简介希尔伯特黄变换HHT是分析非线性非平稳信号的重要方法这份代码包面向信号处理工程师、科研人员与学生基于MATLAB与C语言实现经验模态分解、希尔伯特变换与瞬时频率提取可用于生物医学信号、地震数据、机械故障诊断等场景。包内共72个文件、约94KB包含40个MATLAB函数脚本、17个C源文件及11个头文件另有shell配置脚本与mat数据文件兼顾易用性与计算效率附示例目录便于快速对照运行。已有5071人学习下载。除完整的EMD分解、希尔伯特谱计算与可视化工具外还提供安装/卸载脚本与修复脚本降低配置门槛C版本可处理较大数据量或性能敏感任务通过阅读源码可理解筛分停止条件、包络构造、模态混叠处理等关键细节适合算法研究与工程落地参考。1. 从一次振动信号处理说起HHT解决的正是FFT最头疼的问题我第一次用希尔伯特黄变换HHT处理旋转机械振动信号时最大的震撼不是它算得多快而是它把一段频谱图里看不出先后关系的频率成分清清楚楚地展现在了时间轴上。当时手头的数据是一段包含冲击和变频成分的轴承振动信号用FFT做出来只有几根峰峰虽然好看但我根本说不清这些峰对应的故障特征出现在哪个时刻。直到换成HHTEMD把信号一层层拆开瞬时频率随时间的变化像看心电图一样直观很多原本要凭经验猜的信息终于有了可解释的依据。简单说HHT是一种针对非线性、非平稳信号的自适应时频分析方法由黄锷在1998年前后正式提出。它不依赖预先选好的基函数而是通过经验模态分解EMD把复杂信号拆成若干个本征模态函数IMF再对每个IMF做希尔伯特变换求出带有物理意义的瞬时频率。机械故障诊断、地震波分析、生物医学信号处理、金融时序分析凡是信号特征会随时间和工况变化的领域几乎都能看到它的身影。这篇我会从原理讲到代码再把实战里最常踩的坑单独拎出来说希望能帮你在自己的数据上少走弯路。1.1 非平稳信号的“时变”本质所谓非平稳最直白的理解就是信号的统计特性随时间变化。你去看一段平稳信号比如50Hz的正弦波它的均值、方差、频率基本恒定但真实工程信号很少这么乖轴承磨损到一定程度会出现周期性冲击转速变化会导致频率持续爬升噪声背景的强度也可能忽大忽小。这类信号最大的麻烦在于频率本身成了一个“变量”。上一秒振动的主要频率可能是100Hz下一秒就可能跳到180Hz。我们需要的不是“这段信号里有哪些频率”而是“每个频率在什么时间出现、强度怎么变化”。HHT的设计目标就是回答后面这个问题。1.2 FFT和STFT为什么总是差点意思傅里叶变换是最经典的频谱分析工具但它把整段信号展开到一组固定频率的正弦波上得到的是一个全局平均结果。一个频率成分只要在信号里出现过哪怕很短一段时间FFT都会“记上一笔”但它不会告诉你这笔账记在哪个时间节点。短时傅里叶变换STFT试图补救做法是把信号切成小段再做FFT。问题在于窗长是固定的窗太短频率分辨率差频率相近的成分分不开窗太长时间定位就模糊突变细节被抹掉。这就是海森堡测不准原则在时频分析里的体现你不可能同时获得无限精确的时间分辨率和频率分辨率。小波变换做了尺度自适应但需要提前选择母小波换成不同小波结果往往差不少。本质上它还是“拿模板去套数据”。1.3 HHT的自适应思路先分解再算瞬时频率HHT和上面这些方法的根本区别在于它不预设任何基函数。EMD会从信号自身的极值分布出发按时间尺度从小到大逐层剥离出不同频率成分得到一个IMF序列和一个趋势残差。每个IMF理论上都是单分量信号可以直接做希尔伯特变换从而得到瞬时幅值和瞬时频率。这个“先分解、再求瞬时频率”的流程等于把“频率随时间变化”这件事从隐式变成了显式。时频平面的分辨率不再受窗函数约束而是由数据本身的局部变化决定。这也是为什么HHT特别适合处理突变、跳频和非线性效应明显的信号。不过自适应是它的优势也是它的软肋分解过程带有较强的经验性用不好容易出问题。后面我会重点讲这些坑。2. EMD分解把信号拆成一堆IMF的完整逻辑EMD是整个HHT的基石。它做的事情可以概括成一句话把一个复杂信号表示成若干个本征模态函数IMF加上一个残差。每个IMF对应一种“固有振动模式”分解过程完全由信号本身的极值点时间尺度驱动不需要任何先验知识。2.1 IMF的两个硬性条件一个函数要想被称为IMF必须同时满足两个条件在整个数据段内极值点的个数与过零点的个数必须相等或最多相差一个。这保证IMF基本是围绕零轴上下振荡的“窄带”分量。