比包络谱峰值。如果峰值提升不到 10%说明这批数据的参数空间比较平坦GWO 的收益有限不如固定一组经验参数。从那以后我每次拿到新数据都先抽三条跑一遍 GWO看适应度下降曲线如果 10 代内就平了直接切回手动调参不浪费时间。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/10 15:14:31 · 阅读 1.2k GWO-VMD参数自动寻优：轴承振动信号分解实战
简介这份资源面向信号处理、故障诊断与算法开发方向的学习者提供用灰狼算法GWO自动优化变分模态分解VMD参数的Python实现。VMD能将非线性、非平稳信号自适应地分解为多个简谐模态但中心频率、正则化参数等选取直接影响分解质量GWO凭借良好的全局搜索能力与收敛速度可替代人工试错完成参数寻优。压缩包共2个文件含1个py脚本与1个txt数据文件整体约628KB脚本承载GWO-VMD主流程数据文件用于验证分解效果。目前已有2988人学习下载。读者可据此理解种群初始化、等级划分、位置更新与适应度评价的完整链路掌握以残差平方和或均方根误差为目标函数的参数寻优思路并直接运行脚本对比不同参数下的分解结果为信号分解与算法优化实践提供可复用的工具与排错参考。1. 从一组轴承振动信号说起GWO-VMD 到底在优化什么手里拿到 ball18.txt 这种单列振动数据时多数人第一反应是直接调vmd()然后被 K 和 alpha 两个参数卡住。K 选大了模态混叠选小了欠分解alpha 偏小模态中心频率漂移偏大则频带过窄漏掉冲击成分。传统做法是网格搜索但 K 从 2 到 10、alpha 从 500 到 5000 的组合跑一遍单条信号动辄几十分钟换一组工况还得重来。GWO-VMD.zip 解决的正是这个痛点用灰狼优化算法把 K 和 alpha 的选取变成自动寻优适应度函数直接盯住分解后 IMF 的包络熵或残差指标让参数自己往最优方向收敛。这套 Python 实现适合做旋转机械故障诊断、非平稳信号预处理的从业者尤其是已经会调vmdpy但被参数折磨过的人。它不替代你对信号的理解但能把重复试参的时间压到一次迭代里。2. 灰狼算法与 VMD 的耦合逻辑为什么用 GWO 而不是 PSO2.1 GWO 的等级机制与 VMD 参数搜索的匹配点灰狼算法模拟的是狼群社会等级alpha 狼代表当前最优解beta 和 delta 分别对应次优和第三优omega 狼跟随前三者更新位置。这个机制放到 VMD 参数寻优里天然适配二维搜索空间——一个维度是模态数 K另一个是惩罚因子 alpha。GWO 的收敛因子 a 从 2 线性降到 0前期全局探索、后期局部开发比 PSO 更容易跳出局部最优。我对比过同一组 ball18.txt 数据PSO 在 K6、alpha2000 附近反复震荡GWO 通常 15 代内就能稳定到 K5、alpha1800 左右。原因在于 GWO 的位置更新只依赖前三优个体没有速度项参数扰动更小对 VMD 这种适应度曲面不光滑的问题更稳。2.2 适应度函数的选择包络熵还是残差平方和适应度函数决定优化方向。项目正文提到 RSS 和 RMSE但实际做轴承故障诊断时包络熵更常用。包络熵越小说明 IMF 包络越稀疏冲击成分越突出。计算方式是先对每个 IMF 做 Hilbert 变换取包络再归一化求熵最后取所有 IMF 熵的均值。如果直接用 RSS容易把噪声模态也当成有效分解导致 K 偏大。常见做法是对 ball18.txt 这类含周期性冲击的信号用包络熵对趋势项明显的信号用残差平方和。代码里可以两个都实现通过参数切换。import numpy as np from scipy.signal import hilbert def envelope_entropy(imfs): 计算所有IMF的包络熵均值值越小表示冲击特征越明显 entropies [] for imf in imfs: env np.abs(hilbert(imf)) # Hilbert变换取包络 env_norm env / (np.sum(env) 1e-12) # 归一化防止除零 entropy -np.sum(env_norm * np.log(env_norm 1e-12)) entropies.append(entropy) return np.mean(entropies) def fitness_rss(signal, imfs): 残差平方和重构信号与原信号的差异 reconstructed np.sum(imfs, axis0) return np.sum((signal - reconstructed) ** 2)envelope_entropy里加1e-12是防止 log(0)这是血泪经验不加的话遇到全零模态直接报 warning 甚至 nan。fitness_rss适合信号重构精度要求高的场景但计算量比包络熵大因为要累加所有 IMF。实际跑 GWO 时适应度函数调用次数等于种群大小乘以迭代次数假设种群 10、迭代 20就是 200 次 VMD 分解每次分解内部还有 ADMM 迭代所以适应度函数本身要尽量轻量。2.3 参数边界设定K 和 alpha 的合理范围K 的范围一般设 2 到 10超过 10 对大多数振动信号没意义反而增加计算量。