1.EMD分解

EMD（经验模态）分解：将复合（非平稳）信号分解成不同IMF分量。简单概括就是讲复杂信号分解成简单信号，可将调制信号分解成高频（固有频率）载波信号和故障特征（冲击）信号。

2.希尔伯特-黄变换

希尔伯特-黄变换（HHT）：EMD分解出的IMF分量再经过Hilbert变换，最终得到信号瞬时频率和瞬时幅值。

（1）HHT的结果反映的是信号的时频特征，即信号的频域特征随时间变化的规律。相对于傅里叶变化得到的是信号的频率组成，HHT还可以获取频率成分随时间的“变化”。（2）EMD可以自适应地进行时频局部化分析，有效提取原信号的特征信息。（3）从HHT结果中选择出满足要求的特征分量并重组信号，有利于将关注的特征从复杂的混合信号中分离出来。

希尔伯特谱（Hilbert Spectrum）是希尔伯特-黄变换得到的最直观结果，反映的是信号时间、瞬时频率和幅值（颜色表示）之间的关系。可以用于分析包含混合分量信号中各分量随时间变化的规律，以识别局部特征。

希尔伯特谱有时是将emd分解后所有imf分量作为分析对象的，而有时会有针对性地挑选出某个或某几个imf分量分析，具体怎样操作是要结合具体研究内容有针对性地选择的。

希尔伯特谱是一种时频谱，反应的是信号频率成分随着时间的变化，是分析非平稳信号（例如例子中的故障信号）的重要手段。使用这种类型的分析方法强调的就是“变化”，即特征在时间尺度上的改变——因为如果信号没有随时间发生变化，使用频域分析手段就够了。正因如此，HHT的方法在在生物医学（如血压变化）、地球物理（如地震、海浪分析）、工程领域（故障诊断等）的非平稳信号为主要研究对象的领域广泛应用。

3.边际谱

边际谱（Marginal Spectrum）是建立在已经算出希尔伯特谱H（t，f）的基础上的，计算方法是将希尔伯特谱在时间轴上进行积分，使之从幅值-时间-频率三者间的关系转变为幅值-频率两者间的关系，描述幅值（或能量）在频率轴上的分布。

傅里叶谱和边际谱有一定的相关性，但是在处理非平稳信号时，更适合使用边际谱，因为“傅里叶变换为了在数学上拟合原始数据的非平稳波形，不得不引入大量高频的'伪'谐波分量，这会导致傅里叶谱对低频能量的低估。

4.包络谱

包络谱最常见的应用场景就是机械产品故障诊断（尤其是轴承）。不过需要区别于边际谱的是，包络谱不是基于希尔伯特谱。包络谱的求法是：目标信号→希尔伯特变换→得到解析信号→求解析信号的模→得到包络信号→傅里叶变换→得到Hilbert包络谱。

包络谱是一种解调方法，在某些轴承故障中（例如表面损伤）会在轴承运行中激发出一些列周期性冲击信号，这些信号会与高频固有振动发生调制。包络谱分析能够有效地将这种低频冲击信号进行解调提取。需要注意的是，包络谱与频谱结果差异较大，包络谱更适用于做故障特征提取。

振动解调可以在滚动轴承故障发展的初始阶段检测到故障特征，并且追踪轴承故障的发展，在第二、三、四阶段中以不同的信号反应轴承的不同状态。同时可采用振动速度或振动加速度传感器检测轴承第三阶段的故障频率。

5.轴承故障

轴承外圈有缺陷时，在解调频谱上可见轴承外圈缺陷频率BPFO及其高次谐波，对于外圈不固定的轴承，可能出现其转速频率的边频。

轴承内圈有缺陷时，在解调频谱上可见轴承内圈缺陷频率BPFI及其高次谐波，对于内圈转动的轴承，可能出现其转速频率的边频。

当内圈出现故障时，如果它位于加载区域，产生的冲击会更加剧烈，从而产生更高的振幅。当内圈故障位置转出加载区时，其振幅又会降低，并在轴承顶部（不受载）达到最小值。这种情况下内圈的故障频率倍内圈的旋转频率所调制，可在频谱中看到1×边频带出现。

轴承滚动体有缺陷时，在解调频谱上可见轴承滚动体缺陷频率BSF及其高次谐波，以及出现转速频率的边频。此外，由于滚动体对外圈的冲击强于对内圈的冲击，在解调谱上还会存在BSF的半谐波。