在任意时刻由局部极大值确定的上包络与由局部极小值确定的下包络的均值为零。换句话说IMF要局部对称不能有明显的“偏置”。这两条本质上是在保证信号“局部单分量”。只有满足这两个条件后续做希尔伯特变换得到的瞬时频率才有物理意义。如果不满足算出来的瞬时频率会出现负值或者剧烈跳动根本没法解释。2.2 筛分流程到底在做什么EMD的筛分过程我用大白话串一遍找出信号的全部局部极大值点和局部极小值点。用三次样条插值分别拟合出上包络线和下包络线。计算上下包络的平均值m1相当于信号当前的中心漂移。原始信号x(t)减去m1得到候选分量h1。检查h1是否满足IMF的两个条件。如果不满足就把h1当作新的原始信号重复1到4步。一旦h1满足条件就记为第一个IMF记为c1。原始信号减去c1得到残差r1把r1当成新信号继续筛分直到残差变成单调曲线或幅值小于设定阈值。为什么这里用三次样条而不是线性插值因为瞬时频率需要对相位求导如果包络线不光滑求导结果会充满毛刺。三次样条能保证包络和信号曲面足够平滑这是工程实现里很关键的一处细节。2.3 为什么说EMD是“数据驱动”的分解FFT把信号硬塞给一组三角函数小波需要人工挑小波基而EMD是从数据里“长”出分解结果来。极值点之间的时间间隔决定了这一层信号尺度信号本身有多快分解就从哪个尺度开始。转速高的成分先被剥离然后一层层往下筛最后剩下的残差就是趋势项。这种自适应能力让EMD在处理非线性调频、间歇性冲击和随机噪声混合的信号时常常比传统方法更贴近物理过程。但代价是计算量明显更大而且分解结果对极值点分布、筛选次数和端点处理方式都很敏感。所以EMD不是“输入信号、输出真理”的傻瓜工具而是一个需要使用者理解参数含义的分析框架。3. 希尔伯特谱与边际谱从IMF到瞬时频率的临门一脚EMD只完成了信号分解真正让HHT“封神”的是后面这一步对每个IMF做希尔伯特变换得到随时间变化的瞬时频率和瞬时幅值。这两者组合在一起就构成了希尔伯特谱。3.1 解析信号与瞬时频率的定义对任意一个IMF记作c(t)先做希尔伯特变换[ \hat{c}(t) \frac{1}{\pi} \text{PV} \int_{-\infty}^{\infty} \frac{c(\tau)}{t-\tau} d\tau ]然后构造解析信号[ z(t) c(t) j\hat{c}(t) a(t)e^{j\theta(t)} ]其中瞬时幅值 (a(t)\sqrt{c^2\hat{c}^2})瞬时相位 (\theta(t)\arctan(\hat{c}/c))。瞬时频率定义为[ f(t) \frac{1}{2\pi}\frac{d\theta(t)}{dt} ]这个定义看起来简单但前提是信号必须是单分量窄带信号。这也正是EMD必须先存在的理由只有IMF满足单分量条件相位求导出来的频率才不会出现无意义的大幅波动。如果拿原始复杂信号直接做希尔伯特变换瞬时频率往往会乱成一团甚至出现负数。3.2 希尔伯特谱和边际谱怎么看把所有IMF的瞬时频率、瞬时幅值画在同一张时间-频率图上横轴是时间纵轴是频率颜色或亮度代表瞬时幅值就得到了希尔伯特谱 (H(\omega,t))。它展示的是信号能量在时频平面上的分布能非常直观地看出频率随时间移动的轨迹。如果把希尔伯特谱沿时间轴积分就得到边际谱[ h(\omega) \int H(\omega,t)dt ]边际谱的物理意义是信号中每个频率成分在整个观测时间段里累计贡献了多少幅值或能量。和FFT谱相比边际谱不需要信号满足平稳性假设对频率成分的定位通常更尖锐也更接近真实的物理成分。很多论文里用边际谱做故障特征提取就是因为同一个故障频率在边际谱上往往比在FFT谱里更好区分。3.3 一个标准算例啁啾信号在两种频谱下的差距我用一个线性调频信号举个例子。信号频率从10Hz线性爬到50Hz持续1秒。用FFT做频谱分析会看到一个从10到50Hz的“平台”你可能知道信号包含了这段频率但看不出频率是爬升的、下降的还是随机跳变的。而在HHT谱上你看到的是一条从10Hz斜着升到50Hz的曲线时间关系一目了然。这就是HHT在非平稳信号上的核心价值比FFT多了时间维度比STFT少了窗长的纠结。边际谱则可以进一步告诉你哪个频率在整个观察期内贡献的能量最大这对定位设备故障特征频率特别有用。4. 