别再只用plot了！用Matlab的hilbert和envelope函数，3步搞定信号包络线分析

别再只用plot了！用Matlab的hilbert和envelope函数，3步搞定信号包络线分析

信号分析中，我们常常需要观察信号的幅值变化趋势，而不仅仅是原始波形。想象一下，你正在分析一段机械振动信号，或者处理一段音频数据，如何快速提取信号的上下边界？这就是包络线分析的用武之地。对于Matlab用户来说，hilbert和envelope这两个函数可以帮你轻松实现这一目标，而且操作简单到只需3步。

传统上，工程师和学生可能会反复使用plot函数查看原始信号，但这种方法往往难以直观展示信号的幅值变化范围。本文将带你深入了解这两种方法的原理差异、适用场景和实战技巧，让你在处理调频信号、衰减信号等复杂波形时游刃有余，生成可直接用于技术报告的专业图表。

1. 包络线分析的核心原理与工具选择

包络线分析的本质是提取信号幅值变化的边界线。在Matlab中，我们主要有两种实现方式：基于希尔伯特变换的hilbert函数和专门设计的envelope函数。理解它们的数学原理和计算特点，能帮助我们在不同场景下做出更明智的选择。

希尔伯特变换是一种线性算子，它将实信号转换为解析信号。解析信号的实部是原始信号，虚部是原始信号的希尔伯特变换。这个变换的一个重要特性是：解析信号的幅值正好就是原始信号的包络线。Matlab中的hilbert函数实现了这一变换，返回的复数结果中，实部是原始信号，虚部是变换后的信号。

相比之下，envelope函数是Matlab专门为包络线分析设计的高级函数。它内部也使用希尔伯特变换，但做了更多优化处理：

• 自动去除信号均值，计算完成后再加回
• 直接返回上下包络线，无需手动计算绝对值
• 对矩阵数据支持列向量独立处理

两种方法的核心差异对比：

在实际工程应用中，如果你的目标是快速获得信号的上下包络线，envelope函数通常是更好的选择。但如果你需要访问解析信号的其他特性，或者进行更底层的信号处理，hilbert函数提供了更大的灵活性。

2. 使用hilbert函数进行包络分析的完整流程

让我们通过一个完整的示例来演示如何使用hilbert函数进行包络线分析。我们将创建一个调幅信号作为测试数据，这种信号在通信系统和机械振动分析中都很常见。

首先，我们生成一个载波频率为100Hz，调制频率为5Hz的调幅信号：

% 参数设置 fs = 1000; % 采样频率(Hz) t = 0:1/fs:1; % 时间向量(1秒) fc = 100; % 载波频率(Hz) fm = 5; % 调制频率(Hz) A = 1 + 0.5*sin(2*pi*fm*t); % 时变幅值 % 生成调幅信号 carrier = sin(2*pi*fc*t); AM_signal = A .* carrier;

现在，我们使用hilbert函数对这个信号进行分析：

% 希尔伯特变换 analytic_signal = hilbert(AM_signal); envelope_amplitude = abs(analytic_signal); % 计算包络幅值

为了更全面地展示信号特征，我们可以同时绘制原始信号、包络线以及解析信号的虚部：

figure; subplot(2,1,1); plot(t, AM_signal, 'b'); hold on; plot(t, envelope_amplitude, 'r--', 'LineWidth', 1.5); plot(t, -envelope_amplitude, 'r--', 'LineWidth', 1.5); title('信号及其包络线'); xlabel('时间(s)'); ylabel('幅值'); legend('原始信号', '包络线'); grid on; subplot(2,1,2); plot(t, real(analytic_signal), 'b'); hold on; plot(t, imag(analytic_signal), 'g'); title('解析信号的实部和虚部'); xlabel('时间(s)'); ylabel('幅值'); legend('实部(原始信号)', '虚部(希尔伯特变换)'); grid on;

