求hht边际谱_hilbert包络谱应用实例

下面以一个实例说明hilbert边际谱的应用。其中的数据来自于美国凯斯西储大学的旋转机械故障数据的第105组，该组数据经过计算其故障频率为162.27hz,该实例中得出的是164.1hz，说明基本准确。

clc

clear

z=load('D:105.mat');

x=z.X105_DE_time(1:1024);

N=1024;

fs=12000;

n=0:N-1;

f=n*fs/N;

lag=N;

n=0:N-1;

t=n/fs;

imf=emd(x);

[m,n]=size(imf);%imf为一m*n阶矩阵，m是imf分量，n为数据点 

emd_visu(x,1:length(x),imf,m); %实信号的信号重构及emd结果显示函数 

[r,lags]=xcorr(x,lag,'unbiased'); %计算序列的自相关函数 

for i=1:m

[R,lags]=xcorr(imf(i,:),lag,'unbiased');%计算序列的自相关函数 

a=corrcoef(R(1:N/2),r(1:N/2));%相关系数矩阵【对称】，主对角元素为1 

xg(i)=abs(a(1,2));%相关系数 

end

[R,C]=max(xg);%R为最大值，C为最大元素在数组中的位置   

figure(1);

y=hilbert(imf(C,:));

a=abs(y);%包络 

b=fft(a);

mag1=abs(b);

mag=mag1*2/N;

f1=(0:N-1)*fs/N;

plot(f1(1:N/2),mag(1:N/2));%set(gca,'xlim',[0,.400]); 

title('包络');

xlabel('频率');

ylabel('幅值');

该程序首先通过HHT变换中的EMD分解算法，将原数据分解得出若干分量，再在这些分量中找出和原数据相关程度最大的那个分量，再计算这个分量的hilbert包络谱，即得出故障频率。

当然也可以通过边际谱得出。