模态参数识别中的自动选峰法：原理、MATLAB实现与应用

做模态参数识别的朋友，一定都有过这种经历：频响函数（FRF）画出来，一堆峰高低错落，你得瞪着眼睛盯半天，手动标记每一个可能的固有频率。信号质量好的时候还好，一旦数据里混着噪声毛刺、传感器支架共振、或是相邻模态靠得太近，手动选峰就成了一场灾难。我见过有人一个下午只挑了两条曲线的峰，眼睛都快瞎了。

自动选峰法正是为这个痛点设计的。它不依赖人工经验，而是通过幅值分布分析、峰值显著性阈值、最小间距约束和局部形状校验，自动从FRF、PSD或一般频谱中挑出真实的结构模态峰值。说白了，就是把“看曲线挑尖点”这件事变成一个可重复、可解释的算法过程。这篇文章我会把它的核心逻辑拆开讲清楚，再给一份能在MATLAB里直接跑起来的实现代码，最后聊聊我从结构监测、旋转机械到音频测试等不同场景里趟出来的经验。适合正在接触模态测试、传感器信号处理，或者想把手动重复劳动变成自动化流程的工程师和学生。

1. 从手动拾峰到自动选峰：模态参数识别里的隐藏痛点和真实场景

1.1 模态参数识别中“选峰”到底在选什么

先理清一个基本概念。模态参数识别，目的通常是得到结构的固有频率、阻尼比和振型。频率和阻尼这两项，在频域里最直观的体现就是FRF幅值曲线上的一个个尖峰：峰值对应的频率就是该阶模态的固有频率近似值，峰的“胖瘦”则和阻尼比直接相关。经典做法里有个半功率带宽法：对于小阻尼系统，取峰值下降3dB处的带宽Δf，阻尼比就可以近似为ξ = Δf / (2f_p)。所以选峰这件事，看起来是找尖点，实际上是在给后续的频率修正和阻尼计算提供“种子点”。

这里的关键在于，传感器测到的曲线从来不干净。传感器安装方式引起的局部共振、电磁干扰、相邻两阶模态频率太靠近导致峰形不对称，都会在曲线上制造出一堆“看起来像峰”的东西。我在实际处理某批结构监测数据时，0~50Hz区间里一共找到17个局部极大值，但真正对应结构模态的只有5个。剩下12个峰，有的是噪声毛刺，有的是接线松动引入的奇异谱线。也就是说，选峰的本质不是找“极大值”，而是找“有物理意义的共振峰”。

1.2 手动拾峰的三个典型困境

手动选的第一个困境是效率。一次完整模态测试，通道数少则四五个，多则几十个，每个通道的FRF都要逐峰标记，几十条曲线下来，一个工程师半天时间就没了。而且这个活高度依赖注意力，盯久了很难保证每一峰都标得准。

第二个困境是标准不一致。不同工程师对“这个峰算不算”的判断标准往往不同。我曾在同一个数据集上让两位工程师分别手动拾峰，结果一位挑出12个峰，另一位只挑了8个。重构阻尼比时差异更加明显，半功率带宽的起点终点差几个频率点，阻尼比就可能相差20%以上。手动结果不可复现，这是测试报告里最麻烦的事。

第三个困境是难处理重叠峰。相邻模态靠得近，峰值两侧的谷底不明显，肉眼判断峰边界很主观。自动算法因为可以设定最小距离和形状约束，能以一种可量化的方式去处理这个情况，虽然不能保证100%正确，但至少每次判断都是同一套标准。这也是触发我去写自动选峰函数的直接原因。