用Python完整跑一遍HHT代码、参数和结果解读理论说得再漂亮不上手试一次都是空的。下面我用一段模拟信号演示完整流程。模拟信号包含10Hz低频正弦、一个频率从30Hz扫到80Hz的线性调频分量以及0.5秒后出现的100Hz间歇振动再加少量白噪声。4.1 环境准备与模拟信号构造Python环境里最常用的库是PyEMD安装命令如下pip install EMD-signal这里有个容易踩的小坑安装包名字叫EMD-signal但import的时候用的是PyEMD。新版PyEMD的接口和旧版略有差异建议安装完成后先跑一下版本和基本调用确认无误。构造模拟信号import numpy as np from PyEMD import EMD import matplotlib.pyplot as plt fs 1000 t np.linspace(0, 1, fs) f0 10 S (np.sin(2 * np.pi * f0 * t) np.sin(2 * np.pi * (30 * t 25 * t**2)) np.where(t 0.5, 0.5 * np.sin(2 * np.pi * 100 * t), 0) 0.05 * np.random.randn(len(t)))第二条分量是线性调频相位是 (2\pi(30t25t^2))瞬时频率就是对内层求导得到的 (3050t)正好从30Hz升到80Hz。最后加了一点白噪声模拟真实采集环境。4.2 EMD分解的代码实现与IMF解释调用EMD分解emd EMD() IMF emd.emd(S, t) plt.figure(figsize(10, 8)) for i, imf in enumerate(IMF): plt.subplot(len(IMF), 1, i 1) plt.plot(t, imf) plt.ylabel(fIMF{i 1}) plt.xlabel(时间 (s)) plt.tight_layout() plt.show()跑出来的IMF序列通常第一个是高频间歇成分对应100Hz那一段中间某个IMF对应临时频率从30到80Hz的扫频分量后面某个IMF对应10Hz低频最后一条接近趋势或极低频残差。这里不推荐机械地把每个IMF和物理信号一一对应因为当存在模态混叠时一个物理成分可能被拆到多个IMF里。但模拟信号里各分量频率差异足够大分解结果会比较干净正好适合用来理解每个IMF的物理含义。4.3 绘制希尔伯特谱的代码与读图方法自定义一个快速求希尔伯特谱的片段from scipy.signal import hilbert plt.figure(figsize(10, 6)) for imf in IMF: analytic hilbert(imf) amp np.abs(analytic) phase np.unwrap(np.angle(analytic)) freq np.diff(phase) / (2 * np.pi * np.diff(t)) times (t[:-1] t[1:]) / 2 valid freq 0 plt.scatter(times[valid], freq[valid], camp[:-1][valid], s1, cmapjet, vmin0, vmaxnp.max(amp)) plt.xlabel(时间 (s)) plt.ylabel(瞬时频率 (Hz)) plt.ylim(0, 150) plt.colorbar(label瞬时幅值) plt.show()读图时重点看三条“亮线”一条水平在10Hz附近一条从30Hz爬升到80Hz一条在0.5秒后出现在100Hz附近。颜色越亮表示该时刻该频率的能量越强。如果改用FFT看这幅图对应的原始信号很难把这些特征分开但HHT谱可以直接讲出信号变化的“故事”。5. 实战中最容易翻车的三个细节端点效应、模态混叠和停止准则HHT用起来最痛苦的从来不是原理而是那些藏在细节里的坑。我实际用过的项目里翻车最频繁的就是下面三个问题。5.1 端点效应筛分时信号两端在“乱飘”三次样条包络需要极值点作为支撑但信号端点处哪边都没有额外极值点包络会不受约束地向外发散。这会导致一个结果同一个信号只截取不同长度的段落IMF在端点附近往往会变形瞬时频率也会在首尾处出现明显的大幅摆动。