企业官网建设流程全解析

结构振动信号测了一大堆，存了十几个文件，然后呢？我最早做模态测试时，就卡在这个问题上。传感器布点、采样、导出数据只是第一步，真正的难点在于：如何处理这些时间序列，把结构的固有频率、阻尼比、模态振型从里面“挖”出来。这一整套流程就是常说的Matlab模态参数识别与振动信号分析，也是实验模态分析（EMA）和运行模态分析（OMA）的核心内容。这篇文章我用Matlab做主线，把信号预处理、频响函数/功率谱估计、频域识别法（峰值拾取、FDD）、时域识别法（SSI、ERA）完整串起来，每个环节给出代码思路和实测中容易踩的坑。适合正在做结构动力学试验、桥梁或风机健康监测、故障诊断，或者刚入门想搞懂算法背后逻辑的同学。

1. 模态参数识别在解决什么：为什么振动信号里能读出结构固有属性

1.1 固有频率、阻尼比、振型：结构的“身份证”

一个线性结构，在任意激励下的响应可以由模态叠加原理表示：把结构等效成多个单自由度系统叠加，每个单自由度系统对应一阶模态，用固有频率、阻尼比和模态振型三个参数描述。模态参数识别的目标，就是利用实测振动信号，把这三样东西估计出来。

为什么识别出来的参数可信？因为这些参数由结构质量、刚度、阻尼分布决定，与激励大小没有关系（在小变形线性假设范围内）。换句话说，你用锤子敲和用激振器扫，识别出的频率应该一致。这是后续做结果校验的底层逻辑。事实上，我给不少项目做复核时，都会先用两次不同激励方式做交叉验证，频率差控制在0.5%以内才敢把结果交付。

还有一个容易混淆的点：时域波形本身不是模态。波形受到激励作用方式、初始状态、噪声的直接影响，但模态参数是结构自身的属性。好比你用不同力度拨动吉他弦，声音大小不同，可音高不变，这个“音高”就相当于固有频率。模态参数识别本质上就是反推结构系统的特征值问题。

1.2 EMA与OMA的分工

实验模态分析（EMA）使用已知的激励信号和响应信号，可以计算频响函数FRF。FRF的峰值直接对应固有频率，虚部相位和幅值可以用来辅助识别振型，而且FRF支持质量归一化振型，也就是能把振型幅值换算成对单位激励的绝对响应程度。

运行模态分析（OMA）则只有环境激励下的响应，激励信号不可测，只能利用响应的自谱和互谱，在激励近似为白噪声的假设下做识别。OMA的振型结果不能做质量归一化，但用于结构健康监测完全够用。在现场大型结构如桥梁、海上平台、风力发电机塔筒上，很难施加可控激励，所以OMA非常常见。很多商用运行模态测试设备，底层就是OMA理论。

选择哪条路线，取决于你能拿到什么数据。有激励信号，优先做EMA，FRF的信息量比自谱大；只有环境振动数据，就做OMA。有时现场条件很尴尬——设备在运行不能停机，只能在机座上贴几个加速度计连续采一周，这时候OMA几乎是唯一选择。

1.3 用Matlab做这件事的合理姿势

Matlab的信号处理工具箱提供了tfestimate、pwelch、svd这些底层函数，官方也确实有modalfrf、modalfit、modalsd这样的现成功能。我个人的建议是：以手动实现为主，官方函数交叉验证为辅。

手动实现的好处是能真正理解算法边界。比如FDD到底怎么用SVD分解互谱矩阵，SSI的Hankel矩阵为什么要这样堆叠，你写过一遍代码，才能在识别结果异常时找到问题出在哪个环节。否则黑盒调用，出问题根本无从下手。我自己早期就是直接调工具箱，遇到模态漏识别只能干着急，后来把底层算法重写了一遍，才彻底搞明白。

