MATLAB自动选峰法：模态参数识别与阻尼比估算实战

做结构健康监测和机械振动测试的朋友，应该都体会过这种状态：传感器数据采集了一大堆，导入MATLAB算完频谱之后，剩下的时间全耗在对着幅频曲线“瞪眼睛”上。这个峰是不是真实模态？旁边那个小鼓包是噪声还是弱模态？阻尼比到底该用哪一段带宽算？如果只有一两组数据还好，一旦遇到几十个测点、上百组工况，人工选峰这件事能把人逼疯。

MATLAB环境下的自动选峰法，就是干这个用的。它在峰值拾取法的框架下，把“人眼识别峰值”替换成“自适应阈值+算法筛选”，批量处理多组传感器数据，快速给出模态频率、阻尼比和振型初值。这篇文章面向结构工程师、振动测试人员和相关专业的研究生，我会把自动选峰法的原理、MATLAB实现、参数调节逻辑和跨领域应用差异一次讲透，并且附上可以直接套用的代码。

1. 为什么说峰值拾取是模态参数识别的第一选择

1.1 先搞明白：模态参数到底是什么

模态参数就是结构自身最核心的三个响应指标：固有频率、阻尼比、振型。固有频率可以理解为结构“最爱振动的节奏”——你推它一下，它按这个节奏来回摆动；阻尼比衡量这个摆动衰减得快不快，类似于弹簧振子丢进水里的减速效果；振型则描述了结构在某个频率下各点振幅的比例关系。

在工程里，这三组参数几乎决定了所有振动问题的走向。桥梁的涡振频率是否落在行车激励频带内，风电塔筒的固有频率是否避开了叶轮转频的倍频，飞机机翼的颤振风险来自哪一阶模态，都靠它们回答。所以不管是设计验证还是健康监测，模态参数识别都是绕不过去的核心环节。

实测中获取这些参数有两条路线：一条是试验模态分析，用激振器或力锤施加已知激励，测频响函数；另一条是运行模态分析，直接在环境激励下测响应，假设激励近似白噪声。两条路线最终都可以归结为同一个问题：在频域曲线上找到那些“长得像模态”的峰值。这时候，峰值拾取法就登场了。

1.2 峰值拾取法的底层逻辑与天然缺陷

峰值拾取法非常朴素：把传感器信号的功率谱密度画出来，结构固有频率处会出现明显的峰，峰值频率就是模态频率，半功率带宽可以估算阻尼比，多个测点在同一频率处的幅值比就是振型。它的核心假设有两条：第一，激励在关注的频带内近似平坦；第二，各阶模态之间足够分离，不会互相重叠。

这个方法的祖师爷级别地位不用怀疑，它简单、直观、速度快，还能为频域分解法（FDD）、随机子空间识别（SSI）这类高级算法提供初始迭代值。但它的缺陷也同样直观——人眼识别意味着四个问题：

• 效率低。一个测点一条谱线，一条谱线要看几十个峰，结构测点一多，工作量成倍上涨。
• 主观性大。同一个峰，张三认为该选，李四觉得是噪声，结果没法复现。
• 阈值难以统一。不同传感器、不同工况下的底噪水平差异很大，固定阈值要么漏峰要么满天飞峰。
• 结果不可审计。人工标完就完了，说不清楚哪些峰是经过筛选的，哪些是直接排除的。

自动选峰法要解决的，正是这四个痛点。它不一定比资深工程师看得更准，但胜在标准统一、可批量执行、可复现，还能把人工从重复性劳动里解放出来。

2. 自动选峰怎么设计才算“自动”：算法思路拆解

自动选峰不是简单地调用一次findpeaks就完事。一个能稳定工作、跨场景复用的自动选峰流程，至少需要三层设计：预处理、自适应阈值、稳定性筛选。这三层缺一不可，否则换个数据集大概率翻车。