我常用的缓解办法有三个端点镜像延拓把端点附近的数据镜像翻转一段人为补几个极值点让包络在端点处更自然。极值延拓根据端部附近极值点的时间间隔和幅值趋势向外预测延拓。舍弃影响区如果只关心中间段就直接丢弃两端各一小段尤其是做瞬时频率分析时。注意延拓方式本身就会影响分解结果所以不要迷信某一种延拓是“绝对正确”的。可靠做法是人工检查IMF在端部的表现如果端部畸变明显要意识到这部分结果是不可信的。5.2 模态混叠物理单一频率被拆到多个IMF里模态混叠是EMD最被诟病的问题。最常见的情况是一个本来应该集中在单个IMF里的振动模式被分散到了多个IMF中或者一个IMF里同时混入了时间尺度差异很大的成分。典型诱因包括间歇性高频信号、脉冲冲击和强噪声。缓解方案里最成熟的是集合经验模态分解EEMD和它的改进版CEEMDAN。思路是给原始信号加入有限幅值的白噪声多次分解后对结果取平均利用白噪声的统计均匀性把混叠的模态“拉”开来。噪声幅值一般取信号标准差的0.1到0.4倍集合次数视计算资源而定几百次是常见选择。但EEMD不是万能的。白噪声加太多会淹没真实弱信号加太少又起不到抑制混叠的作用集合次数太少则平均效果差、结果不稳定。用之前最好先拿模拟信号标定一组参数再应用到真实数据上。5.3 筛分停止准则多次迭代不是越少越好EMD筛分是迭代过程迭代到什么程度停止直接影响IMF质量。如果筛分次数太少IMF可能不满足条件瞬时频率会出现负值如果筛分次数太多IMF会被过度平滑变成近似常幅值的纯调频信号丢失真实的幅值调制信息。经典做法是通过相邻两次筛分结果的标准化差SD来判断停止比如[ SD \frac{\sum_{k0}^{T} |h_{i-1}(t) - h_i(t)|^2}{\sum_{k0}^{T} h_{i-1}^2(t)} ]当SD落在0.2到0.3之间时停止是很多论文沿用的一种经验准则。实际使用中我还会额外设置最大迭代次数防止程序在某些病态数据上无限循环。重要的是不要盲目照抄参数要多观察IMF的波形和瞬时频率曲线确认结果在物理上说得通。6. HHT适合做什么、不适合做什么选型思路与能力边界每次有人问我HHT好不好用我都会说它是一个很有价值的时频分析工具但不是万能的。理解了它的边界你才知道什么时候该用它。6.1 典型适用场景HHT在机械故障诊断里尤其好用。滚动轴承、齿轮箱出现局部故障时会产生周期性冲击和频率调制成分这些信号天然是非线性的FFT经常被背景噪声和频率混叠搞得很头疼HHT反而能比较清晰地把瞬时频率变化刻画出来。地震信号处理也是HHT的重要阵地地震波到达前后频率成分剧烈变化需要精确到时频定位。生物医学领域里脑电、心电、肌电信号普遍非平稳经常用HHT做特征提取。金融时间序列分析也偶有使用不过金融数据的信噪比太低用得更多是EMD做预处理而不是直接上希尔伯特谱。6.2 与FFT、小波变换的选型对比方法时间分辨率基函数依赖适合信号主要短板FFT无固定三角函数平稳信号没有时间定位能力STFT受窗长限制固定窗函数缓变信号时频分辨率无法兼得小波变换较好需要选择母小波部分非平稳信号结果依赖基函数选择HHT高完全自适应非线性、非平稳信号经验性强、有端点与混叠问题选型逻辑很简单信号平稳就用FFT效率高、解释直接信号缓变且需要一定时间信息就考虑STFT小波适合已有明确先验并愿意调试基函数的场景当你面对的是复杂变频、冲击、调制信号同时又不想预设基函数时HHT的优势就体现出来了。6.3 HHT的局限到底在哪里HHT最大的局限是“经验性”。EMD缺少像傅里叶变换那样的严格数学基础很多步骤依赖启发式准则不同参数设置可能得到不同结果。端点效应和模态混叠很难彻底消除只能缓解。计算开销也明显大于FFT处理长时间高频采样数据时会比较慢。所以我个人建议HHT更适合作为“分析手段”而不是“全自动黑盒”。用它之前先构造一段和真实信号特征相近的模拟信号把分解质量、瞬时频率曲线、谱图形态都确认没大问题再上真实数据。按照这个流程做下来HHT通常不会让你失望。最后再分享一个我自己的习惯每次拿到新数据我会先用HHT和FFT各跑一遍对照着看。FFT给出全局频率骨架HHT补上时间演变细节两张图互相印证远比单靠一种方法就能把信号“看透”要可靠。你如果刚开始接触HHT也建议从模拟信号开始把IMF和瞬时频率的对应关系摸熟了再挑战真实工程数据。本文还有配套的精品资源点击获取 希尔伯特黄变换HHT原理与Python实战：从EMD分解到瞬时频率分析