数据量不大时，Matlab矩阵运算非常顺手，可视化调试也方便。本文涉及的核心代码都不依赖额外工具箱，用基本函数就能跑通。

2. 数据质量是第一关：振动信号预处理与谱估计要点

2.1 采样之前就要定好的三件事

很多人拿到数据直接就开始跑算法，结果识别出来的频率总是对不上，后来发现是采样参数定得不对。采样率、数据长度、参考点位置这三件事，必须在采集方案阶段就想清楚。

采样率至少要满足关心最高频率的2.56倍以上，不能只按奈奎斯特的2倍来定，因为真实采集系统需要为抗混叠滤波器留出过渡带。比如你关心0.5~200Hz的模态，采集速率取512Hz是底线，取1024Hz更稳。如果关心的是高频局部模态，采样率不够，高频模态在采集阶段就已经被抹掉，后面的识别算法再强也救不回来。

数据长度直接决定频率分辨率。频率分辨率Δf等于采样率除以FFT点数，也就是Δf = fs / nfft。如果两阶模态相差只有3Hz，分辨率至少要小于1Hz，最好0.5Hz以下，否则两峰在频谱里直接融成一个包络，任何峰值搜索算法都分不开。对于OMA场景，环境激励响应需要很长的数据来平均，通常要采集十几分钟甚至更久。

参考点是用来衡量其他测点相位与幅值关系的基准，绝对不能让参考点落在关心模态的节点上。否则该阶模态在互谱里被“抹平”，后续识别必然漏掉。一个稳妥的做法是提前做有限元粗算，或者先用一个临时参考点做锤击预试验，确定哪些位置是节点，再正式布点。

2.2 预处理四板斧：去均值、去趋势、滤波、重采样

拿到原始加速度信号后，我一般会先做四步预处理：

首先是去均值，加速度计会有直流偏置，直接用detrend(x, 'constant')处理。然后是去线性趋势，温漂和线缆摆动会造成基线漂移，用detrend(x, 'linear')。做这两步之前，务必先看时域波形，如果信号里出现削波、传感器松动的瞬时冲击，那种数据段该剔除就剔除，不能指望后续滤波把它抹掉。

然后是带通滤波。选Butterworth滤波器加filtfilt零相位滤波，原因是filtfilt不会产生相位偏移，模态频率位置不会被扭曲。滤波器阶数6阶足够，阶数过高会引入数值不稳定。滤波范围要覆盖整个关心频带，边缘留一点余量，防止模态频率正好落在过渡带上被衰减。

最后是重采样。高采样率的数据如果只关心低频段，可以先低通滤波再降采样，既减少数据量，又能让同一FFT长度下频率分辨率更高。Matlab的resample函数内部自带抗混叠滤波，可以直接用。

% 信号预处理示例 fs = 1024; % 原始采样率 acc = detrend(acc_raw, 'constant'); acc = detrend(acc, 'linear'); % 带通滤波 0.5~200 Hz [b, a] = butter(6, [0.5 200]/(fs/2), 'bandpass'); acc = filtfilt(b, a, acc);

滤波之后一定要肉眼检查滤波前后频谱，确认关心频带内没有幅值畸变。我用filtfilt踩过一次坑：滤波器阶数设到10阶，低频段出现轻微振铃，结果某阶低频模态的频响曲线在峰附近出现波浪状，半功率带宽法直接失效。

2.3 频响函数和互谱密度估计：加窗、平均、H1估计

预处理做完，下一步就是把时间信号转换到频域，得到频响函数FRF或功率谱密度矩阵。

EMA场景下，FRF用H1估计最常用：H1(f) = G_fx(f) / G_ff(f)。G_ff是力信号的自功率谱，G_fx是力与响应之间的互功率谱。H1估计的假设是噪声主要集中在响应端，能较好抑制响应噪声。如果力信号本身噪声大，就需要考虑H2估计或者Hv估计。锤击试验中，力信号是脉冲形状，用力窗保证力信号完整且窗内无泄漏时，H1估计通常工作得很好。