2.1 预处理：信号质量决定选峰成败

很多新手直接把传感器原始数据扔进PSD计算，结果低频段漂移一片、高频段噪声糊成一团，峰一个都看不清。预处理至少要包含三个步骤。

第一步是去趋势。加速度传感器在低频段经常带有直流偏置和缓慢漂移，如果不做detrend，PSD在零频附近会出现一个巨大的幂次衰减尾巴，直接把前几个真实模态压在下面。MATLAB里用detrend函数就能去除线性趋势，但要注意：如果结构本身有极低频模态（比如悬索桥的纵向漂浮模态低到0.1 Hz以下），过度去趋势有可能伤及真实模态。我的经验是先用高通滤波代替去趋势，截止频率设在最低关注频率的1/5左右。

第二步是抗混叠与重采样检查。采集系统一般已经做了硬件抗混叠，但如果你拿到的数据是从某个系统里二次导出的，最好先检查采样率是否满足要求。工程惯例是采样率至少为目标最高频率的2.56倍，这个系数比2还多了0.56，是为了给抗混叠滤波器留出过渡带。

第三步是坏段剔除。传感器敲击、线缆松动、强瞬态干扰都会产生异常幅值。如果一段数据的标准差超过整组数据的几倍，直接丢弃，不要让它参与平均。实测经验是，坏段参与平均后会把敏感频段的整段谱线抬高，光靠阈值根本救不回来。

2.2 自适应阈值：不能用固定值碰运气

固定阈值的逻辑是画一条水平线，高过线的都算峰。问题是：一个振动台架实验和一个桥梁环境激励实验，底噪水平可能差两个数量级；同一个实验里，低频段的谱线能量往往远高于高频段，一条水平线根本没法同时适应。

自适应阈值的核心思想是从数据本身估计出“底噪水平”，再根据底噪算阈值。我常用的做法是分位数加突显度：

floorLevel = median(pxx); % 底噪的水平，比均值更稳 thrHeight = floorLevel * 3; % 绝对高度下限 thrProm = floorLevel * 1.5; % 峰突显度下限

这里用一个关键认知：估计底噪要用中位数，不要用均值。均值会被真实模态峰抬高，导致阈值虚高、弱模态直接漏掉；中位数对少数高峰不敏感，能更真实地反映“大多数频率点上的噪声水平”。如果谱线毛刺很多，还可以先用smoothdata对PSD做一次轻平滑，再去估计底噪，效果更稳。

2.3 稳定性筛选：用重复性干掉噪声假峰

自适应阈值虽然比固定阈值聪明，但依然挡不住一个顽疾：随机噪声在某些谱线位置会偶然鼓起一个“伪峰”。结构响应存在随机性时，这个现象几乎必然出现。

对付伪峰最有效的手段不是更聪明的阈值，而是重复性检验。具体做法是：把长时段数据均匀切分成若干段，每一段独立计算PSD、独立执行一次选峰，然后把所有段的选峰结果汇总成一张“频率-出现次数”统计表。真实模态在每一段里都会出现，所以重复率高；噪声伪峰则东一榔头西一棒子，重复率低。设定一个重复率阈值（我常用60%~70%），就能把伪峰筛掉一大半。

这个思路本质上就是商业软件里的“稳定图”概念，只是实现得特别轻量。我用MATLAB实现过一版，四段数据并行计算，耗时压缩到原来的三分之一左右，效果和全数据直接选峰相比，抗噪能力强了不止一个档次。

3. MATLAB代码实现：可直接套用的自动选峰流程

下面是整套流程的MATLAB实现，按步骤拆开讲。代码里用到的核心工具箱是Signal Processing Toolbox，findpeaks和pwelch都来自这里。

