NGO优化VMD与改进小波阈值的气体泄漏声发射信号去噪方法-平芜编程栈

做泄漏检测的朋友应该都有过这种经历：现场传感器采回来的信号，打开波形一看，头都是大的——泵的运转噪声、阀门冲击、电磁干扰全混在里面，泄漏特征早就被埋得看不见了。尤其是气体泄漏的声发射信号，本质是一个瞬态冲击，持续时间短、幅值又不大，稍一疏忽就被背景噪声完全吞掉。所以降噪这一步根本不是锦上添花，而是决定泄漏能否被准确识别的前提。

今天想聊的技术路线，核心是三个词：NGO、VMD、小波阈值。说白了，就是用北方苍鹰优化算法（NGO）自动整定VMD的分解参数，再用改进的小波阈值做二次精去噪，最终把气体泄漏信号从强噪声里捞出来。这套组合我在气体泄漏信号上反复验证过，比单独用VMD或者传统小波去噪的效果要明显高一个档次。适合正在做声发射泄漏检测、管道安全监测、或者各种非平稳信号去噪方法对比研究的同学参考。

1. 为什么是NGO、VMD、改进小波阈值这套组合拳

1.1 气体泄漏信号到底难在哪儿

气体泄漏检测常用的声发射信号，有一个很让人头疼的特点：泄漏源本身产生的弹性波是典型的非平稳瞬态信号，频带往往很宽，而且幅值很低。与此同时，工业现场的背景噪声极其复杂，既有泵和压缩机带来的周期性机械振动（低频、强能量），也有电磁干扰和流体湍流产生的高频随机噪声。泄漏信号夹杂在中间，就像站在嘈杂集市里听一个低声说悄悄话的人，直接听是听不清的。

更麻烦的是，这种泄漏信号往往没有足够长的平稳段可供分析。工程上通常只能截取一小段数据，依靠短时能量、包络形态、频带能量分布来判断有没有泄漏。如果这段数据里的噪声没有处理干净，后续不管是提取峰峰值、做包络谱还是输入分类器，判断结果都会严重失真。所以我一直觉得，泄漏检测算法的第一道坎不是分类器选得有多好，而是能不能把去噪这一步做到位。

1.2 单靠一种方法为什么不够用

最早做这类信号处理，很多人会先想到带通滤波，把感兴趣频带之外的东西一刀切掉。这种做法对平稳环境里的周期性噪声有效，但对非平稳的泄漏冲击是灾难——滤波器会把冲击信号的上升沿磨平，幅值也压得厉害，泄漏特征不完整了。

后来常用的是小波变换去噪。小波方法确实比固定滤波器灵活，但它依赖选定的基函数和分解层数，信号特性一旦变化，参数就得重新调。再后来VMD（变分模态分解）火起来，因为它是自适应地把信号分解成若干个窄带模态，不用像经验模态分解那样递归剥离，理论框架更干净。但VMD有个绕不过去的坎：模态个数K和惩罚因子α得预先设定，这两个参数对分解结果影响巨大，调不好就过分解或欠分解。

所以现实情况是：一种方法撑不起完整去噪链路。VMD负责把信号按频带切开，但参数需要有人给它定；小波阈值可以在模态上做精细处理，但传统软硬阈值各有缺陷，直接套用会损失信号能量或留下震荡毛刺。把这些角色凑在一起，各干各擅长的活，才是工程上真正能落地的方案。

1.3 三条技术路线如何分工

我习惯把这条链路理解成一条“分离、筛选、精修”的流水线。先用VMD把混合信号分解成频率上更单纯的分量；然后用相关性、峭度这类指标筛选出含有泄漏冲击的模态；最后对含噪模态做改进的小波阈值去噪。NGO不直接参与信号处理，它只负责解决一个关键问题——VMD的K和α怎么选，把这个最耗人工的参数整定工作自动化。

环节	承担方法	要解决的问题
频带分离	VMD分解	把泄漏冲击与背景噪声在频域上切到不同模态
参数寻优	NGO算法	自动确定VMD的模态数K和惩罚因子α
精细去噪	改进小波阈值	抑制残留在模态里的噪声，同时保住泄漏瞬态幅值
融合重构	筛选与相加	剔除纯噪声分量，保留有效成分后重建干净信号