纯响应OMA场景则用互谱密度函数。用cpsd计算每一对通道之间的互谱，形成一个多通道互谱矩阵，这个矩阵就是后面FDD的输入。估计时加汉宁窗，重叠率取50%~75%，平均次数越多谱曲线越平滑，但频率分辨率会随窗口长度变化，需要在两者之间权衡。

nfft = 8192; win = hanning(nfft); noverlap = ceil(nfft * 0.75); % FRF（H1估计），输入力信号force，输出响应acc_1 [frf, f] = tfestimate(force, acc_1, win, noverlap, nfft, fs); % 互谱矩阵（OMA场景） Nch = size(acc, 2); Pxx = zeros(length(f), Nch, Nch); for ii = 1:Nch for jj = 1:Nch [Pxx(:, ii, jj), f] = cpsd(acc(:, ii), acc(:, jj), win, noverlap, nfft, fs); end end

注意这里的窗函数是针对随机激励的情况。锤击激励的加窗策略完全不同，我放到第5章详细说，因为那是一个非常容易踩坑的细节。

3. 频域方法实战：峰值拾取与频域分解实现

3.1 峰值拾取法是最简单的方法，但别迷信它

峰值拾取法的思路非常直接：在FRF或自谱幅值曲线上找局部峰值，峰值对应的频率就是固有频率；阻尼比用半功率带宽法计算。对于模态稀疏、阻尼小、频谱峰分离良好的结构，这个方法效率很高，几行代码就能得到一个初步结果。

但它的局限也很明显：模态密集时，相邻峰值会发生重叠，拾取出来的峰位置会偏向中间，频率误差可能超过5%；阻尼比较大时，峰本身变得扁平，峰值位置和3dB带宽都很难准。所以我通常只把峰值拾取当作预分析，用来快速确认大概有几阶模态、大概在什么频段，然后再用更鲁棒的方法做正式识别。

3.2 FDD的核心：对功率谱密度矩阵做SVD

频域分解法（FDD）是峰值拾取的升级版，它解决的核心问题是：频谱峰重叠时，怎么把不同模态的贡献分离开。

思路很巧妙：在每一个频率点上，把多通道互谱矩阵当作一个矩阵，对它做奇异值分解。当某个频率接近某阶模态时，互谱矩阵的主奇异值会明显大于其他奇异值，对应的左奇异向量就是该阶模态振型的估计。换句话说，FDD利用不同模态在空间上的正交性，把信号投影到振型空间里去分离模态，而不是只盯着单个通道的自谱看峰值。

这带来的实际好处是，即使两个模态频率很接近，只要它们的振型不是完全一样，SVD也能在频率附近的奇异值曲线上把两个峰分开。这一点在对称结构或轴向对称的壳体结构中特别有用，这类结构经常出现成对的密集模态。

3.3 FDD的Matlab实现与自动峰值搜索

FDD的代码实现并不复杂。上面已经用cpsd构建了互谱矩阵Pxx，接下来对每个频率点做SVD：

s1 = zeros(size(f)); U1 = zeros(Nch, numel(f)); for k = 1:numel(f) S = squeeze(Pxx(k, :, :)); % 当前频率点的互谱矩阵 S = (S + S') / 2; % 确保矩阵为 Hermitian 对称 [U, D, ~] = svd(S); s1(k) = D(1, 1); U1(:, k) = U(:, 1); end

第一奇异值曲线s1就是FDD的核心输出。真实模态会在s1曲线上形成明显峰值，峰值对应的左奇异向量U1(:, k)就是振型系数。

峰值搜索用findpeaks即可，但阈值参数要结合信噪比调整：

s1dB = 10 * log10(s1); [pks, locs] = findpeaks(s1dB, 'MinPeakProminence', 6); fn = f(locs);

MinPeakProminence设为6~10dB比较常见。设太小会拾取一堆噪声毛刺，设太大会漏掉弱模态。先画s1dB曲线看一遍，再回来调这个参数，是标准调试流程。

