简介：希尔伯特-黄变换（HHT）时频图绘制的 MATLAB 代码示例包，面向信号处理研究者、机械故障诊断与生物医学信号分析人员，解决非线性、非平稳信号时频分布可视化的实现与调参问题。压缩包体积约 1KB，仅含 1 个 .m 脚本，重点演示了经验模态分解（EMD）、本征模态函数（IMF）提取、希尔伯特变换求瞬时频率与幅度，以及最终将结果拼接为时频分布图的完整流程。已有 441 人学习。脚本输出清晰呈现各步骤中间结果，便于理解横轴时间、纵轴频率与颜色强度对应的物理含义，并据此调整 EMD 分解参数或后处理策略，减少从零编码与排错的时间。资源体量虽小，但代码结构紧凑，适合作为入门 HHT 时频图绘制的参考模板，并可根据自身信号数据做进一步扩展。
1. 解压“HHT时频图的问题.rar”之前，先看懂这份资料包在解决什么问题
“HHT时频图”这个词在检索里经常拖着“.rar”出现。这通常意味着你拿到了别人整理好的资料包：里面有几张跑好的时频图、一份或Matlab或Python的脚本，运气好还附带说明。但真正复现的人大多卡在同一处：图能出，却不知道对不对——频率轴量程随手写的，色标范围是自动的，分解出的IMF数量多到离谱。这篇笔记把从rar解压到HHT时频图画对的完整路径拆开：先讲三个坐标轴各自怎么算出来，再给一套最小可运行代码，然后按优先级调参数，最后用一张合成信号图验收。适合要做故障诊断、脑电分析或结构振动的工程师和研究生，也适合那些打开资料包发现脚本根本跑不通的人。
2. 时频图三个坐标轴背后的计算：EMD、Hilbert谱和瞬时频率
2.1 从FFT和STFT翻到HHT：非平稳信号为什么需要瞬时频率
FFT的假设是信号在整段记录里平稳，算出来的是全局频率分量；短时傅里叶变换（STFT）用固定窗去分帧，时间分辨率和频率分辨率被窗长锁死——窗短了频率糊，窗长了时间糊。小波换了个思路，靠伸缩平移的基函数来适配，但基函数一旦选错，低频段就会变得很钝。HHT完全是数据驱动的：先对信号做经验模态分解（EMD），拆出若干本征模态函数（IMF），再对每个IMF做希尔伯特变换，得到每个时刻的瞬时幅值和瞬时频率。这里的关键词是“每个时刻”，所以HHT时频图不像STFT那样存在窗长和跳步，频率在任意采样点上都有定义，这对突变冲击、频率漂移这类非平稳成分尤其友好。
实战里我见过最多的误区，是把HHT和FFT直接对比。如果你只是想知道“信号里有哪几个固定频率”，FFT又快又稳，没必要动用HHT；一旦信号的频率成分会随时间改变，FFT只能给你一片模糊的宽带，而HHT能画出“一段亮带从15Hz慢慢爬向35Hz”这种可读性极强的轨迹。我一般这样向团队里的人解释：FFT告诉你“有能量集中在25Hz附近”，HHT告诉你“第2秒到第5秒之间频率从22Hz线性爬升到31Hz”。后者对故障时刻定位至关重要，这也是资料包里通常既有频谱图又有HHT时频图的原因。
2.2 EMD分解的筛选过程：IMF长什么样才算合格
EMD假设任何复杂信号都能分解成有限个本征模态函数加一个残差。IMF要满足两个条件：一是过零点数和极值点数相等或最多差一个；二是上下包络均值处处为零。第二个条件在实际计算中退化为一个阈值判断，因为严格为零意味着要无限次迭代。筛分过程是一层循环：找到信号所有极大值和极小值，用三次样条分别拟合出上包络和下包络，取均值线，然后用原信号减去均值线，得到剩余分量；对剩余分量重复上面流程，直到它满足IMF判据。第一次筛出的IMF是高频成分，之后依次降低频率逐层剥离，最后剩下一个单调或近似单调的残差。
筛分的停止条件绕不开两个参数：相邻两次筛分结果的能量变化（典型阈值0.2到0.3），以及筛分迭代次数上限。阈值太严会把噪声也筛进IMF，太松则IMF内部还藏着没拆开的频率分量。一个常见的翻车场面是：默认参数跑完，出现二十几个IMF，前两个IMF把大部分能量抢走，时频图像一个被揉皱的铝箔纸。这种情况先不要怀疑EMD有问题，大概率是停止条件太严或者信号里混入了明显趋势项。
