希尔伯特变换（Hilbert Transform）介绍, 结合傅里叶变换希尔伯特变换、特征提取和集成学习来进行分类，判断一个信号是否来自故障设备

希尔伯特变换（Hilbert Transform）简介

希尔伯特变换（Hilbert Transform）是信号处理领域中的一个重要数学工具，广泛应用于分析信号的瞬时幅度、瞬时相位以及包络等特性。希尔伯特变换在调制解调、语音处理、地震信号分析、振动分析以及生物医学信号处理中都有着重要的应用。

希尔伯特变换的定义

希尔伯特变换是一种线性时不变的变换，它将一个实值信号转换为与其原始信号正交的信号。对于一个实值信号$x(t)$ 其希尔伯特变换$\hat{x}(t)$ 定义为:
$$\hat{x}(t)=\frac{1}{\pi }\cdot \text{P.V.}{\int }_{-\infty }^{\infty }\frac{x(\tau )}{t-\tau }d\tau$$
其中，P.V. 表示柯西主值积分。
希尔伯特变换的频域表示可以通过傅里叶变换得到。对于一个信号的傅里叶变换$X(f)$,其希尔伯特变换的傅里叶变换$\hat{X}(f)$是:
$$\hat{X}(f)=-j\cdot sgn(f)\cdot X(f)$$
其中，$sgn(f)$是符号函数，定义为:
$$\text{sgn}(f)=\{\begin{array}{ll}1,& f>0\\ 0,& f=0\\ -1,& f<0\end{array}$$
通过这个变换，信号的正频率分量被乘以 -j，负频率分量被乘以 j，从而在时间域中产生了一个与原始信号正交的信号。

解析信号（Analytic Signal）

希尔伯特变换常常与解析信号（Analytic Signal）的概念联系在一起。一个信号的解析信号是由原始信号和其希尔伯特变换组合而成的复数信号。解析信号定义为：
$$z(t)=x(t)+j\hat{x}(t)$$
其中：
$x(t)$是原始信号（实部）。
$\hat{x}(t)$是通过希尔伯特变换得到的信号（虚部）。
解析信号的实部是原始信号，虚部是其希尔伯特变换。这种形式的信号在频域上只有正频率分量，因此称为“解析”信号。

应用场景

瞬时幅度和瞬时相位的计算：

解析信号的幅度和相位提供了关于信号的瞬时特性的信息。对于解析信号 $z(t)$，其瞬时幅度 $A(t)$和瞬时相位ϕ(t)分别为：
$$A(t)=|z(t)|=\sqrt{x(t{)}^2+\hat{x}(t{)}^2}$$

$$\varphi (t)=\arg (z(t))={\tan }^{-1}\left(\frac{\hat{x}(t)}{x(t)}\right)$$
瞬时幅度代表信号包络，瞬时相位代表信号的相位随时间的变化。

包络检测

希尔伯特变换常用于包络检测，尤其是在振动信号分析和调制信号解调中。通过计算信号的瞬时幅度，可以获得信号的包络，这对于分析调制信号的特征非常有用。

振动分析和故障诊断

在机械系统中，希尔伯特变换用于检测振动信号中的冲击或周期性故障特征。包络分析可以帮助识别轴承、齿轮等旋转设备中的早期故障

语音处理

在语音信号处理中，希尔伯特变换用于提取语音信号的瞬时频率和幅度信息。这些特征在语音增强、语音识别等应用中非常重要

地震信号分析

在地震学中，希尔伯特变换用于分析地震信号的瞬时特性，帮助识别地震波形的特征，如幅度、相位等

生物医学信号处理

在心电图（ECG）、脑电图（EEG）等生物医学信号处理中，希尔伯特变换用于分析信号的瞬时特性，帮助诊断疾病

本文代码

将希尔伯特变换与傅里叶变换相结合，再结合集成学习应用于信号处理任务中。假设我们处理的是一个机械振动信号，用于检测和分类设备的运行状态（正常或故障）

步骤

信号生成：生成一个包含正常和故障状态的合成振动信号。
傅里叶变换：计算信号的频谱特征。
希尔伯特变换：计算信号的瞬时幅度和相位特征。
特征提取：从傅里叶变换和希尔伯特变换中提取特征。
集成学习：使用提取的特征训练集成学习模型，进行信号分类。

核心代码

% Step 1: Generate Synthetic Vibration Signals
Fs = 1000;                 % Sampling frequency (1 kHz)
T = 5;                     % Signal duration (5 seconds)
t = (0:1/Fs:T-1/Fs)';      % Time vector

% Generate normal operation signal (sinusoidal components)
freq_normal = [50, 120, 180];  % Frequencies of normal operation
amp_normal = [1, 0.5, 0.3];    % Amplitudes of normal operation

% Calculate the normal signal with element-wise operations
signal_normal = sum(amp_normal .* sin(2*pi*freq_normal .* t), 2);