3.4 从奇异值曲线估计阻尼比：半功率带宽法

阻尼比估计最常用的还是半功率带宽法。公式很简单：ζ = (f2 - f1) / (2 f0)，其中f0是峰频率，f1、f2是峰值两侧功率衰减一半（-3dB）处的频率。

关键是要搞清楚量纲。奇异值曲线来自互谱矩阵的特征值，是功率量纲，所以半功率点应该取峰值线性值的1/2，也就是显示成dB时的-3dB位置。如果手头是幅值谱，则取峰值的1/√2。

% 对第i阶峰做半功率带宽估计 f0 = fn(i); [~, id0] = min(abs(f - f0)); pkVal = s1(id0); thr = pkVal / 2; % 功率谱阈值 % 左侧：找阈值交点 lo = id0; while lo > 2 && s1(lo-1) > thr lo = lo - 1; end fl = interp1([s1(lo-1), s1(lo)], [f(lo-1), f(lo)], thr, 'linear'); % 右侧：找阈值交点 hi = id0; while hi < numel(f)-1 && s1(hi+1) > thr hi = hi + 1; end fr = interp1([s1(hi+1), s1(hi)], [f(hi+1), f(hi)], thr, 'linear'); zeta = (fr - fl) / (2 * f0);

这里有一个非常重要的问题：半功率带宽法对频率分辨率极其敏感。如果Δf太大，峰顶会被“削平”，3dB带宽明显变宽，阻尼比被高估。所以我一般会在峰附近局部加密频率轴，或者用曲线拟合替代简单的插值。另外，搜索范围的限制也很重要，如果相邻模态离得很近，阈值交点容易跨到旁边模态的曲线上，必须在峰附近限制搜索带宽，例如只用f0两侧±5个频率采样点的范围。

4. 时域方法实战：随机子空间（SSI）与ERA补充

4.1 频域方法搞不定的情况：密集模态、大阻尼、连续激励

FDD虽然比峰值拾取强，但面对极密集的模态和比较大的阻尼时仍会吃力。本质原因在于频域法的分辨率受FFT窗口长度限制，谱泄漏会把相邻峰之间的谷填起来。时域法绕开了这个限制，直接在时间维用原始响应序列拟合状态空间模型，不经过加窗平均，也就不存在泄漏和分辨率损失的问题。

代价是计算量更大、模型阶次不好选。时域法的输出往往伴随着大量虚假模态，必须配合稳定图筛选。这也是为什么我会先跑FDD摸个底，再决定要不要上SSI和ERA：如果FDD的奇异值曲线峰分得开，时域法不是必须的；如果峰黏在一起，直接上时域法。

4.2 随机子空间法的核心思路与Matlab框架

随机子空间法（SSI）把结构系统建模成离散状态空间：

x(k+1) = A x(k) + w(k)
y(k) = C x(k) + v(k)

其中x是内部状态，y是实测响应，A和C是待估计的系统矩阵。识别出A之后，对A做特征值分解，特征值对应系统极点，再换算成频率和阻尼比。

协方差驱动SSI（Cov-SSI）的逻辑更直观：先用输出数据计算协方差序列，再构造成块Toeplitz矩阵，对它做SVD得到可观矩阵，最后利用移位结构估计系统矩阵A。数据驱动SSI（Data-SSI）则直接对Hankel矩阵做投影，精度更高但公式更复杂。下面给的是协方差驱动SSI的框架代码，适合理解原理：