简介希尔伯特黄变换HHT是分析非线性非平稳信号的重要方法这份代码包面向信号处理工程师、科研人员与学生基于MATLAB与C语言实现经验模态分解、希尔伯特变换与瞬时频率提取可用于生物医学信号、地震数据、机械故障诊断等场景。包内共72个文件、约94KB包含40个MATLAB函数脚本、17个C源文件及11个头文件另有shell配置脚本与mat数据文件兼顾易用性与计算效率附示例目录便于快速对照运行。已有5071人学习下载。除完整的EMD分解、希尔伯特谱计算与可视化工具外还提供安装/卸载脚本与修复脚本降低配置门槛C版本可处理较大数据量或性能敏感任务通过阅读源码可理解筛分停止条件、包络构造、模态混叠处理等关键细节适合算法研究与工程落地参考。1. 从一次振动信号处理说起HHT解决的正是FFT最头疼的问题我第一次用希尔伯特黄变换HHT处理旋转机械振动信号时最大的震撼不是它算得多快而是它把一段频谱图里看不出先后关系的频率成分清清楚楚地展现在了时间轴上。当时手头的数据是一段包含冲击和变频成分的轴承振动信号用FFT做出来只有几根峰峰虽然好看但我根本说不清这些峰对应的故障特征出现在哪个时刻。直到换成HHTEMD把信号一层层拆开瞬时频率随时间的变化像看心电图一样直观很多原本要凭经验猜的信息终于有了可解释的依据。简单说HHT是一种针对非线性、非平稳信号的自适应时频分析方法由黄锷在1998年前后正式提出。它不依赖预先选好的基函数而是通过经验模态分解EMD把复杂信号拆成若干个本征模态函数IMF再对每个IMF做希尔伯特变换求出带有物理意义的瞬时频率。机械故障诊断、地震波分析、生物医学信号处理、金融时序分析凡是信号特征会随时间和工况变化的领域几乎都能看到它的身影。这篇我会从原理讲到代码再把实战里最常踩的坑单独拎出来说希望能帮你在自己的数据上少走弯路。1.1 非平稳信号的“时变”本质所谓非平稳最直白的理解就是信号的统计特性随时间变化。你去看一段平稳信号比如50Hz的正弦波它的均值、方差、频率基本恒定但真实工程信号很少这么乖轴承磨损到一定程度会出现周期性冲击转速变化会导致频率持续爬升噪声背景的强度也可能忽大忽小。这类信号最大的麻烦在于频率本身成了一个“变量”。上一秒振动的主要频率可能是100Hz下一秒就可能跳到180Hz。我们需要的不是“这段信号里有哪些频率”而是“每个频率在什么时间出现、强度怎么变化”。HHT的设计目标就是回答后面这个问题。1.2 FFT和STFT为什么总是差点意思傅里叶变换是最经典的频谱分析工具但它把整段信号展开到一组固定频率的正弦波上得到的是一个全局平均结果。一个频率成分只要在信号里出现过哪怕很短一段时间FFT都会“记上一笔”但它不会告诉你这笔账记在哪个时间节点。短时傅里叶变换STFT试图补救做法是把信号切成小段再做FFT。问题在于窗长是固定的窗太短频率分辨率差频率相近的成分分不开窗太长时间定位就模糊突变细节被抹掉。这就是海森堡测不准原则在时频分析里的体现你不可能同时获得无限精确的时间分辨率和频率分辨率。小波变换做了尺度自适应但需要提前选择母小波换成不同小波结果往往差不少。本质上它还是“拿模板去套数据”。1.3 HHT的自适应思路先分解再算瞬时频率HHT和上面这些方法的根本区别在于它不预设任何基函数。EMD会从信号自身的极值分布出发按时间尺度从小到大逐层剥离出不同频率成分得到一个IMF序列和一个趋势残差。每个IMF理论上都是单分量信号可以直接做希尔伯特变换从而得到瞬时幅值和瞬时频率。这个“先分解、再求瞬时频率”的流程等于把“频率随时间变化”这件事从隐式变成了显式。时频平面的分辨率不再受窗函数约束而是由数据本身的局部变化决定。这也是为什么HHT特别适合处理突变、跳频和非线性效应明显的信号。不过自适应是它的优势也是它的软肋分解过程带有较强的经验性用不好容易出问题。后面我会重点讲这些坑。2. EMD分解把信号拆成一堆IMF的完整逻辑EMD是整个HHT的基石。它做的事情可以概括成一句话把一个复杂信号表示成若干个本征模态函数IMF加上一个残差。每个IMF对应一种“固有振动模式”分解过程完全由信号本身的极值点时间尺度驱动不需要任何先验知识。2.1 IMF的两个硬性条件一个函数要想被称为IMF必须同时满足两个条件在整个数据段内极值点的个数与过零点的个数必须相等或最多相差一个。