% Generate fault operation signal (includes high-frequency fault components)
freq_fault = [50, 120, 180, 300, 450];  % Include fault frequencies
amp_fault = [1, 0.5, 0.3, 0.4, 0.2];    % Corresponding amplitudes

% Calculate the fault signal with element-wise operations
signal_fault = sum(amp_fault .* sin(2*pi*freq_fault .* t), 2);

% Combine signals and add noise
SNR = 20;                   % Signal-to-noise ratio (in dB)
signal_normal_noisy = awgn(signal_normal, SNR, 'measured');
signal_fault_noisy = awgn(signal_fault, SNR, 'measured');

% Step 2: Fourier Transform (Frequency Domain Analysis)
N = length(t);
frequencies = (0:N-1)*(Fs/N);     % Frequency vector

% FFT for normal signal
fft_normal = fft(signal_normal_noisy);
magnitude_spectrum_normal = abs(fft_normal)/N;

% FFT for fault signal

% Step 3: Hilbert Transform (Time-Domain Instantaneous Features)
% Hilbert transform to get the analytic signal
analytic_signal_normal = hilbert(signal_normal_noisy);
analytic_signal_fault = hilbert(signal_fault_noisy);

% Instantaneous amplitude (envelope)
inst_amplitude_normal = abs(analytic_signal_normal);
inst_amplitude_fault = abs(analytic_signal_fault);

% Instantaneous phase
inst_phase_normal = unwrap(angle(analytic_signal_normal));
inst_phase_fault = unwrap(angle(analytic_signal_fault));

% Step 4: Feature Extraction
% Extract statistical features from the time-domain and frequency-domain
features_normal = [
    mean(inst_amplitude_normal), std(inst_amplitude_normal), ...
    mean(inst_phase_normal), std(inst_phase_normal), ...
    max(magnitude_spectrum_normal), mean(magnitude_spectrum_normal)
];


% Combine features into a dataset
X = [features_normal; features_fault];
Y = [0; 1];  % Labels: 0 for normal, 1 for fault

% Step 5: Ensemble Learning (Classification)
% Train an ensemble classifier (e.g., Random Forest)
Mdl = fitcensemble(X, Y, 'Method', 'Bag');  % Bagging with decision trees

% Step 6: Predict and Evaluate
% Predict the class of a new sample
new_sample = awgn(signal_fault, SNR, 'measured');  % New test signal
new_sample_fft = abs(fft(new_sample))/N;
new_sample_hilbert = hilbert(new_sample);


predicted_label = predict(Mdl, new_features);

% Display the result
fprintf('Predicted label: %d (0: Normal, 1: Fault)\n', predicted_label);

% Step 7: Visualization (Optional)
figure;
subplot(3,1,1);
plot(t, signal_normal_noisy);
title('Noisy Normal Signal');
xlabel('Time (s)');
ylabel('Amplitude');

subplot(3,1,2);
plot(t, signal_fault_noisy);
title('Noisy Fault Signal');
xlabel('Time (s)');
ylabel('Amplitude');

subplot(3,1,3);
plot(frequencies(1:N/2), magnitude_spectrum_normal(1:N/2), 'b');
hold on;
plot(frequencies(1:N/2), magnitude_spectrum_fault(1:N/2), 'r');
title('Frequency Spectrum');
xlabel('Frequency (Hz)');
ylabel('Magnitude');
legend('Normal', 'Fault');

代码说明

信号生成：
生成了两个信号，一个代表正常操作的振动信号，另一个代表含有故障成分的振动信号。信号包含多种频率分量，并添加了高斯噪声以模拟实际环境。
傅里叶变换：
使用傅里叶变换将信号转换到频率域，计算振动信号的幅度谱。幅度谱用于提取信号的频率特征，帮助识别正常和故障状态。
希尔伯特变换：
通过希尔伯特变换计算信号的解析信号，并进一步提取瞬时幅度（包络）和瞬时相位。这些特征揭示了信号的瞬时行为，是故障检测的重要信息。
特征提取：
从傅里叶变换和希尔伯特变换中提取了多个统计特征，包括瞬时幅度的均值和标准差、瞬时相位的均值和标准差、频谱的最大值和均值。这些特征构成了分类模型的输入。
集成学习：
使用集成学习方法（Bagging，基于决策树）来训练分类模型。训练后的模型用于分类新信号的状态（正常或故障）。
预测和评估：
将一个新的测试信号输入到训练好的集成学习模型中，并输出预测结果。预测结果为“0”表示正常状态，为“1”表示故障状态。
可视化（可选）：
绘制了正常和故障信号的时域图和频谱图，帮助直观理解信号的特征。

适用场景

机械故障检测：该方法可以应用于轴承、齿轮或其他旋转机械的故障检测。
振动信号分析：适用于分析复杂振动信号中的异常行为。
生物医学信号处理：可以扩展到分析生物医学信号（如心电图、脑电图）的异常状态。

效果

完整代码获取

关注下方微信公众号，回复"希尔伯特变换"，即可获取完整代码