% 协方差驱动SSI框架（示意） N = size(y, 2); % y: Nch × N 通道响应矩阵 Nch = size(y, 1); maxLag = 30; % 计算各通道间协方差序列 R_lag R_lag = zeros(Nch, Nch, maxLag+1); for lag = 0:maxLag y1 = y(:, 1:end-lag); y2 = y(:, 1+lag:end); R_lag(:, :, lag+1) = y1 * y2' / size(y1, 2); end % 构造块Toeplitz矩阵 T (r×r块) r = maxLag + 1; T = zeros(r*Nch, r*Nch); for i = 1:r for j = 1:r T((i-1)*Nch+1:i*Nch, (j-1)*Nch+1:j*Nch) = R_lag(:, :, abs(i-j)+1); end end [U, S, V] = svd(T, 'econ'); n = 20; % 模型阶次，实际需要用稳定图扫描 Un = U(:, 1:n); Sn = S(1:n, 1:n); O = Un * sqrtm(Sn); % 可观矩阵，尺寸 (r*Nch) × n % 利用移位结构估计系统矩阵 A O1 = O(1:end-Nch, :); O2 = O(Nch+1:end, :); A = pinv(O1) * O2; C = O(1:Nch, :); % 特征值分解并转成频率/阻尼 [Vd, Dd] = eig(A); lambda_d = diag(Dd); lambda_c = log(lambda_d) * fs; % 连续域极点 freq = abs(lambda_c) / (2*pi); zeta = -real(lambda_c) ./ abs(lambda_c);

注意，这只是一个教学级框架，真实工程实现还有大量细节，比如协方差序列的长度选择、块数r的确定、模型阶次n的扫描范围、稳定图的聚合逻辑。如果你要做批量数据处理，光靠这段代码是不够的，需要对照教材把完整算法补全，或者找一个经过验证的SSI工具包做交叉验证。

4.3 ERA与随机减量技术：怎么从随机响应里“抠”出自由衰减

特征系统实现算法（ERA）的输入要求是脉冲响应函数或自由衰减响应。如果只有环境激励响应，可以先用随机减量技术（RDT）提取自由衰减信号：设定一个触发阈值，当参考通道信号从下方穿越阈值时，截取一段固定长度的响应；把大量这样的片段做总体平均。随机成分在平均中趋于零，剩下的就是确定性自由衰减响应。

随机减量技术在老一代土木结构模态测试中大量使用，现在看起来有点“土”，但在处理长段环境数据时仍然很实用。得到自由衰减信号后，构造Hankel矩阵，再做SVD降阶，就是标准的ERA流程。核心思路和SSI类似，也是从系统矩阵的特征值中求频率和阻尼。

Hankel矩阵的构造大概是：

% 自由衰减/脉冲响应 h(k)，构造块Hankel矩阵 % h(k) 是 p×1 向量，p为测点数，k=0..M r = 20; c = 20; H0 = zeros(r*p, c*p); for i = 1:r for j = 1:c H0((i-1)*p+1:i*p, (j-1)*p+1:j*p) = h(:, i+j-1); end end % 再构造H1（h从第2个点开始） % 对H0做SVD，截断到2n阶，由H1求离散系统矩阵A

ERA的优势在于能用较短的响应数据得到较稳定的结果，适合冲击响应或雷击激励等瞬态场景。但环境激励场景下，随机减量提取的质量直接决定ERA的识别精度，如果平均次数不够，自由衰减曲线里残留噪声，识别阻尼比会明显偏大。

4.4 稳定图筛选：虚假模态的照妖镜

无论SSI还是ERA，都会在模型阶次设置不当时产生大量虚假模态。解决办法是稳定图：把模型阶次n从2扫描到60或者更高，每个阶次都会识别出一组频率和阻尼。然后把所有结果画在坐标图上，横轴是频率，纵轴是阶次。

真实模态在不同阶次下会反复出现，频率基本不变；虚假模态则随阶次乱跑。稳定图的判断标准一般是：连续多个阶次下频率变化小于1%、阻尼比变化小于5%或绝对值差小于0.01，就认为该点是稳定点。稳定点在不同阶次上连成一条竖线，这个位置就是真实模态。

Matlab画稳定图很简单：

figure; hold on; for n = 2:2:60 [f_n, zeta_n] = run_ssi(y, n); % 自实现的SSI识别函数 % 与已确认的稳定模态比较，判断后画点 for k = 1:length(f_n) if 是稳定点 plot(f_n(k), n, 'b.'); else plot(f_n(k), n, 'r.'); end end end xlabel('频率 / Hz'); ylabel('模型阶次 n');