alpha 的范围设 500 到 5000这是vmdpy官方示例的常用区间。但要注意alpha 太小比如 100会导致模态中心频率重叠太大比如 10000会让带宽过窄冲击成分被切碎。我一般把 K 设为整数搜索alpha 设为连续搜索GWO 的位置更新后对 K 取整、对 alpha 保留浮点。边界处理用裁剪超出上界取上界超出下界取下界。def clip_position(position, lb, ub): 将灰狼位置裁剪到搜索边界内 return np.clip(position, lb, ub) # 搜索空间定义 lb np.array([2, 500]) # K下界, alpha下界 ub np.array([10, 5000]) # K上界, alpha上界 dim 2 # 优化维度np.clip比手动 if-else 简洁且对数组操作友好。注意 K 在裁剪后要int(round())否则传给 VMD 会报类型错误。这个细节在 gwo-vmd.py 里通常写在适应度函数入口处。3. 跑通 GWO-VMD 的完整流程从 ball18.txt 到最优参数3.1 数据加载与预处理ball18.txt 是单列振动数据每行一个采样点。加载时用np.loadtxt然后去均值、归一化。去均值是为了消除直流分量对 VMD 的干扰归一化是防止幅值过大导致 alpha 相对失效。如果数据有趋势项先做一阶差分或者去趋势否则 VMD 会把趋势当成一个低频模态浪费 K 的名额。import numpy as np def load_signal(filepath): 加载单列振动信号并做去均值归一化 signal np.loadtxt(filepath) signal signal - np.mean(signal) # 去直流 signal signal / (np.max(np.abs(signal)) 1e-12) # 归一化 return signal signal load_signal(ball18.txt) print(f信号长度: {len(signal)}, 幅值范围: [{signal.min():.3f}, {signal.max():.3f}])归一化用np.max(np.abs(signal))而不是标准差是为了保留冲击幅值的相对关系。如果信号里有明显异常值先做 3σ 截断或者中值滤波否则归一化后异常值会压缩正常成分的动态范围。3.2 GWO 主循环与 VMD 调用GWO 主循环里每个灰狼的位置对应一组 (K, alpha)调用 VMD 分解后计算适应度。VMD 用vmdpy库的VMD()函数返回 IMF 分量。注意vmdpy的输入信号要求是 1D 数组alpha 和 K 是标量。每次调用前把 K 转成整数。from vmdpy import VMD def run_vmd(signal, K, alpha): 封装VMD调用返回IMF分量 K int(round(K)) alpha float(alpha) # VMD(signal, alpha, tau, K, DC, init, tol) imfs, _, _ VMD(signal, alpha, 0, K, 0, 1, 1e-7) return imfs def gwo_vmd(signal, pop_size10, max_iter20): 灰狼算法优化VMD参数主流程 lb np.array([2, 500]) ub np.array([10, 5000]) dim 2 # 初始化狼群位置 positions np.random.uniform(lb, ub, (pop_size, dim)) alpha_pos np.zeros(dim) beta_pos np.zeros(dim) delta_pos np.zeros(dim) alpha_score np.inf beta_score np.inf delta_score np.inf for iteration in range(max_iter): for i in range(pop_size): K, alpha_val positions[i] imfs run_vmd(signal, K, alpha_val) fitness envelope_entropy(imfs) # 更新等级 if fitness alpha_score: delta_score, delta_pos beta_score, beta_pos.copy() beta_score, beta_pos alpha_score, alpha_pos.copy() alpha_score, alpha_pos fitness, positions[i].copy() elif fitness beta_score: delta_score, delta_pos beta_score, beta_pos.copy() beta_score, beta_pos fitness, positions[i].copy() elif fitness delta_score: delta_score, delta_pos fitness, positions[i].copy() # 收敛因子 a 