网上流传的Matlab版HHT工具包多来自Rilling等人的EMD工具箱，它的默认阈值偏向保守；Python的emd库（PyPI上的EMD-signal包）默认参数更像“先跑通再微调”。如果你两份代码的结果不一样，先别急着评判谁对谁错，检查两边IMF数量是否一致，再检查停止条件。EMD分解从高频到低频逐级抽取，第一个IMF频率占比最高，数值上并不是固定频带，而是自适应划分。这个自适应是优点，但也导致它对采样率和端点极其敏感。
2.3 Hilbert谱的构建：从解析信号到时频图上的一个点
拿到合格的IMF之后，对它做Hilbert变换得到解析信号z(t)=a(t)e^{jθ(t)}，其中a(t)是瞬时幅值，θ(t)是瞬时相位，瞬时频率ω(t)等于相位对时间的导数。把每个IMF在每个采样时刻的瞬时幅值和瞬时频率放到同一个平面上，就得到Hilbert谱。时频图上的一个点，坐标含义是：某时刻某个频率，颜色的深浅代表该时刻该频率的瞬时能量高低。把所有频率按时间累积，得到边际谱，可以把它理解为“全时段能量按频率的分布”，很多人画完时频图还会顺手补一张边际谱和FFT幅值谱对比，用来验证主频位置是否吻合。
这部分最容易困惑的是“瞬时频率”不是测量出来的，而是相位求导算出来的。相位一旦发生跳变，导数就会出现尖刺，画在图上就是一条垂直亮线或负频率线。所以从这个角度说，HHT时频图对IMF质量极度敏感，后续所有调参本质上都在为“让IMF更干净”服务。时频图上如果是恒定频率信号，比如10Hz正弦，看到的是一条水平亮线；如果是线性扫频信号，看到的是一条从低到高的倾斜亮带；如果是一台旋转机械的启停过程，亮带会呈现“开口的抛物线”样子。这三个基本图案可以作为后续一切调参的参照物。
3. 从.rar到第一张HHT时频图：环境判断与最小可运行代码
3.1 解压后先分清三类产物：.m文件、.py文件和数据信号
解压“HHT时频图的问题.rar”之后，别急着双击任何脚本。先看目录结构。常见三类内容：Matlab脚本（emd.m、hhspectrum.m这类老牌工具，来自网上流传的HHT工具箱）、Python脚本、以及数据文件（.mat或.csv）。判断依据是后缀：有大量.m就准备Matlab环境，装好信号处理工具箱；有.py就准备Python环境，安装numpy、scipy和emd库。数据文件要确认采样率和点数，这直接决定后面频率轴上下限。
如果资料包只有一个打不开的图或者一段残缺代码，也别慌，时频图本质是数据计算出来的，只要原始信号还在就能重建。我的习惯是先把数据文件读出来，查看长度和采样间隔，再用下面的Python流程做一套独立的HHT时频图，跟资料包里的成品图对比。这样就算原始脚本跑不起来，也能得到一张“你自己的图”，并且知道它和参考图差在哪里。
注意：解压后如果看到.bat、.exe或带Untitled后缀的可执行文件，先隔离处理，课程类rar里偶尔会混进广告加载程序，不要双击。
3.2 用emd库跑通最小HHT时频图：代码与参数拆解
下面的代码是一套最小可运行方案，我用EMD-signal这个库（导入名emd）演示。三层信号叠加成非平稳测试信号：一个恒定10Hz正弦，一个中心频率随时间线性爬升的扫频分量，以及一个缓慢漂移项。
import numpy as np import emd # 采样：10秒，4000点，等效采样率400Hz t = np.linspace(0, 10, 4000) x = 1.5 * np.sin(2 * np.pi * 10 * t) \ + np.sin(2 * np.pi * (18 + 0.6 * t) * t) \ + 0.3 * t # 1) EMD分解，返回数组形状为 [IMF数量, 点数] imf = emd.sift.sift(x) # 2) Hilbert变换求瞬时频率(IF)和瞬时幅值(IA) IF, IA, _ = emd.spectra.frequency_transform(imf, t, method='hilbert') # 3) 设定频率轴的量化范围：0~45Hz，300个间隔 freq_edges, _ = emd.spectra.define_hist_bins(0, 45, 300) # 4) 把瞬时频率和瞬时幅值统计到频率间隔里，得到Hilbert谱 freq_hist = emd.spectra.hilbert_spectrum(IF, IA, freq_edges) # 5) 画时频图，用inferno色标，暖色表示能量高 emd.plotting.plot_hilbert_spectrum(freq_hist, freq_edges, cmap='inferno')逻辑说明：第1步的sift会把输入信号按频率从高到低拆成多个IMF，每个IMF都是同长度的一维数组；第2步对每个IMF做Hilbert变换，得到两条曲线，一条是瞬时频率，一条是瞬时幅值；第3步确定频率轴的边界，返回直方图edges；第4步把“每时刻、每个IMF”的瞬时能量投到对应频率格子，投完就是时频图的数据；第5步才是真正的绘图。整个流程里，除了信号本身，最需要调的就是第3步的频率范围和间隔数。
参数说明：np.linspace(0, 10, 4000)决定了采样率约400Hz，理论可分析频率上限200Hz，这里把频率轴上限定到45Hz是为了看图清晰，因为信号主要能量在10Hz和20到40Hz之间；define_hist_bins(0, 45, 300)三个参数分别是频率下限、上限和区间数，区间数就是纵轴的像素密度，300是视觉比较舒服的值，太低出颗粒感，太高出竖条纹；method='hilbert'是标准Hilbert变换，如果负频大量出现可以换'noda'。
3.3 拿到图后怎么读：横轴、纵轴和颜色的物理含义
HHT时频图读起来只有三个要素，但很多人栽在第一眼的“好看”上。整理成一张表：
| 坐标/颜色 | 含义 | 在测试信号里应该看到什么 |
|---|---|---|
| 横轴 | 时间，单位秒 | 与输入t完全一致，0到10秒 |
| 纵轴 | 瞬时频率，单位Hz | 0到45Hz范围，有效成分集中在低频段 |
| 颜色 | 瞬时幅值（可理解成瞬时能量） | 10Hz水平亮线一条，20~40Hz倾斜亮带一条 |
| 高亮背景块 | IMF边界/端点效应 | 主要在图两端，正常现象 |
如果画出来的图在10Hz处是一条均匀的水平亮线，在20到40Hz之间有一条从左下到右上的倾斜亮带，说明EMD把两个频率分量分开了，Hilbert谱也正确还原了瞬时频率。如果倾斜亮带断成两截，说明这个扫频分量被拆成了两个IMF，发生了所谓的过分解。这是后面调参的主攻方向。
4. 把HHT时频图调到论文能用的状态：五个参数按优先级调
4.1 EMD筛分停止条件：先让IMF数量落在正常区间
时频图好不好看，八成取决于IMF质量。EMD的筛分停止条件决定分解出多少个IMF、每个IMF里还残留多少别的频率成分。在Python emd库里，sift的迭代上限和能量阈值影响最大。经验范围：对一个500到5000点的实测信号，IMF数量在7到11个之间通常正常；超过15个就要怀疑过分解；少于5个则可能欠分解。我习惯先把默认参数跑一遍看IMF数量，再决定要不要收紧。
如果IMF数量过多，把筛分迭代上限调低一些，让筛分更早收敛；如果IMF数量过少，说明信号里不同尺度的成分没被分开，试着调高迭代上限或先去掉趋势项。注意：不管怎么调，残差项应该近似单调，如果残差还在明显振荡，说明分解没走完。这个步骤做扎实，后面频率轴和色标才谈得上意义。
4.2 频率上限和分箱数：竖条纹和颗粒感都来自这里