这保证IMF基本是围绕零轴上下振荡的“窄带”分量。在任意时刻由局部极大值确定的上包络与由局部极小值确定的下包络的均值为零。换句话说IMF要局部对称不能有明显的“偏置”。这两条本质上是在保证信号“局部单分量”。只有满足这两个条件后续做希尔伯特变换得到的瞬时频率才有物理意义。如果不满足算出来的瞬时频率会出现负值或者剧烈跳动根本没法解释。2.2 筛分流程到底在做什么EMD的筛分过程我用大白话串一遍找出信号的全部局部极大值点和局部极小值点。用三次样条插值分别拟合出上包络线和下包络线。计算上下包络的平均值m1相当于信号当前的中心漂移。原始信号x(t)减去m1得到候选分量h1。检查h1是否满足IMF的两个条件。如果不满足就把h1当作新的原始信号重复1到4步。一旦h1满足条件就记为第一个IMF记为c1。原始信号减去c1得到残差r1把r1当成新信号继续筛分直到残差变成单调曲线或幅值小于设定阈值。为什么这里用三次样条而不是线性插值因为瞬时频率需要对相位求导如果包络线不光滑求导结果会充满毛刺。三次样条能保证包络和信号曲面足够平滑这是工程实现里很关键的一处细节。2.3 为什么说EMD是“数据驱动”的分解FFT把信号硬塞给一组三角函数小波需要人工挑小波基而EMD是从数据里“长”出分解结果来。极值点之间的时间间隔决定了这一层信号尺度信号本身有多快分解就从哪个尺度开始。转速高的成分先被剥离然后一层层往下筛最后剩下的残差就是趋势项。这种自适应能力让EMD在处理非线性调频、间歇性冲击和随机噪声混合的信号时常常比传统方法更贴近物理过程。但代价是计算量明显更大而且分解结果对极值点分布、筛选次数和端点处理方式都很敏感。所以EMD不是“输入信号、输出真理”的傻瓜工具而是一个需要使用者理解参数含义的分析框架。3. 希尔伯特谱与边际谱从IMF到瞬时频率的临门一脚EMD只完成了信号分解真正让HHT“封神”的是后面这一步对每个IMF做希尔伯特变换得到随时间变化的瞬时频率和瞬时幅值。这两者组合在一起就构成了希尔伯特谱。3.1 解析信号与瞬时频率的定义对任意一个IMF记作c(t)先做希尔伯特变换[ \hat{c}(t) \frac{1}{\pi} \text{PV} \int_{-\infty}^{\infty} \frac{c(\tau)}{t-\tau} d\tau ]然后构造解析信号[ z(t) c(t) j\hat{c}(t) a(t)e^{j\theta(t)} ]其中瞬时幅值 (a(t)\sqrt{c^2\hat{c}^2})瞬时相位 (\theta(t)\arctan(\hat{c}/c))。瞬时频率定义为[ f(t) \frac{1}{2\pi}\frac{d\theta(t)}{dt} ]这个定义看起来简单但前提是信号必须是单分量窄带信号。这也正是EMD必须先存在的理由只有IMF满足单分量条件相位求导出来的频率才不会出现无意义的大幅波动。如果拿原始复杂信号直接做希尔伯特变换瞬时频率往往会乱成一团甚至出现负数。3.2 希尔伯特谱和边际谱怎么看把所有IMF的瞬时频率、瞬时幅值画在同一张时间-频率图上横轴是时间纵轴是频率颜色或亮度代表瞬时幅值就得到了希尔伯特谱 (H(\omega,t))。它展示的是信号能量在时频平面上的分布能非常直观地看出频率随时间移动的轨迹。如果把希尔伯特谱沿时间轴积分就得到边际谱[ h(\omega) \int H(\omega,t)dt ]边际谱的物理意义是信号中每个频率成分在整个观测时间段里累计贡献了多少幅值或能量。和FFT谱相比边际谱不需要信号满足平稳性假设对频率成分的定位通常更尖锐也更接近真实的物理成分。很多论文里用边际谱做故障特征提取就是因为同一个故障频率在边际谱上往往比在FFT谱里更好区分。3.3 一个标准算例啁啾信号在两种频谱下的差距我用一个线性调频信号举个例子。信号频率从10Hz线性爬到50Hz持续1秒。用FFT做频谱分析会看到一个从10到50Hz的“平台”你可能知道信号包含了这段频率但看不出频率是爬升的、下降的还是随机跳变的。而在HHT谱上你看到的是一条从10Hz斜着升到50Hz的曲线时间关系一目了然。这就是HHT在非平稳信号上的核心价值比FFT多了时间维度比STFT少了窗长的纠结。边际谱则可以进一步告诉你哪个频率在整个观察期内贡献的能量最大这对定位设备故障特征频率特别有用。4. 