3.1 从传感器数据到PSD：pwelch参数怎么给

%% 1. 数据预处理 t = t(:); a = a(:); % 时间列和加速度列，统一为列向量 fs = 1 / mean(diff(t)); % 采样率，单位Hz a = detrend(a); % 去趋势 % 如果低频漂移严重，改用高通滤波 % a = highpass(a, fmin/5, fs); %% 2. 功率谱密度估计（Welch法） winLen = round(fs * 600); % 分析窗长度，按场景调 win = hann(winLen, 'periodic'); noverlap = round(winLen * 0.75); % 75%重叠，增加平均次数 nfft = max(winLen * 2, 4096); % FFT点数，比窗长多点内插更平滑 [pxx, f] = pwelch(a, win, noverlap, nfft, fs); %% 3. 查看PSD曲线，确认关注频带 plot(f(1:end/2), 10*log10(pxx(1:end/2)));

pwelch参数里最值得说的就是分析窗长度winLen。频率分辨率的物理上限由分析窗长度决定，窗长越长，分辨率越细，能分辨越接近的模态；但窗长越长，参与平均的段数越少，谱线方差越大。这个矛盾是Welch法的核心取舍。

对于环境激励下的低频结构，我倾向于直接用600秒甚至1200秒的分析窗，优先保证频率分辨率。原因很简单：低频模态之间往往只差零点几个赫兹，如果分辨率粗到0.5 Hz，相邻模态会直接糊成一个馒头峰，后面做什么都是白搭。对于锤击试验这类短时数据，分析窗就受到数据长度的硬约束，这时只能靠多次锤击平均来降方差。

nfft的选择相对宽松，比分析窗长度翻倍即可。它只影响谱线的插值密度，不会真正提高分辨率。很多人误以为加大nfft就等于提高了分辨率，这是个常见误区——实际泄漏宽度由窗长决定，nfft只是让曲线更平滑地过采样。

3.2 findpeaks参数详解与阻尼快速估算

%% 4. 自适应阈值与自动选峰 floorLevel = median(pxx); % 底噪估计，用中位数 [peaks, locs, widths, prominences] = findpeaks(pxx, f, ... 'MinPeakHeight', floorLevel * 3, ... 'MinPeakProminence', floorLevel * 1.5, ... 'MinPeakDistance', 3 / (t(end)-t(1)), ... 'WidthReference', 'halfheight'); %% 5. 滤波：只保留关注频带内的峰 validIdx = locs >= fmin & locs <= fmax; peaks = peaks(validIdx); locs = locs(validIdx); widths = widths(validIdx); %% 6. 用半功率带宽法估算阻尼比 zeta = zeros(size(locs)); for i = 1:numel(locs) zeta(i) = widths(i) / (2 * locs(i)); % 工程近似 end %% 结果展示 fprintf('识别到 %d 阶模态\n', numel(locs)); for i = 1:numel(locs) fprintf('f = %.4f Hz, amp = %.4e, zeta = %.4f %%\n', ... locs(i), peaks(i), zeta(i)*100); end

findpeaks的四个参数各有分工：

• MinPeakHeight是绝对高度门槛，排除低于底噪三倍的微小起伏。它决定“是不是够高”。
• MinPeakProminence是峰突显度门槛，描述“峰相对周围最低谷抬升了多少”。它负责剔除那些绝对高度尚可、但只是趴在宽缓包络上的小毛刺。我实测下来，Prominence比Height靠谱得多，很多弱模态靠Prominence能保住。
• MinPeakDistance限制最小峰间距，防止一个峰被重复识别成两个。工程上我习惯把最小间距设为频率分辨率的3倍，也就是3除以总时长。分辨率0.01 Hz时，最小间距设为0.03 Hz，足以防止相邻谱线抖动造成重复峰。
• WidthReference设为halfheight，让返回的widths就是半功率带宽。这一点对付PSD特别重要，它和半功率带宽法直接对接。

关于阻尼估算，要讲清楚一个前提：半功率带宽法适用于小阻尼和模态分离较好的情况。如果阻尼比超过10%，或者两个模态靠得太近，用半功率带宽算出来的阻尼会明显偏高。所以我把代码里的阻尼结果定位为“快速筛查”，需要精确值时应该转去用曲线拟合法或随机子空间法。

3.3 可视化与结果输出：让机器干活、眼睛复核

全自动选峰最容易出的问题就是“无脑信结果”。我的工作习惯是让MATLAB把选峰结果直接画在PSD图上，每个峰标出频率和阻尼比，同时输出一张结构化表格。效果类似把人工标峰的成果自动化，但要留下可复核的证据。