很多人拿到代码直接define_hist_bins(0, fs//2, ...)，把频率轴拉满到Nyquist，结果是大部分区域空白，有用的频率只在最底下一条细线。正确做法是先看边际谱或FFT，确定能量集中区间，再把频率上限设到该区间的1.2到1.5倍。比如能量集中在50Hz以下，就设(0, 60, 300)。
分箱数是另一个调参入口。箱数太少，瞬时频率会被量化成粗块，图看起来像马赛克；箱数太多，每个格子里能量稀疏，画出来是一根根竖条纹。200到500是常见的平滑区间。我一般先设300，如果条纹明显就降到250，如果太糊就加到400。还要注意分箱数变化不影响物理结果，只影响显示，真正决定频率细节的是采样率和信号本身。
4.3 色标锁定与画布设置：多图对比前必须做的事
时频图颜色代表瞬时幅值，而幅值上限由能量最大的那个点决定。如果每次画图都用自动色标，两张图的颜色深浅就没有可比性。同一批实验数据做对比前，先把所有数据拼在一起算一个全局最大值，然后用vmin和vmax把色标固定下来，这点在论文组图里尤其重要。
色标的选择也有讲究。常见jet色标会把高能量区域渲染成红色，但它的颜色顺序在低亮度区会造成视觉误导；inferno和magma这类顺序色标更适合能量谱。画布尺寸保持统一，dpi设置在150以上，否则暗色区域的渐变会糊掉。把上面的经验收敛成一张参数表：
| 参数 | 常见默认 | 建议起始值 | 主要影响 |
|---|---|---|---|
| 筛分迭代上限 | 库默认 | 300~1000 | IMF数量与过分解 |
| 能量停止阈值 | 库默认 | 0.2~0.3 | IMF纯度 |
| 频率上限 | Nyquist | 能量集中区的1.2~1.5倍 | 有效显示范围 |
| 分箱数 | 库默认 | 200~500 | 颗粒感/竖条纹 |
| 色标范围 | 自动 | 手动锁死vmin/vmax | 多图可比性 |
5. HHT时频图复现避坑：从rar伪加密到模态混叠的五个排查点
5.1 解压提示要密码，先查是不是rar伪加密
现象：双击“HHT时频图的问题.rar”，WinRAR提示需要密码；输入空密码和常见口令都失败。这也是“rar伪加密”“rar忘记解压密码”这类检索词常年有流量的原因。
原因：这类课程资料包在二次传播中常被重新打包，发布者可能随手加了伪加密——在rar文件头里把加密标志位置为1，但实际数据没有加密，弹窗要密码只是表面现象。另一种情况是文件被损坏，解压工具误报了加密位。
解决：用16进制编辑器打开这个.rar，定位文件头标志（HEAD_FLAGS）区域，找值为0x04的加密标志位，把它改成0x00，保存后重新打开即可直接解压。更快的办法是直接用7-Zip解压，7-Zip在不少伪加密场景下不会理会这个标志位。改之前先备份原文件。真加密的rar这个方法无效，也别在密码恢复工具上花时间，直接找资料发布者要口令。
5.2 时频图两端大面积高亮：端点效应
现象：时频图在时间轴两端出现大面积高亮，或者瞬时频率在两端剧烈抖动，像被风吹起的纸角。
原因：EMD筛分时三次样条包络在信号两端没有极值约束，包络会漂移；Hilbert变换在截断处也有振铃。两个效应叠加，两端时频图基本不可信。
解决：通用三招。先在分解前对信号做镜像延拓或边界极值延拓，让包络有约束；分解后裁剪，把每个IMF两端各去掉5%的点再算Hilbert变换；画图时把时间轴范围也相应裁掉。我一般直接裁剪时间轴5%，简单稳定，缺点是会损失一点时间覆盖，对长记录无所谓。
5.3 相邻频率糊成一片：模态混叠
现象：时频图上两个频率成分之间的区域出现梳齿状亮纹，或者本来该是干净扫频线的区域出现不连续跳跃。
原因：EMD分解对间歇性高频成分敏感，比如一段信号里前段有冲击后段没有，这种时间尺度差异会让EMD把同一个物理分量拆到不同IMF里。
解决：按成本从低到高试三步。第一步带通滤波预处理，把研究频带外的能量先压下去；第二步用集合经验模态分解，对应emd库里的emd.sift.ensemble_sift，集成次数50到100次，加入白噪声辅助分解；第三步上CEEMDAN类方法抑制残差噪声。多数场景第一步就够，别一上来就集成200次，计算耗时会让人怀疑人生。