用Python完整跑一遍HHT代码、参数和结果解读理论说得再漂亮不上手试一次都是空的。下面我用一段模拟信号演示完整流程。模拟信号包含10Hz低频正弦、一个频率从30Hz扫到80Hz的线性调频分量以及0.5秒后出现的100Hz间歇振动再加少量白噪声。4.1 环境准备与模拟信号构造Python环境里最常用的库是PyEMD安装命令如下pip install EMD-signal这里有个容易踩的小坑安装包名字叫EMD-signal但import的时候用的是PyEMD。新版PyEMD的接口和旧版略有差异建议安装完成后先跑一下版本和基本调用确认无误。构造模拟信号import numpy as np from PyEMD import EMD import matplotlib.pyplot as plt fs 1000 t np.linspace(0, 1, fs) f0 10 S (np.sin(2 * np.pi * f0 * t) np.sin(2 * np.pi * (30 * t 25 * t**2)) np.where(t 0.5, 0.5 * np.sin(2 * np.pi * 100 * t), 0) 0.05 * np.random.randn(len(t)))第二条分量是线性调频相位是 (2\pi(30t25t^2))瞬时频率就是对内层求导得到的 (3050t)正好从30Hz升到80Hz。最后加了一点白噪声模拟真实采集环境。4.2 EMD分解的代码实现与IMF解释调用EMD分解emd EMD() IMF emd.emd(S, t) plt.figure(figsize(10, 8)) for i, imf in enumerate(IMF): plt.subplot(len(IMF), 1, i 1) plt.plot(t, imf) plt.ylabel(fIMF{i 1}) plt.xlabel(时间 (s)) plt.tight_layout() plt.show()跑出来的IMF序列通常第一个是高频间歇成分对应100Hz那一段中间某个IMF对应临时频率从30到80Hz的扫频分量后面某个IMF对应10Hz低频最后一条接近趋势或极低频残差。这里不推荐机械地把每个IMF和物理信号一一对应因为当存在模态混叠时一个物理成分可能被拆到多个IMF里。但模拟信号里各分量频率差异足够大分解结果会比较干净正好适合用来理解每个IMF的物理含义。4.3 绘制希尔伯特谱的代码与读图方法自定义一个快速求希尔伯特谱的片段from scipy.signal import hilbert plt.figure(figsize(10, 6)) for imf in IMF: analytic hilbert(imf) amp np.abs(analytic) phase np.unwrap(np.angle(analytic)) freq np.diff(phase) / (2 * np.pi * np.diff(t)) times (t[:-1] t[1:]) / 2 valid freq 0 plt.scatter(times[valid], freq[valid], camp[:-1][valid], s1, cmapjet, vmin0, vmaxnp.max(amp)) plt.xlabel(时间 (s)) plt.ylabel(瞬时频率 (Hz)) plt.ylim(0, 150) plt.colorbar(label瞬时幅值) plt.show()读图时重点看三条“亮线”一条水平在10Hz附近一条从30Hz爬升到80Hz一条在0.5秒后出现在100Hz附近。颜色越亮表示该时刻该频率的能量越强。如果改用FFT看这幅图对应的原始信号很难把这些特征分开但HHT谱可以直接讲出信号变化的“故事”。5. 实战中最容易翻车的三个细节端点效应、模态混叠和停止准则HHT用起来最痛苦的从来不是原理而是那些藏在细节里的坑。我实际用过的项目里翻车最频繁的就是下面三个问题。5.1 端点效应筛分时信号两端在“乱飘”三次样条包络需要极值点作为支撑但信号端点处哪边都没有额外极值点包络会不受约束地向外发散。这会导致一个结果同一个信号只截取不同长度的段落IMF在端点附近往往会变形瞬时频率也会在首尾处出现明显的大幅摆动。