提示：自动选峰不是替代人的判断，而是把人从重复劳动里解放出来，让人的精力集中在“这批峰物理上到底合不合理”这件事上。

2. 自动选峰法核心逻辑拆解：阈值、距离与伪峰识别

2.1 幅值分布分析与动态阈值设计

自动选峰的第一层筛子，是幅值阈值。但这里的阈值不能写死，因为不同测试工况下的FRF幅值量级差异很大。一个简单有效的策略是先把幅值序列归一化到0~1之间，然后用峰值显著性（prominence）代替绝对幅值作为筛选指标。峰值显著性描述的是“这个峰比它两侧最低谷高出多少”，这个概念很贴近人眼的判断——人眼真正关注的不是峰有多高，而是峰相对于周围背景是否“凸”得出来。

归一化之后，还需要处理基线漂移。很多实测FRF并不是水平基线，而是带有缓慢上升或下降的趋势。如果直接找峰，斜率造成的局部凸起会被误判成峰。我的做法是用移动最小值估计基线包络，再从原始序列里减掉它。这个思路本质上就是一个自适应高通滤波，窗口长度取数据长度的1/30左右，既能保留真实峰，又能把趋势拉平。减掉基线后的曲线，峰的形态更独立，阈值用起来也更稳。

2.2 峰值距离约束与局部形状校验

自动选峰的第二层筛子，是频率距离约束。如果两个峰靠得太近，在物理上往往意味着同一阶模态被噪声分裂出多个尖点，或者峰值拟合会互相干扰。我在实现里默认把最小距离设为3倍频率分辨率（频率分辨率df = 采样率 / FFT点数），这样至少允许足以分辨两个独立峰的谱线间隔。对于窄带密集模态的场景，可以再结合半功率带宽来自适应调整这个距离参数。

第三层筛子则是局部形状校验。真实模态峰在小邻域内近似呈抛物线形，噪声毛刺则形状怪异或不完整。对每个候选峰邻域做二次多项式拟合，检查拟合残差和峰的对称性，能有效剔除大量伪峰。拟合曲线还有一个额外的好处：它能给出比原始谱线更平滑的峰值顶点位置，相当于做了一次亚谱线精度插值。这就是同一个函数既可以挑峰、又可以精修频率的原因，实际使用时能明显提升固有频率的识别精度。

2.3 为什么这种组合能跨场景复用

这套“归一化 + 基线校正 + 显著性阈值 + 距离约束 + 形状校验”的组合，本质上是在模拟一个有经验的工程师做判断的过程。工程师手动拾峰时看的就是：这个尖凸不凸、旁边有没有干扰、形状是否完整。算法把这三条变成可量化的规则，所以迁移到其他领域时很少需要改算法骨架，只需要调整阈值参数。

我拿它处理过扬声器频响测试的谱线，也处理过旋转机械的共振扫频曲线，还试过从心电或呼吸信号里找周期峰值。它们虽然物理意义完全不同，但数学形态高度相似：都是在一串序列里找局部凸起。这正是自动选峰能成为“跨领域实用利器”的根本原因。做一次通用实现，换参数就能复用，收益非常可观。

3. MATLAB落地实现：可直接复用的自动选峰函数

3.1 主函数结构设计：输入输出与状态管理

我给出的实现不依赖任何付费工具箱，只用MATLAB基础函数，其中findpeaks来自Signal Processing Toolbox，如果你的环境没有这个工具箱，后面我也会给出一个不依赖它的简化版思路。函数名叫autoPeakSelection，输入是频率轴freq和幅值序列amp，输出是识别到的峰值频率fPeaks，以及一个包含中间信息的结构体info，方便你调试时查看峰值幅值、半功率带宽和显著性。

函数内部按顺序做五件事：归一化、平滑、基线估计、峰值搜索、局部拟合。每件事都封装成独立步骤，方便你单独改某一步而不动其他逻辑。代码里用到了MATLAB R2019b起支持的arguments块来做默认参数校验，如果你的版本较老，把这段改成inputParser即可，逻辑完全不变。

