当前位置：首页 > news >正文

希尔伯特变换在机械故障诊断中的包络分析实践

news 2026/7/22 16:59:26

1. 希尔伯特变换与机械故障诊断的奇妙结合

第一次接触希尔伯特变换是在研究生时期，当时实验室的轴承试验台频繁出现异常振动。导师让我尝试用信号处理方法找出故障特征，那是我第一次见识到这个数学工具在机械诊断中的强大威力。希尔伯特变换就像给振动信号装上了"X光机"，能够穿透复杂的波形表象，直接捕捉到隐藏在其中的故障特征。

在实际工程中，机械故障往往表现为振动信号中的周期性冲击。比如轴承出现点蚀时，滚动体经过损伤点会产生周期性冲击，但这些冲击信号常常被强背景噪声和其他振动成分淹没。传统频谱分析就像在嘈杂的菜市场找人，很难分辨特定声音。而包络分析通过希尔伯特变换提取信号的"轮廓"，相当于把声音转换成波形图，让故障特征一目了然。

我处理过最典型的案例是某电厂风机轴承的早期故障诊断。原始振动信号频谱杂乱无章，但经过希尔伯特包络分析后，清晰显现出78Hz的特征频率及其谐波，与计算得到的轴承外圈故障频率完全吻合。这种早期预警让设备得以在计划停机时更换轴承，避免了非计划停机带来的上百万元损失。

2. 希尔伯特变换的核心原理剖析

2.1 从三角函数到解析信号的思维跃迁

理解希尔伯特变换最直观的方式是从简单的余弦波开始。假设有个信号x(t)=cos(ωt)，它的希尔伯特变换结果是H[x(t)]=sin(ωt)。这相当于给原信号增加了90度相位延迟，因此希尔伯特变换器也被称为理想移相器。

但真正的魔法发生在构造解析信号时。我们把原信号作为实部，希尔伯特变换结果作为虚部，就得到了z(t)=cos(ωt)+j·sin(ωt)=e^(jωt)。这个复数信号的模就是包络|z(t)|=1，相位则是∠z(t)=ωt。对于更复杂的调制信号，这个包络正好对应着信号的幅度变化轮廓。

我在教学中常用手电筒照射旋转圆柱体的例子来解释：圆柱体表面的标记是原始信号，墙面上的光影是其希尔伯特变换，而解析信号就是标记点在三维空间中的完整运动轨迹。包络就是轨迹到中心轴的距离，完美呈现了信号的幅度变化。

2.2 频域视角下的本质理解

从频域看，希尔伯特变换相当于一个特殊的滤波器：

对正频率成分乘以-j（相位延迟90度）
对负频率成分乘以j（相位超前90度）
直流分量置零

这种特性使得构造的解析信号只包含正频率成分，能量更集中。在MATLAB中实现频域希尔伯特变换时，我通常会这样操作：

function envelope = freq_hilbert(signal) N = length(signal); X = fft(signal); h = zeros(1,N); h(1) = 1; h(2:ceil(N/2)) = 2; if mod(N,2)==0 h(N/2+1) = 1; end analytic = ifft(X.*h); envelope = abs(analytic); end

这种实现方式计算效率高，而且直观展示了希尔伯特变换的频域操作本质。在处理长信号时，比时域卷积方法快数十倍。

3. 机械故障诊断的完整实战流程

3.1 轴承故障信号的模拟生成

在开发诊断算法时，我习惯先用模拟信号验证方法有效性。下面这段代码生成典型的轴承外圈故障信号：

function fault_signal = generate_bearing_fault(fs, duration, fault_freq) t = 0:1/fs:duration; % 正常振动成分 normal_vib = 0.2*sin(2*pi*120*t) + 0.1*sin(2*pi*240*t); % 故障冲击序列 impulse_train = zeros(size(t)); interval = round(fs/fault_freq); impulse_train(1:interval:end) = 1; % 冲击响应（衰减振荡） damp = 150; resp = exp(-damp*(0:1/fs:0.02)).*sin(2*pi*3000*(0:1/fs:0.02)); % 合成故障信号 fault_signal = normal_vib + 0.5*conv(impulse_train, resp, 'same') + 0.02*randn(size(t)); end

这个模型包含了三个关键要素：

基础振动：来自设备正常运转的谐波成分
周期性冲击：故障特征的主要表现，间隔对应故障频率
背景噪声：模拟实际测量环境中的随机干扰

3.2 包络分析的进阶技巧

直接对原始信号做希尔伯特变换往往效果不佳，我总结出几个关键预处理步骤：

带通滤波：先聚焦在共振频段。用MATLAB设计椭圆滤波器：

[b,a] = ellip(4,0.1,40,[2000 4000]/(fs/2),'bandpass'); filtered_signal = filtfilt(b,a,raw_signal);

平方解调：增强冲击特征

squared_signal = filtered_signal.^2;

移动平均平滑：抑制随机噪声

window_size = round(fs/1000); % 1ms窗口 smoothed = movmean(squared_signal, window_size);

完整的包络分析函数可以这样实现：

function [envelope, env_spectrum] = enhanced_hilbert(signal, fs) % 带通滤波 [b,a] = ellip(4,0.1,40,[2000 4000]/(fs/2),'bandpass'); filtered = filtfilt(b,a,signal); % 平方解调 demodulated = filtered.^2; % 希尔伯特变换 analytic = hilbert(demodulated); raw_env = abs(analytic); % 包络平滑 envelope = movmean(raw_env, round(fs/1000)); % 包络频谱 N = length(envelope); env_spectrum = abs(fft(envelope))/N; end

3.3 故障特征频率的精准识别

获得包络信号后，频谱分析就能揭示故障特征。这个案例展示了如何识别轴承外圈故障：

fs = 12000; % 采样率12kHz fault_freq = 85; % 理论计算的外圈故障频率 % 生成故障信号 signal = generate_bearing_fault(fs, 1, fault_freq); % 增强包络分析 [envelope, env_spectrum] = enhanced_hilbert(signal, fs); % 频谱分析 N = length(env_spectrum); f = (0:N-1)*fs/N; figure; plot(f(1:N/2), env_spectrum(1:N/2)); xline(fault_freq, 'r--', 'LineWidth', 1.5); xline(2*fault_freq, 'r:', 'LineWidth', 1.2); title('包络频谱 - 轴承外圈故障特征'); xlabel('频率 (Hz)'); ylabel('幅值'); legend('包络谱', '故障频率', '二倍频'); grid on;

在实际诊断中，我还会计算故障特征指标：

% 提取故障频率附近的峰值 search_band = [0.95, 1.05] * fault_freq; idx = f >= search_band(1) & f <= search_band(2); peak_value = max(env_spectrum(idx)); % 计算信噪比 noise_floor = median(env_spectrum); SNR = 20*log10(peak_value/noise_floor); fprintf('故障频率峰值: %.3f\n', peak_value); fprintf('信噪比: %.1f dB\n', SNR);