整条流程走下来就是：含噪原始信号 → 预处理 → NGO搜索最优VMD参数 → VMD分解 → 计算各模态相关性和峭度 → 筛选有效模态 → 对高噪模态做改进小波阈值去噪 → 叠加重构 → 包络谱分析或特征提取。这套流程跑稳了，后面做泄漏定位、类型识别，输入质量就有保障了。

2. 核心算法原理：先把VMD、NGO、改进阈值函数的底摸透

2.1 VMD怎么把一个复杂信号“切”成K个模态

VMD全称是Variational Mode Decomposition，中文叫变分模态分解，由Dragomiretskiy在2014年提出。它的核心思路很直白：把原始信号分解成K个有限带宽的模态分量，每个模态都围绕一个中心频率分布，并且全部模态叠加起来能近似还原原始信号。优化目标是让所有模态的估计带宽之和最小。

数学上它构造了一个变分约束问题：一边要求模态是带限信号，中心频率越集中越好；另一边要求所有模态加起来等于原始信号。VMD通过引入二次惩罚项α和拉格朗日乘子来处理这个带约束的优化问题，再用交替方向乘子法（ADMM）迭代更新模态、中心频率和乘子。因为整个过程是频域迭代求解，所以VMD分解出的模态通常是窄带、准正交的，很适合用来分离泄漏冲击与宽带噪声。

在落到代码之前，有几个参数必须搞清楚，它们是VMD性能的关键：

参数	含义	经验取值
K	模态数量	3到10之间，一般从4、5起步
α	惩罚因子，权衡信号保真度与带宽	常用1000到5000
tau	噪声容忍度，控制更新步长	一般设为0
DC	是否单独保留直流分量	设为0即可
init	中心频率初始化方式	设为1，均匀分布更稳定
tol	收敛容限	1e-6到1e-7

这里K和α尤其要注意。K设大了，一个真实频带可能被劈成好几个中心频率靠得很近的虚假模态；K设小了，不同频带的成分会挤在同一个模态里，后面想靠阈值去噪也无从下手。α设太大，每个模态带宽被压得极窄，泄漏冲击的瞬态细节会被“拧”成纯正弦片段；α设太小，模态带宽过宽，频带相互重叠，分离意义就没有了。我试过的最舒服的做法，是先固定一个合理范围，把K和α交给优化算法去搜，而不是手动一个个试。

2.2 NGO凭什么能给VMD做参数寻优

NGO是Northern Goshawk Optimization的缩写，中文名是北方苍鹰优化算法，由Dehghani等人在2022年提出，灵感来自北方苍鹰捕猎时的两个阶段行为。第一阶段是“识别猎物并发起攻击”：苍鹰会在搜索空间里随机选定一个猎物位置，然后俯冲过去，这个阶段对应算法的全局勘探，负责在大范围内探索可能有解的区域。第二阶段是“追击猎物”：猎物企图逃跑，苍鹰会尾随并反复调整追击方向，这个阶段对应局部开发，负责在已发现的优质解附近精细搜索。

算法流程并不复杂。初始化一群候选解之后，每轮迭代先对每个个体随机选一个参考猎物，按照第一阶段公式更新位置，如果新解的适应度更好就替换；然后在第二阶段里以猎物位置为圆心做领域搜索，同样只接受更优的位置。两个阶段配合下来，既不会过早收敛到局部最优，也有足够能力在后期精修最优解。

我选择NGO而不是粒子群或者遗传算法，主要原因是它在参数很少的前提下，勘探和开发的平衡做得比较好。实际对比下来，NGO在VMD参数寻优这类中等规模优化问题上，收敛速度快、实现代码也不容易出错。优化变量只有两个（K和α），种群设30个个体、迭代50次左右就能稳定得到一个足够好的参数组合，这在现场项目里是可以接受的计算量。

要让NGO知道“什么样的VMD参数是好的”，必须定义适应度函数。我最常用的指标是包络熵，对每个模态先求Hilbert包络，再计算包络的熵值。包络熵越大说明包络越混乱，里面大概率有很多噪声成分；包络熵越小说明包络越稀疏、越有冲击特征。把一次VMD分解出来的所有模态包络熵求和，作为当前参数的适应度，NGO要做的事情就是找到让这个总熵最小的K和α组合。参数搜出来之后，VMD分解出的模态里蕴含的泄漏冲击特征就会更集中，后续处理也更好做。