实际识别中，低频段往往比高频段更容易稳定，因为高频模态信噪比低、阻尼识别波动大。我非常建议在看稳定图时结合FDD奇异值曲线一起看：奇异值曲线上有明显峰的位置，再去看稳定图上有没有稳定点与之对应，这样能极大减少漏判和误判。

5. 实测中最常见的坑：泄漏、噪声、模态遗漏与阻尼偏差

5.1 加窗不是越平滑越好：锤击和随机激励要区别对待

这是很多新手最容易忽略的地方。随机激励下加汉宁窗没有问题，因为随机信号本身是无限长的，加窗是为了压低FFT的泄漏旁瓣。但锤击激励完全不同。

锤击的力信号是近似脉冲，能量集中在很短时间内。如果力信号也加汉宁窗，有效信息会被直接削掉，FRF幅值严重失真。正确做法是：力信号加矩形窗，或者干脆不加窗。响应信号则要看衰减情况，如果锤击后结构响应在采集窗口内已经衰减到噪声水平，响应信号也可以不加窗；如果到窗口末端还在振动，就必须加指数窗让尾部落到零附近。

指数窗会人为引入额外阻尼，使阻尼比估计偏大。这是锤击试验中阻尼测不准的主要原因之一。应对办法是：指数窗的时间常数一定要比结构自身衰减时间长得多，同时在报告中注明加窗修正情况。如果你发现同一结构用锤击法和激振器法测出的阻尼比差了一大截，先怀疑指数窗设置。

5.2 参考点落在节点，模态直接消失

这个坑看起来很简单，但几乎每个人都踩过。模态节点是振型里位移为零的位置，如果参考点恰好落在某阶模态的节点上，该测点的响应幅值接近零，互谱里这阶模态几乎不会被看到。

实际工程中，节点位置并不直观。我给一个旋转对称的圆盘结构做过测试，一阶二阶模态频率只差0.8Hz，振型是空间上互相垂直的两个方向。参考点放在某个角度后，第二阶模态在FRF上完全消失，当时一度以为是算法问题，后来把参考点换到45度方向，两阶模态同时出现。

如果你有有限元模型，一定要先查看关心模态的振型图，把节点位置标出来，参考点远离这些位置。没有有限元模型时，就用两三个不同位置参考点各做一遍，模态能稳定出现的那组参考点才可靠。

5.3 阻尼比为什么总测不准：噪声、分辨率、激励幅值

阻尼比是模态参数里最难测准的。半功率带宽法在噪声影响下经常高估阻尼，因为噪声底抬高了谱峰两侧的曲线，让3dB带宽看起来更宽。频率分辨率太粗会把峰削平，同样导致高估。所以半功率带宽法得到的阻尼比，我都当作参考值，不直接用于工程设计。

更可靠的思路是在峰附近用单自由度理论曲线做最小二乘拟合，用整个峰的形状来反演阻尼，而不是只依赖两个3dB交点。即便如此，阻尼识别结果仍然有较大的分散性。同一根悬臂梁，我用5次锤击试验分别识别，阻尼比从0.8%到1.5%都很正常。这是结构本身的非线性、环境和测量系统共同作用的结果。

如果你发现阻尼比识别结果很不稳定，先检查激励幅值。大激励幅值下结构的非线性阻尼会更明显，同一结构的阻尼比可能随激励增大而上升。报告阻尼比时，必须注明测试时的激励条件和传感器位置，否则这个数据没法复现。

5.4 虚假模态和遗漏模态的判断套路

虚假模态和遗漏模态是识别结果里最常见的问题。我的判断套路有四条：

第一，看相干函数。FRF估计中，在模态峰附近的相干值应该接近1，如果相干值明显低于0.9，这个峰的可信度很低。第二，看多通道一致性。真实模态会在几乎所有相关通道的FRF或奇异值曲线上同时形成峰，而噪声峰通常只在个别坏通道上出现。第三，看振型连续性。把振型按结构几何位置画出来，看起来应该是一条平滑曲线，如果有突然的跳变，多半是某个测点传感器松了或者测点坐标填错。第四，看奇异值多阶曲线。FDD时不要只看第一奇异值，第二条和第三条奇异值也在某个频段同时隆起，往往是重根模态或密集模态的信号，只盯第一奇异值会漏掉它们。