提示：在实际应用中，我们可能需要对信号进行预处理。例如，如果信号包含高频噪声，直接进行希尔伯特变换可能会得到不理想的包络线。这时可以先使用低通滤波器对信号进行平滑处理。

hilbert方法的一个高级应用场景是提取瞬时频率。解析信号的相位随时间变化率就是瞬时频率：

instantaneous_phase = unwrap(angle(analytic_signal)); instantaneous_frequency = diff(instantaneous_phase)/(2*pi)*fs; figure; plot(t(2:end), instantaneous_frequency); title('瞬时频率'); xlabel('时间(s)'); ylabel('频率(Hz)'); grid on;

这种方法特别适合分析频率随时间变化的信号，如雷达信号或机械故障诊断中的振动信号。

3. envelope函数的实战技巧与高级应用

envelope函数是Matlab中更便捷的包络分析工具，特别适合工程应用。它提供了几种不同的包络计算方法，可以通过可选参数进行选择。让我们通过几个典型场景来探索它的强大功能。

3.1 基本使用方法

最基本的用法是直接获取信号的上下包络线：

% 生成一个衰减振荡信号 t = 0:0.001:1; f = 25; % 振荡频率(Hz) damping = 5; % 衰减系数 signal = exp(-damping*t) .* sin(2*pi*f*t); % 计算包络线 [upper_env, lower_env] = envelope(signal); % 可视化 figure; plot(t, signal, 'b'); hold on; plot(t, upper_env, 'r', 'LineWidth', 1.5); plot(t, lower_env, 'r', 'LineWidth', 1.5); title('衰减振荡信号及其包络线'); xlabel('时间(s)'); ylabel('幅值'); legend('原始信号', '上包络', '下包络'); grid on;

3.2 不同计算方法的比较

envelope函数支持三种不同的包络计算方法，可以通过第二个参数指定：

1. 'analytic'（默认）：基于希尔伯特变换的方法
2. 'rms'：使用滑动RMS窗口
3. 'peak'：使用峰值检测

比较不同方法的效果：

% 生成含噪声的调频信号 t = 0:0.001:1; signal = chirp(t, 20, 1, 120) .* (1 + 0.3*sin(2*pi*2*t)); noisy_signal = signal + 0.1*randn(size(t)); % 计算不同方法的包络 [up_analytic, lo_analytic] = envelope(noisy_signal, 'analytic'); [up_rms, lo_rms] = envelope(noisy_signal, 50, 'rms'); % 50个样本的窗口 [up_peak, lo_peak] = envelope(noisy_signal, 30, 'peak'); % 30个样本的窗口 % 可视化比较 figure; subplot(3,1,1); plot(t, noisy_signal, 'b'); hold on; plot(t, up_analytic, 'r', t, lo_analytic, 'r'); title('解析方法'); grid on; subplot(3,1,2); plot(t, noisy_signal, 'b'); hold on; plot(t, up_rms, 'r', t, lo_rms, 'r'); title('RMS方法(窗口50)'); grid on; subplot(3,1,3); plot(t, noisy_signal, 'b'); hold on; plot(t, up_peak, 'r', t, lo_peak, 'r'); title('峰值检测方法(窗口30)'); grid on;

不同方法的适用场景：

• 'analytic'：适合信噪比较高的信号，计算速度快
• 'rms'：对噪声有更好的鲁棒性，适合平稳信号
• 'peak'：适合脉冲型信号或需要精确跟踪峰值的情况

3.3 多通道信号处理

envelope函数的一个强大特性是它天然支持多通道信号处理。假设我们有一个3通道的振动传感器数据：

% 生成三通道信号 t = 0:0.001:1; frequencies = [50, 75, 100]; % 各通道不同频率 signals = zeros(length(t), 3); for i = 1:3 signals(:,i) = sin(2*pi*frequencies(i)*t) .* (1 + 0.2*sin(2*pi*2*t)); end % 计算各通道包络 [up, lo] = envelope(signals); % 可视化 figure; for i = 1:3 subplot(3,1,i); plot(t, signals(:,i), 'b'); hold on; plot(t, up(:,i), 'r', t, lo(:,i), 'r'); title(['通道 ', num2str(i), ' (频率: ', num2str(frequencies(i)), 'Hz)']); grid on; end