当滚珠运转在载荷区时，产生比运转在非载荷区更强烈的冲击。越接近载荷区，振幅越大，滚珠沿轴承以保持架频率FT滚动。频率大约0.4×。

轴承保持架有缺陷时，在解调频谱上可见轴承保持架缺陷频率FIF及其高次谐波，另外由于轴承润滑不良也会引起保持架与滚动体的直接接触而出现保持架缺陷频率。

机械工程的学习还是要多以练习为主，想要练习的同学，推荐可以去看，他们现在的题库内容很丰富，属于国内做的很好的了，而且是课程+刷题+面经+求职+讨论区分享，一站式求职学习网站，最最最重要的里面的资源全部免费。

牛客网 - 找工作神器|笔试题库|面试经验|实习招聘内推，求职就业一站解决_牛客网求职之前，先上牛客，就业找工作一站解决。互联网IT技术/产品/运营/硬件/汽车机械制造/金融/财务管理/审计/银行/市场营销/地产/快消/管培生等等专业技能学习/备考/求职神器，在线进行企业校招实习笔试面试真题模拟考试练习，全面提升求职竞争力，找到好工作，拿到好offer。https://www.nowcoder.com/link/pc_csdncpt_ssdxjg_python

他们这个练习题，知识点编排详细，题目安排合理，题目表述以指导的形式进行。整个题单覆盖了全部知识点，通过知识点分类逐层递进，从开始到最后的实践任务，都会非常详细地指导。

牛客网（牛客网 - 找工作神器|笔试题库|面试经验|实习招聘内推，求职就业一站解决_牛客网）还提供题解专区和讨论区会有大神提供题解思路，对新手玩家及其友好，有不清楚的语法，不理解的地方，看看别人的思路，别人的代码，也许就能豁然开朗。

快点击下方链接学起来吧！

牛客网 - 找工作神器|笔试题库|面试经验|实习招聘内推，求职就业一站解决_牛客网

简述EMD分解、希尔伯特变换、谱方法相关推荐

使用MATLAB实现对信号的EMD分解
文章目录 0 前言 1 经验模式分解EMD 2 希尔伯特变换HT 3 希尔伯特-黄变换HHT 4 基于EMD的语音信号处理 5 MATLAB实现对信号的EMD分解 5.1 对构造的信号进行EMD 5. ...
python 希尔伯特变换_Python中HHT(希尔伯特-黄变换)以及其在EEG数据处理中的应用...
在脑电信号的处理过程中去除伪迹是很关键的一个步骤,常用的有ICA和小波等方法.不过这些方法大多是针对多通道脑电数据进行处理的,单通道的脑电数据如何去除伪迹呢?推荐一篇文章<单通道脑电信号眼电伪迹 ...
hilbert谱 matlab,MATLAB实现EMD分解及希尔伯特谱分析
MATLAB实现EMD分解及希尔伯特谱分析希尔伯特-黄变换传统的傅里叶变化只能得到信号在采样周期内的全局频率信息,处理频率随时间变化的非平稳信号具有很大的局限性,希尔伯特-黄变换(Hilbert- ...
java emd,MATLAB实现EMD分解及希尔伯特谱分析
MATLAB实现EMD分解及希尔伯特谱分析希尔伯特-黄变换传统的傅里叶变化只能得到信号在采样周期内的全局频率信息,处理频率随时间变化的非平稳信号具有很大的局限性,希尔伯特-黄变换(Hilbert- ...
MATLAB实现EMD分解及希尔伯特谱分析
MATLAB实现EMD分解及希尔伯特谱分析希尔伯特-黄变换传统的傅里叶变化只能得到信号在采样周期内的全局频率信息,处理频率随时间变化的非平稳信号具有很大的局限性,希尔伯特-黄变换(Hilbert- ...
离散信号的希尔伯特变换的计算公式_希尔伯特变换和瞬时频率问题--连载（二）...
写在开始的一段话: PS:OK,上一期关于希尔伯特变换的文章发出后,有知友在评论区说"看到最后--居然这--",哈哈,其实我也挺愧疚大家的,明明一篇知识分享的文章,却写到结尾都没进 ...
时序预测 | MATLAB实现基于EMD-LSTM时间序列预测（EMD分解结合LSTM长短期记忆神经网络）
时序预测 | MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM长短期记忆神经网络) 目录时序预测 | MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM ...
希尔伯特变换在MATLAB中的应用
原文出处:http://www.cnblogs.com/xingshansi/articles/6498913.html 一.基本理论 A-Hilbert变换定义对于一个实信号x(t)x(t),其希 ...
从欧拉公式看希尔伯特变换
从欧拉公式看希尔伯特变换 1.定义 2.欧拉公式 3.希尔伯特变换的意义 4.希尔伯特解耦原理很好的参考资料: 希尔伯特变换理论及matlab计算 [Hilbert端点效应分析 Gibbs现象](h ...

简述EMD分解、希尔伯特变换、谱方法