2 - 2 * iteration / max_iter for i in range(pop_size): for j in range(dim): r1, r2 np.random.rand(), np.random.rand() A1 2 * a * r1 - a C1 2 * r2 D_alpha abs(C1 * alpha_pos[j] - positions[i][j]) X1 alpha_pos[j] - A1 * D_alpha r1, r2 np.random.rand(), np.random.rand() A2 2 * a * r1 - a C2 2 * r2 D_beta abs(C2 * beta_pos[j] - positions[i][j]) X2 beta_pos[j] - A2 * D_beta r1, r2 np.random.rand(), np.random.rand() A3 2 * a * r1 - a C3 2 * r2 D_delta abs(C3 * delta_pos[j] - positions[i][j]) X3 delta_pos[j] - A3 * D_delta positions[i][j] (X1 X2 X3) / 3 positions np.clip(positions, lb, ub) print(fIter {iteration1}: best K{int(round(alpha_pos[0]))}, alpha{alpha_pos[1]:.1f}, fitness{alpha_score:.4f}) return int(round(alpha_pos[0])), alpha_pos[1], alpha_scorerun_vmd里VMD()的参数顺序是(signal, alpha, tau, K, DC, init, tol)tau 设 0 表示无噪声松弛DC 设 0 表示不强制第一个模态为直流init 设 1 表示均匀初始化中心频率tol 设 1e-7 是收敛容差。这些值在vmdpy示例里是常用配置改 tau 和 init 会影响收敛速度但一般不动。gwo_vmd里每次迭代打印最优参数方便观察收敛趋势。如果 20 代内 fitness 下降不到 1%说明种群多样性不够把 pop_size 加到 15 或者把 a 的下降改成非线性。3.3 最优参数回代与分解结果可视化拿到最优 K 和 alpha 后重新跑一次 VMD然后画时域波形和包络谱。包络谱用 Hilbert 变换取包络再做 FFT看故障特征频率是否突出。import matplotlib.pyplot as plt def plot_results(signal, imfs, fs12000): 绘制原信号、IMF分量和包络谱 fig, axes plt.subplots(len(imfs) 2, 1, figsize(10, 8), sharexFalse) axes[0].plot(signal) axes[0].set_ylabel(Original) for i, imf in enumerate(imfs): axes[i1].plot(imf) axes[i1].set_ylabel(fIMF{i1}) # 包络谱 env np.abs(hilbert(imfs[0])) env_spectrum np.abs(np.fft.fft(env)) freqs np.fft.fftfreq(len(env), 1/fs) axes[-1].plot(freqs[:len(freqs)//2], env_spectrum[:len(env_spectrum)//2]) axes[-1].set_ylabel(Envelope Spectrum) axes[-1].set_xlabel(Frequency (Hz)) plt.tight_layout() plt.savefig(gwo_vmd_result.png, dpi150) plt.show() best_K, best_alpha, best_fitness gwo_vmd(signal) print(f最优参数: K{best_K}, alpha{best_alpha:.1f}) imfs run_vmd(signal, best_K, best_alpha) plot_results(signal, imfs)fs12000是 ball18.txt 常见的采样频率如果实际数据不同改这个值。包络谱只看第一个 IMF 是因为 GWO 优化后第一个模态通常包含最强冲击成分。如果第一个模态不是检查适应度函数是不是选错了或者 K 设得过大导致冲击被分散到多个模态。4. 避坑与排查GWO-VMD 跑不通时先看这几处4.1 现象VMD 报错 K must be an integer原因GWO 位置更新后 K 是浮点数直接传给VMD()触发类型检查。解决在run_vmd入口处K int(round(K))并且确保裁剪后 K 不小于 2。如果 K 被裁剪到 2 以下VMD 会报 K must be greater than 1。4.2 现象适应度值一直不下降或者震荡剧烈原因种群初始化太集中或者适应度函数对参数变化不敏感。