随机振动信号分析方法总结（时域、频域、时频域EMD、HHT分析，matlab边际谱程序）

随机振动信号分析方法总结

信号处理（信号滤波、时频域分析、神经网络、寿命预测）

一、时域分析

时域分析特征包括均值、方差、峭度、峰峰值等；

振动信号降噪结果分析：
对于去噪效果好坏的评价，常用信号的信噪比（SNR）、估计信号同原信号的均方根误差（RMSE）来判断。SNR 越高则说明混在信号里的噪声越小，否则相反。RMSE的计算值越小则表示去噪效果越好。
信噪比定义：

均方根误差定义：

二、频域分析

三、 时频联合域分析（Joint Time-Frequency Analysis，JTFA）

即时频分析，通过对时变非平稳信号提供时域与频域的联合分布信息，从而清楚地描述出时间和频率的相互变化关系。在传统的信号处理上，常使用傅里叶变换及其反变换进行时频分析。但是其作为一种信号的整体变换，不具备时间和频率的定位功能，更适用于平稳信号的分析。而现实中采集的信号多为非平稳信号，由于其频率随时间变化较大，因此分析方法必须能够准确地反映出信号的局部时变频率特性，若使用传统的方法则很难对信号进行更好的分析，因此需要把整体谱推广到局部谱中。时频分析方法是将一维时域信号映射到二维时频平面，全面地反映信号的时频联合特征，通过设计时间和频率的联合函数，从而描述信号在不同时间和频率的能量密度与强度。目前常用的时频分析方法有小波变换、短时傅里叶变换、Wigner-Ville 分布、Hilbert-Huang 变换等。

1. HHT(Hulbert-Huang变换)

HHT 分析法由经验模态分解（Empirical Mode Decomposition，EMD）和 Hilbert 谱分析（Hilbert Spectrum Analysis，HAS）两部分构成。其处理非平稳信号的基本过程如下：
首先使用 EMD 将采集到的各类信号分解为满足相应条件的若干固有模态函数（Intrinsic Mode Function，IMF)；然后对每一阶的 IMF 分量进行 Hilbert 变换，得到相应的 Hilbert 谱；最后将这些分量的 Hilbert 谱进行汇总，即可得到原信号的 Hilbert 谱。

1.1 图解经验模态分解(EMD)

这部分转自简书：一位学有余力的同学

1.1.1 经验模态分解是做什么的

**经验模态分解(Empirical Mode Decomposition，EMD)**是由美国工程师黄锷于1998年提出的一种信号的时频分析方法，这里的信号指的是时序信号。

常见的时序信号处理方法可以分为三类：时域、频域和时频域。时域分析特征包括均值、方差、峭度、峰峰值等；频域特征包括频率、能量等；而时频域分析有小波变换等。经验模态分解就属于一种时频分析方法。

黄锷认为所有的信号都是由有限个**本征模函数(Intrinsic Mode Function, IMF)**组成。IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。

这和快速傅里叶变换(Fast Fourier Transform, FFT)有些像，FFT假设所有信号都是由很多周期性的正弦信号组成，这些信号有着不同的幅频和相位。使用FFT可以将时域信号转换到频域，但EMD分解