%% 7. 自动标注可视化 figure('Color', 'w'); semilogy(f, pxx, 'LineWidth', 1); hold on; for i = 1:numel(locs) plot(locs(i), peaks(i), 'ro', 'MarkerSize', 8, 'LineWidth', 1.5); text(locs(i)*1.02, peaks(i)*0.8, ... sprintf('%.3fHz\nzeta=%.2f%%', locs(i), zeta(i)*100), ... 'FontSize', 8, 'Color', 'r'); end xlabel('Frequency (Hz)'); ylabel('PSD (g^2/Hz)'); xlim([fmin, fmax]); grid on; %% 8. 输出表格 T = table(locs, peaks, zeta, ... 'VariableNames', {'Frequency_Hz', 'PeakAmp', 'DampingRatio'}); writetable(T, 'auto_peak_results.csv');

这一步的意义在于可审计性。自动选峰的结果一旦画出来，人眼能很快判断哪些标定是合理的。我自己见过不少案例，自动结果输出后不经过人工看一眼就用来算振型，最后振型线扭曲得离谱，回头查才发现是某个噪声峰混了进来。自动选峰应该是“机器干粗活、人工做复核”，而不是“机器干完人就不用管了”。

4. 跨领域应用差异：同一套方法为什么要有不同调参

自动选峰法最大的优势是可迁移性，但迁移不是无脑复制。结构健康监测、旋转机械故障诊断、试验模态分析三个领域的物理背景完全不同，参数设定天差地别。

4.1 低频结构健康监测：长数据、低采样

结构健康监测的目标对象是桥梁、建筑、风电塔筒这类低频大结构，关注模态通常集中在0.1 Hz到10 Hz之间。采样率可以压到20~100 Hz，数据时长则非常充裕，动辄几十分钟到几小时。

这个场景下自动选峰的核心诉求是频率分辨率。分析窗我直接给到600秒以上，频率分辨率做到0.002 Hz级别，才能把相邻的竖向、横向、扭转模态区分开。MinPeakDistance的设定也要对应缩小，我处理某跨海大桥实测数据时，一阶竖向0.31 Hz和一阶横向0.78 Hz隔得很远，但高阶模态常常在几个赫兹内密集出现，间距低于0.05 Hz是常见事，所以距离阈值取0.05 Hz比较稳妥。

处理这类数据的另一个要点是剔除天气和环境干扰。强风作用下结构响应非平稳，涌浪引起的窄带干扰会在某个频段产生伪峰。我的处理办法是分多段独立选峰再汇总，只有超过三分之一时段稳定出现的峰才保留。这个做法屡试不爽。

4.2 旋转机械故障诊断：谐波干扰怎么躲避

旋转机械的诊断对象是风电齿轮箱、电机轴承、压缩机这类设备。这里的模态识别要面对一个截然不同的问题：转频及其倍频是明显的窄带线谱，而且能量往往高于结构模态，自动选峰算法会毫不犹豫地把它们当作候选峰。

我的对策是增加一个转速工况维度。如果设备在不同转速下的数据都可以拿到，那么模态频率是固定的，而谐波频率随转速成比例移动。做法是把多个转速下的PSD叠在一起，同一频率处反复出现的峰标注为模态峰，随转速漂移的峰直接剔除。这实际上是把自动选峰法推广到了“时频域联合选峰”，成本不高，效果却立竿见影。

另外值得注意的是阻尼比的物理意义。旋转机械的支撑系统大多带非线性接触（轴承间隙、螺栓预紧），线性半功率带宽法算出的阻尼往往随幅值变化，同一阶模态在不同转速下阻尼可以差一倍。这类场景下，阻尼比我通常只报一个粗量级（百位数），不会把它当作精确指标写进诊断报告。

4.3 试验模态分析：锤击法与频响函数的取舍

试验模态分析的激励方式通常是力锤或激振器，与前述两类运行模态分析有本质区别。它测到的是频响函数（FRF）而不是响应PSD，这样选峰的物理基础更扎实：FRF是纯线性系统特性，与激励强度无关，峰值也更锐利。