我常用的缓解办法有三个端点镜像延拓把端点附近的数据镜像翻转一段人为补几个极值点让包络在端点处更自然。极值延拓根据端部附近极值点的时间间隔和幅值趋势向外预测延拓。舍弃影响区如果只关心中间段就直接丢弃两端各一小段尤其是做瞬时频率分析时。注意延拓方式本身就会影响分解结果所以不要迷信某一种延拓是“绝对正确”的。可靠做法是人工检查IMF在端部的表现如果端部畸变明显要意识到这部分结果是不可信的。5.2 模态混叠物理单一频率被拆到多个IMF里模态混叠是EMD最被诟病的问题。最常见的情况是一个本来应该集中在单个IMF里的振动模式被分散到了多个IMF中或者一个IMF里同时混入了时间尺度差异很大的成分。典型诱因包括间歇性高频信号、脉冲冲击和强噪声。缓解方案里最成熟的是集合经验模态分解EEMD和它的改进版CEEMDAN。思路是给原始信号加入有限幅值的白噪声多次分解后对结果取平均利用白噪声的统计均匀性把混叠的模态“拉”开来。噪声幅值一般取信号标准差的0.1到0.4倍集合次数视计算资源而定几百次是常见选择。但EEMD不是万能的。白噪声加太多会淹没真实弱信号加太少又起不到抑制混叠的作用集合次数太少则平均效果差、结果不稳定。用之前最好先拿模拟信号标定一组参数再应用到真实数据上。5.3 筛分停止准则多次迭代不是越少越好EMD筛分是迭代过程迭代到什么程度停止直接影响IMF质量。如果筛分次数太少IMF可能不满足条件瞬时频率会出现负值如果筛分次数太多IMF会被过度平滑变成近似常幅值的纯调频信号丢失真实的幅值调制信息。经典做法是通过相邻两次筛分结果的标准化差SD来判断停止比如[ SD \frac{\sum_{k0}^{T} |h_{i-1}(t) - h_i(t)|^2}{\sum_{k0}^{T} h_{i-1}^2(t)} ]当SD落在0.2到0.3之间时停止是很多论文沿用的一种经验准则。实际使用中我还会额外设置最大迭代次数防止程序在某些病态数据上无限循环。重要的是不要盲目照抄参数要多观察IMF的波形和瞬时频率曲线确认结果在物理上说得通。6. HHT适合做什么、不适合做什么选型思路与能力边界每次有人问我HHT好不好用我都会说它是一个很有价值的时频分析工具但不是万能的。理解了它的边界你才知道什么时候该用它。6.1 典型适用场景HHT在机械故障诊断里尤其好用。滚动轴承、齿轮箱出现局部故障时会产生周期性冲击和频率调制成分这些信号天然是非线性的FFT经常被背景噪声和频率混叠搞得很头疼HHT反而能比较清晰地把瞬时频率变化刻画出来。地震信号处理也是HHT的重要阵地地震波到达前后频率成分剧烈变化需要精确到时频定位。生物医学领域里脑电、心电、肌电信号普遍非平稳经常用HHT做特征提取。金融时间序列分析也偶有使用不过金融数据的信噪比太低用得更多是EMD做预处理而不是直接上希尔伯特谱。6.2 与FFT、小波变换的选型对比方法时间分辨率基函数依赖适合信号主要短板FFT无固定三角函数平稳信号没有时间定位能力STFT受窗长限制固定窗函数缓变信号时频分辨率无法兼得小波变换较好需要选择母小波部分非平稳信号结果依赖基函数选择HHT高完全自适应非线性、非平稳信号经验性强、有端点与混叠问题选型逻辑很简单信号平稳就用FFT效率高、解释直接信号缓变且需要一定时间信息就考虑STFT小波适合已有明确先验并愿意调试基函数的场景当你面对的是复杂变频、冲击、调制信号同时又不想预设基函数时HHT的优势就体现出来了。6.3 HHT的局限到底在哪里HHT最大的局限是“经验性”。EMD缺少像傅里叶变换那样的严格数学基础很多步骤依赖启发式准则不同参数设置可能得到不同结果。端点效应和模态混叠很难彻底消除只能缓解。计算开销也明显大于FFT处理长时间高频采样数据时会比较慢。所以我个人建议HHT更适合作为“分析手段”而不是“全自动黑盒”。用它之前先构造一段和真实信号特征相近的模拟信号把分解质量、瞬时频率曲线、谱图形态都确认没大问题再上真实数据。按照这个流程做下来HHT通常不会让你失望。最后再分享一个我自己的习惯每次拿到新数据我会先用HHT和FFT各跑一遍对照着看。FFT给出全局频率骨架HHT补上时间演变细节两张图互相印证远比单靠一种方法就能把信号“看透”要可靠。你如果刚开始接触HHT也建议从模拟信号开始把IMF和瞬时频率的对应关系摸熟了再挑战真实工程数据。本文还有配套的精品资源点击获取