3.2 核心步骤的代码实现与逐行注释

直接上函数，我建议你复制到本地，起名autoPeakSelection.m保存：

function [fPeaks, info] = autoPeakSelection(freq, amp, opts) % autoPeakSelection 自动选峰法核心函数 % 输入： % freq : 频率轴向量，单位Hz，逐点递增，列向量 % amp : 幅值向量，可以是FRF幅值、PSD幅值或任意频谱幅值 % opts : 可选参数结构体，字段见下 % 输出： % fPeaks : 识别到的峰值频率，单位Hz % info : 包含幅值、半功率带宽、显著性、平滑曲线等中间信息 arguments freq (:,1) double amp (:,1) double opts.SmoothN (1,1) double = 5 % 平滑窗口长度 opts.MinDist (1,1) double = 0 % 最小峰间距，0表示自动设为3倍频率分辨率 opts.PromFactor (1,1) double = 0.08 % 归一化后的最小显著性 opts.Verbose (1,1) logical = true % 是否打印识别结果 end if length(freq) ~= length(amp) error('freq和amp长度必须一致'); end % —— 步骤1：归一化 —— ampMin = min(amp); ampMax = max(amp); if ampMax - ampMin < eps error('幅值序列无动态范围，无法选峰'); end ampN = (amp - ampMin) / (ampMax - ampMin); % —— 步骤2：移动平均平滑 —— smoothN = max(1, opts.SmoothN); ampS = movmean(ampN, smoothN); % —— 步骤3：基线估计与校正 —— winBase = max(5, floor(length(ampS) / 30)); baseLocal = movmin(ampS, winBase); baseEnv = interp1(1:length(ampS), baseLocal, 1:length(ampS), 'linear'); ampC = ampS - baseEnv; ampC = max(ampC, 0); % —— 步骤4：峰值搜索 —— if opts.MinDist <= 0 df = median(diff(freq)); opts.MinDist = 3 * df; end [peakVal, peakLoc, ~, peakProms] = findpeaks(ampC, ... 'MinPeakDistance', opts.MinDist, ... 'MinPeakProminence', opts.PromFactor, ... 'MinPeakHeight', 0.01); nCand = length(peakLoc); fPeaks = zeros(nCand, 1); pks = zeros(nCand, 1); widths = zeros(nCand, 1); proms = zeros(nCand, 1); % —— 步骤5：局部抛物线拟合精修 —— r = max(3, floor(0.02 * length(ampS))); for k = 1:nCand loc = peakLoc(k); a = max(1, loc - r); b = min(length(ampS), loc + r); x = freq(a:b); y = amp(a:b); p = polyfit(x, y, 2); xv = linspace(x(1), x(end), 200); yv = polyval(p, xv); [fv, fk] = max(yv); fPeaks(k) = xv(fk); pks(k) = fv; % 半功率带宽近似，供阻尼比计算使用 halfAmp = fv / sqrt(2); idxAbove = find(yv >= halfAmp); if length(idxAbove) >= 2 widths(k) = xv(idxAbove(end)) - xv(idxAbove(1)); else widths(k) = NaN; end proms(k) = peakProms(k); end % —— 输出整理 —— info.freq = fPeaks; info.amp = pks; info.bw = widths; info.prom = proms; info.smoothAmp = ampS; info.baseEnv = baseEnv; if opts.Verbose fprintf('自动选峰完成，识别到 %d 个候选峰。\n', nCand); end end

这段代码里有几个值得说明的地方。平滑窗口SmoothN默认是5个点，适用于谱线比较密的数据；如果谱线很粗、每根谱线对应的频率间隔较大，可以调小到2或3，避免把真实峰磨平。基线窗口winBase取数据长度的1/30，是个比较保守的经验值，数据越长这个值越稳定。步骤4里的MinPeakHeight设成0.01，是为了过滤掉基线已经归零但数值噪声又顶出来的微小凸起。