整个优化过程的伪代码大致是这样的：

初始化NGO种群，每个个体代表一组 [K, alpha] for t = 1 to T: for i = 1 to N: 阶段1：随机选猎物，更新位置，若新解更优则接受 阶段2：围绕猎物领域搜索，更新位置，若更优则接受 对种群中每个个体： 取该个体的 [K, alpha] 运行VMD 计算所有模态的包络熵之和，作为适应度 记录全局最优个体 return 最优 [K, alpha]

2.3 改进小波阈值比传统软硬阈值强在哪

小波阈值去噪的基本逻辑，是把含噪信号变换到小波域，在分解层上把绝对值小于阈值的小波系数置零或者收缩，再把系数反变换回来。传统做法有硬阈值和软阈值两种，但都有明显缺陷。

硬阈值函数是“过阈值保留原样，不过阈值直接置零”。好处是能保留信号细节和幅值，坏处是阈值处不连续，重构信号容易产生振荡和毛刺。软阈值函数是“过阈值系数向零收缩一个阈值量”，连续性好了，但所有保留系数都被系统性削减，重构信号的幅值会偏低，能量被磨掉。对泄漏检测来说，幅值偏低会直接影响后续的泄漏强度判断；毛刺太多又会影响时域特征提取。

我实际用的改进阈值方案，核心是构造一条介于软硬之间的可调阈值函数，通过一个参数在软阈值和硬阈值之间连续过渡。当参数接近硬阈值端时，幅值保留力度强；当参数接近软阈值端时，信号平滑度更好。这样可以在保留泄漏冲击幅值和抑制重构毛刺之间找到平衡点。

同时，阈值本身也应该自适应。传统固定阈值λ=σ√(2lnN)对每层都用一个尺度，效果很粗糙。改进做法是用MAD（中值绝对偏差）来稳健估计噪声标准差σ，避免泄漏冲击本身的极端值把噪声方差估计带偏；阈值再随分解层数适当衰减，让低层细节保留更多有用成分，高层细节更积极地抑制噪声。这样每个尺度上的阈值都有各自的合理值，去噪后信号既干净又有物理意义。

3. 实操全过程：从原始信号到干净泄漏特征

3.1 信号准备与基础预处理

第一步当然是把数据采回来。气体泄漏声发射信号的频率范围比较宽，采样率至少要放到100kHz以上才够看；如果是做负压波检测，采样率可以低不少，但处理思路基本一致。我习惯先采集一段背景噪声作为参考，再采集包含泄漏工况的信号段，后续评价去噪效果时能多一个对比基准。

拿到原始数据之后，先做几个基础操作：去均值、去趋势、缩放到合适量纲，然后做一次带通预滤波，把明显超出传感器响应范围的极低频和极高频噪声先削掉。这里要注意，预滤波的带宽要留足余量，不能正好卡在泄漏可能出现的频带边缘，否则会把真正有用的瞬态分量切掉一部分。

分段也很关键。小波变换对数据长度有要求，最好把数据切成2的幂次长度，比如4096点或8192点一段。每一段单独走后面的VMD和阈值去噪流程，保证整段信号的统计特性不会因为时间太长而变化。实测信号现场环境不稳定，长时间记录里噪声分布可能漂移，按段处理比整段一口气处理稳得多。

3.2 用NGO给VMD调参的具体做法

把预处理后的信号交给NGO-VMD之前，先要把算法参数设置好。我这里用一个自己常用的配置作为参考：

算法/参数	设置值	说明
NGO种群数	30	中等规模，兼顾计算速度和解质量
最大迭代次数	50	通常20到30次已经收敛，50次是保险
K搜索范围	3到10	常见泄漏声发射信号不会超过这个范围
α搜索范围	1000到5000	覆盖常用惩罚因子区间
适应度函数	包络熵之和	衡量分解模态的稀疏性

在工程代码里，我会先封装两个函数：一个是单次VMD分解函数，输入是信号、K、α、tau等参数，输出是各模态时域波形和中心频率；另一个是包络熵计算函数，对每个模态做Hilbert变换、取包络、归一化后算Shannon熵。这两个函数准备好之后，NGO的迭代循环只需要反复调用它们。