判断真假模态时，还有一个容易被忽略的因素：传感器对结构的质量载荷效应。小试件上装了几个几十克的加速度计，高频模态的频率会明显下降，这属于传感器附加质量改变了结构属性，不是识别算法能解决的。低频结构影响小，高频细部模态要认真评估。

6. 从识别结果到工程决策：验证与延伸

6.1 用MAC矩阵检查振型区分度

频率和阻尼识别完之后，还要验证振型。模态置信准则（MAC）是标准工具，它计算两个振型向量之间的空间相关性，取值0到1。同一个模态与自身比较时MAC应该接近1，不同模态之间的MAC应该接近0。

n_modes = size(phi, 2); % phi: 测点数 × 模态数 的振型矩阵 MAC = zeros(n_modes); for ii = 1:n_modes for jj = 1:n_modes MAC(ii, jj) = abs(phi(:, ii)' * phi(:, jj))^2 / ... (norm(phi(:, ii))^2 * norm(phi(:, jj))^2); end end

如果两个不同模态之间的MAC值很高，比如超过0.8，说明测点布局不足以区分这两个振型，最直接的解决办法是增加测点密度。设备和测点不够、无法补测时，就只能如实说明当前测点无法分辨这对模态。MAC对角线值低，通常意味着该阶振型在大多数测点上响应幅值很弱，识别结果同样不可靠。

6.2 模态参数拿去做有限元模型修正和健康监测

识别出的模态参数在工程上有几个很常见的下游用途。

有限元模型修正是其中之一。初始有限元模型的刚度、边界条件和材料参数往往和实测有偏差，通过优化这些参数，让有限元计算的固有频率和振型尽量贴近实测值，修正后的模型才能用于后续响应预测和载荷计算。

结构健康监测则利用频率漂移来指示刚度退化。桥梁某处出现裂缝，局部刚度下降，对应某几阶固有频率会下降。连续监测环境振动并做OMA识别，用频率变化趋势作为预警指标，是目前大型土木结构健康监测的主流方案之一。

故障诊断领域也经常和模态分析挂钩。旋转机械在转速变化过程中，如果激励频率（比如齿轮啮合频率）刚好与结构某阶固有频率重合，就会发生共振，振动和噪声急剧放大。识别出设备的各阶固有频率后，可以在设计阶段避开共振转速，或者在运行阶段快速定位异常共振。

6.3 与官方工具箱交叉验证：自写算法和modalsd怎么配合

自写算法跑完之后，我强烈建议用Matlab官方的modalsd做一次交叉验证。modalsd直接接收多通道响应数据和频率轴，输出稳定图，底层实现用的是类似FDD配合自动化筛选的方法，在多数常规结构上表现稳定。

交叉验证时重点对比两件事：一是主峰频率是否一致，频率差在1%以内算正常；二是稳定点的数量和分布是否接近。如果自写算法和工具箱在频率上差了很多，说明数据预处理环节可能出了问题，比如滤波频带设置、窗函数类型、参考通道选取有误，先回去检查数据，而不是调算法。

如果两者结果一致，你再对峰值处做半功率带宽或拟合得到阻尼比，整条识别链路才算走完。

我个人习惯是，在跑任何识别算法之前，先把时域波形、自谱、相干函数这三张图全部画出来看一遍。花不了几分钟，但能提前发现传感器松动、削波、参考点节点这些低级问题。模态参数识别本质上是个“数据进、参数出”的工程问题，算法再精巧也架不住输入数据本身有问题。所以别急着堆高层方法，先把数据底子打扎实，后面识别结果自然稳。