5.4 同一批数据画出来颜色不一样：色标范围没锁死
现象：同一组数据，换了一个时间段画图，颜色深浅完全不同，明明信号最大幅值没有变化。
原因：绘图函数默认按当前输入的数据自动计算色标范围，局部段的瞬时幅值上限和全局段不一致，导致同一能量强度在不同的图里呈现出不同颜色。
解决：要对比时，先对整个信号算一遍freq_hist，拿到全图最大值，再把这个最大值传给所有子图的vmax；或者统一用某个固定值比如0.8倍全局最大值。这个习惯花两行代码，能避免对比图色标不一致的问题。
5.5 时频图出现负频率线：先查IMF是否合格
现象：时频图上出现频率低于0Hz的亮线，或者在某条IMF曲线中间出现向下凹陷到负值的细线。
原因：瞬时频率是相位求导，IMF不满足Hilbert变换适用条件时，解析信号的相位会出现局部回流，导数就变负。强噪声和剧烈幅值调制都会诱发。
解决：先看对应IMF的包络是否光滑，包络震荡剧烈说明这个IMF不合格，返工EMD参数或者对该IMF做低通平滑；然后把method从hilbert换成noda（直接正交法），负频数量通常会减少；最后确认负频出现的位置是否对应信号的瞬态突变时刻，真实的相位翻转也可能产生负频，这种情况下不一定要抹掉它。
6. 用一张合成信号图验收HHT流程是否画对
6.1 验收信号与脚本：三个特征一眼看齐
拿真实信号调参数，缺点是没有标准答案。我习惯在做任何数据之前，先跑一个已知答案的合成信号，验证这套流程没有坏掉。下面这个组合足够验证三个关键特征：恒定频率、扫频、瞬态冲击。
import numpy as np import emd t = np.linspace(0, 5, 2500) x = np.sin(2 * np.pi * 10 * t) \ + np.sin(2 * np.pi * (15 + 6 * t) * t) x[:500] += 0.8 * np.sin(2 * np.pi * 80 * t[:500]) * np.exp(-4 * t[:500]) imf = emd.sift.sift(x) IF, IA, _ = emd.spectra.frequency_transform(imf, t, method='hilbert') freq_edges, _ = emd.spectra.define_hist_bins(0, 100, 400) freq_hist = emd.spectra.hilbert_spectrum(IF, IA, freq_edges) emd.plotting.plot_hilbert_spectrum(freq_hist, freq_edges, cmap='inferno')验收三个点：第一，10Hz正弦应该在时频图上呈现一条水平亮线，位置不偏不倚；第二，扫频分量应该是一条从(0秒,15Hz)到(5秒,45Hz)的倾斜亮带，中间不断裂；第三，前500毫秒的80Hz冲击应该在左上角形成一块独立的亮斑。如果这三样都看得清楚，说明EMD分解、Hilbert变换和谱统计这条链路是通的。
6.2 验收通过后固定三件套：采样率、频率上限、色标
验收通过不代表可以随意乱调。回到真实数据时，我会把三样东西先固定下来：采样率不变、频率上限按实测信号能量区设置、色标vmax用全段最大值锁定。所有后续参数只在EMD停止条件上微调，这样每次出图之间只有分解质量这一个变量在变化，排查问题才容易。
这算是我这几年做时频图最深的体会：HHT不是拿来就跑的现成算法，它每一步都留了参数口子，图不对时先怀疑IMF，再怀疑谱统计，最后才怀疑绘图。合成信号验收看似多了一步，实际省下的是对着真实数据反复猜玄学问题的时间。希望这篇从rar到成图的流程帮到你。
本文还有配套的精品资源，点击获取