实际跑的时候有个经验：不要一开始就在整段长信号上做NGO优化，计算量太大。先截取一小段有代表性的数据，比如4000点左右，在这一小段上把K和α搜出来；确定参数后，再用同样的参数对剩余所有数据段做VMD。这个做法能把优化阶段的计算时间压缩到原来的几十分之一，而且参数一旦选定，整段数据的分解特性基本是稳定的。

我踩过的一个坑是，直接把群体里的每个候选解都跑完VMD再算适应度，结果一次迭代就要拆几十轮分解，现场电脑卡得没法用。后来改成先对小段数据快速预估，再拉长信号复核，计算压力小了很多。

3.3 模态筛选：留下哪些分量，丢掉哪些分量

VMD分解完不是所有模态都要保留。有些模态里主要是低频趋势和周期机械噪声，有些模态里几乎全是随机噪声，如果一股脑全加回来，去噪效果等于没有。筛选模态我主要看三个指标。

第一个指标是相关系数，计算每个模态与原始信号之间的Pearson相关系数。能量大且与原始信号轨迹接近的模态，通常是主要成分，必须保留；相关系数极低的小能量模态，大概率是噪声尾部，可以丢弃。第二个指标是峭度。峭度对冲击型信号特别敏感，泄漏声发射的瞬态冲击会让某个模态的峭度明显高于其他模态，所以峭度偏高的模态往往是含泄漏特征的目标模态。第三个指标是能量占比，防止只留下高峭度但总能量过小的“细枝末节”。

指标	关注点	筛选倾向
相关系数	与原始信号的相似程度	系数高的保留
峭度	冲击特征强度	峭度明显偏高的重点保留
能量占比	模态对总信号的贡献	占比极低且无冲击特征的丢弃

实际判断时，我会把各模态的中心频率列一张表，结合频谱观察。低频模态如果对应工频和机械振动，即便能量高也往往不是泄漏主成分；而泄漏冲击常常出现在中高频谱段，对应的模态峭度高、包络形态呈衰减振荡。找到这类模态，就抓住了去噪的主要目标。

3.4 改进小波阈值逐模态去噪

筛选出来的模态里，有些还混着不少噪声，需要进一步净化。这个过程我用改进的小波阈值，对每个含噪模态单独处理，而不是对原始信号直接做小波去噪。因为模态已经是窄带信号，小波分解后的系数分布更规整，阈值的作用点更精准。

具体参数上，我常用sym8或db8小波基，分解层数设在4到6层。每层细节系数的噪声标准差用MAD法估计，即对细节系数取绝对值再求中位数，然后除以0.6745。阈值按下式构造：λ_j = σ_j·√(2lnN_j)/ln(j+1)，其中j是分解层序号。这样高层细节的阈值更大，低层细节的阈值温和一些，防止泄漏冲击的高频边沿被过量压缩。

阈值函数用改进的可调形式，参数a在0和1之间取值。a越接近0，函数越像硬阈值，幅值保留最完整，但可能留少量毛刺；a越接近1，函数越接近软阈值，平滑效果更好，但可能削幅值。我的经验是先取a=0.2左右跑一遍，看包络谱里泄漏频率峰值是否突出，再微调方向。

这个环节最忌讳的是对所有模态用同一个阈值参数。低频主模态里如果混有一些机械噪声，可以直接用温和阈值稍作平滑；高频含噪模态里的纯随机噪声成分多，阈值要更积极。不同模态分开处理，最后相加起来才不会互相污染。

3.5 重构信号与评价指标计算

处理完各个模态之后，把保留下来的模态（去噪后的高噪模态 + 未强处理的低噪模态）直接叠加，得到重构的干净信号。到这里，去噪的两个环节——VMD频带分离和小波阈值精细去噪——就完成了。

评价去噪效果，不能只靠肉眼盯着波形说“看起来干净多了”。如果有仿真原始纯净信号，或者现场能采集到无泄漏工况的参考信号，就可以用信噪比SNR、均方根误差RMSE、重构信号与纯净信号的相关系数三个量化指标来对比。SNR越高、RMSE越低、相关系数越接近1，说明去噪方法保留有用信息的能力越强。

评价指标	计算方式	判断标准
SNR	10lg(Ps/Pn)	越大越好，但过大可能过度平滑
RMSE	均方误差开方	越小说明与纯净信号越接近
相关系数	Pearson系数	取绝值后越接近1越好
包络谱峰值	对包络做FFT后看泄漏频率幅值	峰值越突出越容易辨识泄漏
能量熵	对重构信号求熵值	越低说明结构越清晰