3.3 调参入口与命令行快速验证

用一段代码来验证函数是否工作。假设你已经有一条FRF数据，频率范围0~200Hz，由两个真实模态峰和几个噪声毛刺组成：

% 构造示例数据 rng(1); freq = linspace(0, 200, 4001)'; amp = 0.5 ./ (1 + ((freq - 45)./3).^2) + ... 0.8 ./ (1 + ((freq - 120)./5).^2) + ... 0.03 * randn(size(freq)); [fPeaks, info] = autoPeakSelection(freq, amp, 'Verbose', true); figure; plot(freq, amp); hold on; plot(freq, info.smoothAmp, 'LineWidth', 1); plot(info.freq, info.amp, 'ro', 'MarkerSize', 8, 'LineWidth', 2); xlabel('频率 (Hz)'); ylabel('幅值'); legend('原始FRF', '平滑曲线', '自动选峰结果', 'Location', 'best');

跑完后你会在命令行看到识别出的峰数量和位置，图上原始曲线、平滑曲线以及自动选出的峰值都会一起显示。第一次跑可能很多参数不合适，这是正常的。选峰参数一定要根据实际数据来调，不要拿到哪条曲线都用默认值，后面我会给出一套比较稳妥的调参流程，以及那些我踩过的坑。

4. 实测验证与参数调优记录：从误判到鲁棒的过程

4.1 一次桥梁监测数据上的误判复盘

我把函数第一次应用到真实数据时，结果并不理想。那批数据来自某个环境激励下的结构监测项目，采样率128Hz，FFT点数8192，频率分辨率约0.0156Hz。曲线在1~3Hz范围内有非常密集的谱峰，算法一次性挑出了40多个候选峰，但经过与有限元模型对比，真实模态只有4个。

复盘时发现问题出在基线校正上。低频段激励能量波动大，移动最小值窗口取的1/30数据长度在整条曲线上是自适应的，但低频段局部基线波动仍然很剧烈，导致很多改善后的“凸起”被误认为峰。后来我把参数改成了“分频段处理”：低频段用更大的平滑窗口和更小的PromFactor，高频段用默认值，误判立刻大幅下降。这个经历说明，自动选峰不能一条曲线打天下，至少要对谱线的频段特性有基本认知。

4.2 影响识别结果的关键参数与推荐区间

我整理了最影响结果的几个参数，给出我在不同场景下的默认参考值，你可以把它当作起点，再根据数据微调：

PromFactor是最敏感的旋钮。设大了会把小峰全滤掉，设小了噪声峰全进来。我的经验是先用默认参数跑一遍，把识别到的峰画在曲线上，肉眼看一下“峰是否比周围背景明显凸出”，再按比例调整。如果识别结果里混入大量毛刺峰，优先加大PromFactor；如果漏掉了真实的小峰，则适度减小并同时检查平滑窗口是否过大。

占一个特殊地位的参数是MinDist。对于模态密集的结构，比如复合材料板或叶盘结构，两阶模态可能只相隔几赫兹，此时需要把MinDist调到1~2倍频率分辨率，代价是噪声分裂峰的风险上升，所以要和显著性阈值配合使用。反过来说，如果你做的是大型土木结构，模态频率普遍稀疏，可以适当放宽MinDist到5倍df，减少误判。

4.3 极端工况下的兜底策略

有些极端情况是算法绕不开的，必须有兜底策略。第一种是数据质量极差、噪声几乎淹没真实峰，此时任何自动选峰算法都会失效，正确做法是先做数据预处理而不是硬调参数。第二种是峰形严重不对称的“非经典峰”，比如结构出现非线性特性，或者传感器安装位置靠近节点导致某阶模态响应极小，此时抛物线拟合的顶点会偏移，需要人工复核。

我在实际使用中给算法加了一个“三重确认”的输出：先看自动选峰结果，再对比模态指示函数，最后回看时域信号的稳态图。自动选峰负责高效地给出候选集，人工只做最后一道确认，效率和可靠性是能够同时保证的。不要期望算法绝对正确，而要把算法设计成“尽量减少人工工作量，同时保留人工纠错入口”的形态。