这种批处理能力使得envelope函数特别适合处理多传感器数据，如机械振动监测或EEG信号分析。

4. 工程应用中的实际问题与解决方案

在实际工程应用中，我们经常会遇到各种特殊情况，需要调整方法或添加预处理步骤。本节将探讨几个常见问题及其解决方案。

4.1 处理非平稳信号

对于频率内容随时间变化的非平稳信号（如chirp信号），直接使用包络分析可能不够。这时可以先进行时频分析（如短时傅里叶变换），然后在特定频带内提取包络。

% 生成chirp信号 fs = 1000; t = 0:1/fs:2; f0 = 10; f1 = 100; % 频率从10Hz线性增加到100Hz signal = chirp(t, f0, 2, f1, 'linear'); % 添加随机冲击 impulse_times = [0.5, 1.2, 1.8]; for it = impulse_times idx = round(it*fs); signal(idx) = signal(idx) + 0.5; end % 带通滤波后提取包络 [b,a] = butter(4, [20 80]/(fs/2)); % 20-80Hz带通 filtered_signal = filtfilt(b, a, signal); [up, lo] = envelope(filtered_signal); % 可视化 figure; subplot(2,1,1); spectrogram(signal, 128, 120, 128, fs, 'yaxis'); title('信号时频谱'); subplot(2,1,2); plot(t, signal, 'b'); hold on; plot(t, up, 'r', t, lo, 'r'); title('带通滤波后信号的包络'); xlabel('时间(s)'); ylabel('幅值'); grid on;

4.2 包络线的平滑处理

有时直接计算的包络线可能过于"崎岖"，特别是对于噪声较大的信号。这时可以对包络线进行平滑处理：

% 生成含噪声的调制信号 t = 0:0.001:1; signal = sin(2*pi*50*t) .* (1 + 0.3*sin(2*pi*2*t)); noisy_signal = signal + 0.2*randn(size(t)); % 计算包络并平滑 [up, lo] = envelope(noisy_signal); smooth_up = smoothdata(up, 'gaussian', 100); % 高斯窗口平滑 smooth_lo = smoothdata(lo, 'gaussian', 100); % 可视化比较 figure; plot(t, noisy_signal, 'b'); hold on; plot(t, up, 'r--', t, lo, 'r--'); plot(t, smooth_up, 'g', 'LineWidth', 2); plot(t, smooth_lo, 'g', 'LineWidth', 2); legend('噪声信号', '原始上包络', '原始下包络', '平滑上包络', '平滑下包络'); grid on;

4.3 包络分析在故障诊断中的应用

包络分析在机械故障诊断中特别有用，尤其是检测轴承或齿轮的早期故障。这些故障通常表现为周期性冲击，可以通过包络分析增强检测：

% 模拟轴承故障信号 fs = 10000; % 高采样率捕捉冲击 t = 0:1/fs:1; bearing_freq = 100; % 故障特征频率(Hz) signal = sin(2*pi*500*t); % 载波频率 % 添加周期性冲击(模拟故障) impulse_train = zeros(size(t)); impulse_period = round(fs/bearing_freq); impulse_train(1:impulse_period:end) = 1; fault_signal = signal + 0.5*conv(impulse_train, exp(-1000*t), 'same'); % 包络分析 [up, lo] = envelope(fault_signal); env_signal = up - mean(up); % 去除直流分量 % 频域分析 n = length(env_signal); f = (0:n-1)*(fs/n); env_spectrum = abs(fft(env_signal)); % 可视化 figure; subplot(3,1,1); plot(t, fault_signal); title('原始振动信号'); grid on; subplot(3,1,2); plot(t, up); title('信号包络'); grid on; subplot(3,1,3); plot(f(1:n/2), env_spectrum(1:n/2)); xlim([0 200]); title('包络频谱 - 故障特征频率清晰可见'); grid on;

这种分析方法能够突出故障特征频率，即使原始信号中这些特征被高频振动所掩盖。