仿真验证时，我通常构造一个衰减冲击叠加多频噪声和随机白噪声的复合信号，把完整链路跑一遍，跟经典的小波软阈值、单独VMD、EMD+阈值等方法做横向对比。在我的测试条件下，组合方案的SNR提升比单用小波软阈值高出3到5dB，重构信号的峭度也更接近纯净泄漏冲击的峭度。现场实测信号没有真值参考时，我会靠包络谱的峰值突出程度、时域波形冲击形态和能量熵三个维度综合判断，三个指标同时变好才敢说这套参数是有效的。

4. 实际工程项目里的坑与排查方法

4.1 模态数量不对：出现过分解或欠分解

NGO虽然能搜出最优K，但搜索范围设置不合理时，仍然会出问题。过分解的表现是：有两个或两个以上模态的中心频率非常接近，波形形状也相似，说明一个真实分量被劈成了几份。欠分解的表现是：某个模态频谱很宽，里面明显能看出多个频率成分挤在一起。

排查手段很简单，把VMD输出的中心频率表打出来看。如果相邻中心频率之差小于频率分辨率的几倍，基本可以判断是过分解；如果某个模态的频谱铺得很开，说明K不够。遇到这种情况，先检查K的搜索范围是否覆盖了真实模态数，再检查α是不是设得过大或过小。我曾遇到一个案例，把α搜到8000，分解出来的信号出现纯正弦样式的碎片模态，把α限制在5000以内后，波形恢复正常。

4.2 惩罚因子α带来的模态失真

α这个参数很阴险，它不像K那样直观。α过大的时候，VMD为了保证每个模态带宽足够窄，会把瞬态冲击的突变细节抹掉，分解结果看起来“过度纯净”，但丢失了泄漏特征。α过小的时候，模态之间频带重叠，噪声和信号容易混在一起。

如果优化结果里出现中心频率很接近、波形高度正弦化的情况，先怀疑α偏高。我习惯的做法是，先用固定的K做一次α扫描，把α从1000到5000按500步长扫一遍，观察包络熵曲线和模态波形。包络熵曲线通常会先降后升，低谷附近就是比较可靠的α区间。这样做虽然多花几分钟，但比盲目跑完整优化更省时间。

4.3 去噪过头：泄漏信号被当成噪声干掉

小波阈值去噪最常见的翻车现场是阈值太大或者参数a太偏向软阈值，结果重构后的信号变得很光滑，包络峰值被压平，泄漏冲击几乎消失了。比如现场把阈值倍率设到3倍以上，很多真实冲击细节会被一起丢掉。

我后来加了一个保护措施：在重构之前，对比去噪前后峭度的变化。泄漏冲击本身峭度很高，如果处理后峭度从20掉到5以内，大概率削过头了；如果峭度变化不大而噪声功率明显下降，说明处理是合理的。另一个辅助检查是看包络峰值的下降幅度，一般不应该降到原来的70%以下，否则泄漏强度判断会严重失真。

4.4 NGO优化结果不稳定

NGO本身是随机优化算法，每次运行结果会有差异。如果种群太小或迭代次数太少，搜出来的参数可能每次都变。解决起来不复杂：固定随机种子，保证结果可复现；种群规模至少30；同一组数据跑3到5次，取多次结果里出现频率最高的K和α，或者取适应度最好的一次。实在不行就把NGO搜索范围缩小，比如K在[4,8]之间，α在[1500,3500]之间，搜索空间小了稳定性自然上来。

4.5 现场实测信号没有真值参考，怎么评估

实测信号永远比仿真脏得多，而且没有所谓的纯净信号做对照。这时候再纠结SNR没有意义，我把评估重心放在三个“能看懂”的指标上：一是包络谱在泄漏特征频率处是否出现明显谱峰；二是时域包络的冲击衰减形态是否清晰可辨；三是背景噪声段在去噪前后的能量是否显著下降。三个条件同时满足，就说明去噪流程在真实场景里是有效的。

另外，可以在现场人为制造一个已知的小泄漏工况，用这套流程处理后看能不能稳定识别出泄漏特征。能识别出来，说明系统的实际灵敏度没问题；识别不出来，就要回头检查传感器频响、采样率、模态筛选范围这些前端环节。