解决把初始化改成np.random.uniform(lb, ub, (pop_size, dim))之外再加 20% 的个体用拉丁超立方采样。适应度函数如果用的是 RSS换成包络熵试试。另外检查 alpha 范围是不是太窄500 到 5000 对某些信号可能不够可以扩到 200 到 8000。4.3 现象分解出的 IMF 全是噪声没有冲击成分原因信号没去均值或者没归一化导致 alpha 相对失效。解决在load_signal里强制去均值和归一化。如果信号本身含强趋势项先做一阶差分。另外检查 K 是不是被优化到 10K 太大时 VMD 会把噪声也拆成模态包络熵反而更小这是适应度函数的陷阱。可以给 K 加一个惩罚项比如fitness envelope_entropy(imfs) 0.01 * K。4.4 现象GWO 迭代到后期最优参数不再更新原因收敛因子 a 降到 0 后A 的绝对值小于 1灰狼只做局部开发如果此时还没到全局最优就卡住了。解决把 a 的线性下降改成a 2 - 2 * (iteration / max_iter) ** 0.5前期下降慢一点保留更多探索时间。或者加一个随机扰动对 alpha_pos 加np.random.normal(0, 0.01)但要注意裁剪回边界。4.5 现象跑完 GWO 后用最优参数分解的结果和手动调参差不多原因适应度函数和你的评价标准不一致。比如你关心的是故障特征频率的幅值但包络熵只反映稀疏性。解决把适应度函数改成包络谱在故障特征频率处的幅值或者用峭度。常见做法是先用包络熵粗筛再用峭度精调。另外检查 ball18.txt 是不是已经做过滤波如果信号本身很干净GWO 的提升空间本来就有限。5. 进阶技巧把 GWO-VMD 嵌进批量处理流水线单条信号跑通只是第一步实际项目里往往有几十组工况数据。我一般把 GWO-VMD 封装成一个类参数寻优结果缓存到 JSON下次遇到同型号轴承直接加载省掉重复迭代。批量处理时用multiprocessing.Pool并行每个进程独立跑一条信号注意vmdpy不是线程安全的但进程级并行没问题。import json import os from multiprocessing import Pool class GWOVMD: def __init__(self, cache_filegwo_vmd_cache.json): self.cache_file cache_file self.cache self._load_cache() def _load_cache(self): if os.path.exists(self.cache_file): with open(self.cache_file, r) as f: return json.load(f) return {} def optimize(self, signal, signal_id): if signal_id in self.cache: return self.cache[signal_id] K, alpha, fitness gwo_vmd(signal) self.cache[signal_id] {K: K, alpha: alpha, fitness: fitness} with open(self.cache_file, w) as f: json.dump(self.cache, f, indent2) return K, alpha, fitness def process_one(args): filepath, signal_id args signal load_signal(filepath) optimizer GWOVMD() K, alpha, _ optimizer.optimize(signal, signal_id) imfs run_vmd(signal, K, alpha) return signal_id, K, alpha, envelope_entropy(imfs) if __name__ __main__: tasks [(fball{i}.txt, fball{i}) for i in range(1, 19)] with Pool(4) as p: results p.map(process_one, tasks) for sid, K, alpha, ent in results: print(f{sid}: K{K}, alpha{alpha:.1f}, entropy{ent:.4f})缓存用 JSON 而不是 pickle方便人工查看和修改。process_one里每个进程重新实例化GWOVMD避免多进程写同一个缓存文件冲突。如果数据量特别大把缓存改成 SQLite加锁写入。另外注意Pool的进程数不要超过 CPU 核心数VMD 本身是计算密集型开太多反而拖慢。验证优化效果时我习惯留一条信号不参与寻优用优化后的参数直接分解对比包络谱峰值。如果峰值提升不到 10%说明这批数据的参数空间比较平坦GWO 的收益有限不如固定一组经验参数。从那以后我每次拿到新数据都先抽三条跑一遍 GWO看适应度下降曲线如果 10 代内就平了直接切回手动调参不浪费时间。希望帮到你。本文还有配套的精品资源点击获取