记住：自动选峰输出结果后，至少要做一次“峰值频段回看”检查。把识别出的峰画在原始曲线上，扫一眼就能发现明显误判，这个习惯能帮你避免把错误的峰直接带进模态拟合。

5. 跨领域扩展：从结构监测到旋转机械、音频与生物信号

5.1 场景迁移的三个前置条件

说了这么多结构监测的例子，你可能想问：自动选峰到底能迁移到哪些领域？我自己的体会是，只要满足三个前置条件，这套方法就能复用。第一，数据在频域或时域里表现为“基线加稀疏凸起”的形态；第二，目标特征是凸起的中心位置，而不是凸起的完整包络；第三，凸起之间彼此有一定间距，至少大于数据的分辨率单元。

这三个条件覆盖了非常多场景。旋转机械上做共振扫频时，需要从加速扫频数据的包络里挑共振转速对应的频率；音频行业做扬声器频响测试时，需要识别喇叭频响曲线上的谐振峰；医疗健康领域处理脉搏波或呼吸信号时，需要从时域波形里数周期峰。它们背后的数学问题都是同一个：在一堆局部极大值里找有物理意义的那个。

5.2 与现有工具箱/代码整合的两类方式

迁移时不需要重写算法，只需要做两类整合。第一种是直接调用函数接口，把不同数据的预处理放在外面处理。比如处理旋转机械扫频数据时，先用包络提取得到幅值序列，再调用autoPeakSelection，参数从结构监测的窄带改成宽带即可。第二种是把自动选峰嵌入到现有的批处理脚本里，作为模态参数识别的第一阶段，后面接频域分解或最小二乘复指数法做进一步拟合。

我在一个模拟项目里就做过这样的整合：自动选峰先定出固有频率候选集，频域分解再用奇异值曲线验证每一阶，最终输出频率和阻尼表。整个过程从原来的半小时人工选峰，压缩到几分钟内自动完成。代码量增加很少，但流程标准化程度提升了一大截，这对项目交付和结果复现都有实打实的帮助。

5.3 长期维护的经验

最后想分享一点长期维护这类代码的经验。自动选峰这类算法，看似简单，实际维护起来需要注意几个细节。首先是版本兼容，尽量少用太新的MATLAB语法，arguments块好用但这要求R2019b以后，如果你经常要在客户机或旧服务器上跑，建议在正式交付时换成inputParser写法。其次是把参数写进一个独立的配置文件或结构体，不要散落在脚本里，这样换数据时只需要改参数区块。最后是每次跑新数据集时保存一张“选峰诊断图”，包括原始曲线、平滑曲线、基线和峰标记，用它来积累不同数据类型的调参规律。

我在维护过程中还养成了一个习惯：每当遇到一批新类型数据，我会先用最宽容的参数跑一遍，看看所有“潜在峰”长什么样，然后逐步收紧阈值，观察哪些峰先消失。这个过程能帮你快速判断这批数据的信噪比和峰形质量，也更容易找到一个物理含义明确的阈值，而不是蒙一个数值。

写到这里，自动选峰法从原理到实现再到跨领域迁移，基本都覆盖了。我自己现在做模态识别的批处理，已经离不开这个函数，但心里始终清楚：算法只是把手动拾峰这个重复劳动自动化了，真正判断“模态峰还是设备伪峰”的，依然是对结构的理解和对数据的敬畏。如果你正在为一条布满毛刺的FRF曲线发愁，不妨把它跑一下，从最宽容的参数开始，一步步收紧，你会慢慢摸到阈值和你手里数据脾气相合的区间。这个调参的过程本身，也是对信号特性的一种深入理解。

最后再分享一个小技巧：保存自动选峰结果时，建议连同半功率带宽一起记录，不要只存频率。因为阻尼比的计算在任何阶段都可能要补算，回头找数据时带宽信息往往比峰值幅值更有用。我吃过一次亏，只存了频率，后来要补阻尼比，不得不重新算一遍选峰，白白多花了半天时间。