但锤击试验面临新的约束：数据短。一次锤击产生的响应通常只有几秒到十几秒，分析窗最多也就是整段数据长度。想提高频率分辨率，只能靠尽量延长采样记录时间，而不是简单地增大nfft。阻尼极小的结构（比如试验模态里的铝制试件，阻尼比可以低到0.1%）尤其考验分辨率，如果频率分辨率比半功率带宽还粗，算出来的阻尼比会被严重夸大，甚至高出真实值好几倍。

频响函数选峰时还要注意相位信息。结构模态在频响函数的峰值处伴生显著的相位翻转，而噪声伪峰没有这个特征。加上相干函数作为质量门槛，保留相干系数高且相位一致性好的峰，能过滤绝大多数伪模态。

5. 常见问题速查：漏峰、假峰、阻尼异常一次说清

5.1 四种典型异常与排查思路

排查看似对应许多参数，但核心思路只有一句话：先看数据，再看算法。遇到异常时永远先回到PSD曲线和时域波形，搞清楚“这个峰物理上存在吗”再调参数。算法调参是对数据理解的表达，而不是对着报错信息瞎试。

5.2 一个真实案例的调参全过程

有次处理一段风电齿轮箱的振动数据，采样率5120 Hz，目标是识别齿轮箱箱体模态。我第一遍用默认参数跑自动选峰，结果选出来37个候选峰，一多半分布在转频倍频附近。数据分段叠加之后，固定频率的稳定峰只有5个。这时候再回头看，原来没被选中的某些弱峰在分段PSD里是稳定的，于是把MinPeakProminence从底噪的1.5倍放宽到1.2倍，重新选峰后多找回两阶真实模态。

整个调参过程大约耗了半小时，但之后的批量重处理几乎是全自动完成。这就是自动选峰法在工程里的真实价值：前期花一点时间校准参数，换来的却是后续无数批数据的自动处理能力。

6. 工程判断与实战心得：自动选峰不是“一键万事”

6.1 参数选择经验表

这张表不是金科玉律，它背后的逻辑才值得记住：分析窗长度由“需要分辨多近的模态”决定；阈值由“信噪比和高大峰数量”决定；峰间距由“真实模态的最小间隔”决定。理解了这些物理约束，参数自然能定。

6.2 值得长期坚持的工作流

我现在处理新一批数据时的固定流程是四步：数据质量检查与坏段剔除，PSD估计与参数初定，自动选峰与分段稳定筛选，人工复核和结果入库。整个流程在MATLAB里就是几个脚本的串联，跑一次十分钟，留出三分钟人工核对。

这个流程的好处之一是批量处理时的结果一致性。客户或合作方要几十组数据的模态对比图时，我可以保证每一组都是同一套标准筛出来的，不会今天心情好多选几个峰、明天觉得噪声太吵又少选几个。这种可复现性，在工程数据交付环节的价值不亚于算法本身的精度。

我在这里特别想提醒一件事：阻尼比的结果一定要在报告里标注估算方法。半功率带宽法、曲线拟合法、随机子空间法对同一组数据给出的阻尼比可能差出50%，不写清楚方法，后续任何对比都会变成鸡同鸭讲。

这两年用下来，自动选峰法带给我最大的改变不是节省了多少时间，而是让我终于敢把几十组数据的模态识别任务放手交给脚本，自己把精力放到机理分析和异常判断上。振型连续性检查、频率随工况的漂移趋势、弱模态的物理验证，这些才真正影响工程结论质量的地方，值得省下的人工去投入。

从个人实践的角度说，我也体会到一个容易被忽略的点：把自动选峰的结果存成结构化文件（CSV或者MAT文件），并在文件里记录参数版本，这个习惯帮了我大忙。同一批数据换了参数重跑时，对比两版结果能快速定位是哪一步引入的差异；遇到争议时，翻参数记录就能解释结果怎么来的。这套方法的价值不仅在于自动化本身，更在于它让模态识别这项工作变得可追溯、可复盘、可不断迭代完善。