六自由度系统非线性参数辨识：从共振峰漂移到骨架线拟合

做六自由度系统非线性参数辨识这事，我一开始真没把它当回事。当时手头有一套试验台，六个质量块串联，弹簧在大位移下表现出明显的非线性，我需要判断是非线性来自刚度硬化还是阻尼，然后把参数抠出来交给下游做响应预测。第一反应很自然：线性模态分析那套老办法——锤击或者正弦扫频，提取频响函数，然后曲线拟合。结果小激励下拟合得好好的参数，一加大激励幅值就全面失效，共振峰在右移，频响曲线开始歪，甚至出现跳跃。这时候才意识到，非线性参数辨识和线性模态分析完全是两套世界观。

这篇文章就是把这个过程沉淀下来：从六自由度系统的运动方程出发，区分弱非线性和强非线性两种场景，分别用共振峰漂移和骨架线（Backbone Curve）两种思路去辨识参数，最后给出一套可以直接跑的Python代码流水线。不管你是做振动试验数据处理、结构动力学课题，还是设备状态监测里遇到非线性特征提取，这篇都值得收藏。

1. 先破除一个误区：六自由度非线性辨识不是"六个单自由度拼起来"

1.1 为什么线性时代熟知的模态叠加，在参数辨识中并不总是可用

线性系统里，我们之所以敢把多自由度问题拆成多个单自由度问题，靠的是模态叠加原理：位移响应可以写成各阶模态的线性组合，而每一阶模态的行为完全由固有频率、阻尼比、振型这三个量刻画。换句话说，只要我测到频响函数矩阵，就能通过模态参数把整个系统"翻译"成一组互不干扰的单自由度振子。

但注意，"互不干扰"这四个字在非线性系统里是不成立的。拿一个最简单的Duffing非线性弹簧来说，x'' + 2ζωx' + ω²x + k3x³ = Fcos(Ωt)，它的等效刚度会随响应幅值变化。这就意味着你在0.1N激励下测到的"固有频率"和5N激励下测到的"固有频率"都是真实存在的，但它俩不是同一个数。当你试图用固定模态去描述整个系统时，每一阶"模态"都在漂移，模态之间还会通过非线性力发生能量交换。我见过不少人把线性模态分析流程直接套在非线性试验数据上，结果得到一堆物理上解释不通的负阻尼、负刚度，就是这么来的。

所以做非线性参数辨识之前，必须先接受一个事实：你面对的不是一个固定参数的系统，而是一个参数随响应状态变化的系统。辨识任务也从"求一组固定参数"变成"求一个描述参数如何随幅值变化的函数关系"。

1.2 弱非线性与强非线性：判据不是"力气大小"，而是响应的形态

很多初学者会问：到底多大激励算强非线性？这个问题的问法本身就错了。弱和强不是由激励力大小决定的，而是由响应形态决定的。

实操中我习惯用两个快速判据：

• FFT谱形：对稳态响应做FFT，看基波之外的高次谐波占比。如果三次谐波幅值不到基波的5%，基本可以按弱非线性处理；如果三次、五次谐波明显成型，甚至出现次谐波（比如1/2次谐波），就进入强非线性区了。
• 扫频响应：对一个频率点从低到高扫，看幅频响应曲线。线性系统的共振峰是对称的（在比例阻尼假设下）；弱非线性的峰还保留单峰形状但位置随激励幅值偏移；强非线性的峰会出现明显弯曲，上升扫频和下降扫频的路径不一样，中间夹着一个滞后回路，这就是经典的跳跃现象。

这里有张对照表，我后面几节的分析都基于这个划分：

这个判据非常重要，因为它决定了你后面用哪套辨识代码。我见过有人拿着弱非线性方法去处理强非线性数据，拟合出来的刚度系数差了一两个数量级，原因就是他没意识到跳跃区间的数据点根本无法用单值等效刚度解释。

2. 从运动方程到可用的辨识模型：六自由度Duffing弹簧测试台

2.1 状态空间化与数值积分器的工程选择

要辨识参数，第一步是有一个足够真实的正向模型。我搭的测试台是六自由度串联弹簧质量系统，每个质量块之间有一组线性弹簧，其中一段弹簧并联了Duffing硬化非线性项。运动方程写成矩阵形式：

Mx'' + Cx' + Kx + F_nl(x) = F(t)

M是质量对角阵，C是阻尼矩阵，K是线性刚度矩阵，F_nl是非线性恢复力向量。我把边界条件也处理成弹簧——两边各有接地弹簧，这样系统有六个明确的振动模态，不会发生刚体漂移。

数值积分我直接用scipy.integrate.solve_ivp，积分器选LSODA。为什么选LSODA而不是默认的RK45？因为非线性项会让方程变成刚性系统，尤其是强非线性时，高频成分衰减极快，RK45会为了稳定步长做大量无效计算，慢得让人想砸电脑。LSODA能自动在刚性/非刚性模式之间切换，实测下来六自由度系统一个扫频点几秒到十几秒就能算完。

状态空间化的写法就是把二阶方程降阶：

python复制import numpy as np
from scipy.integrate import solve_ivp

def mdof_dynamics(t, y, m, c_band, k_band, k3_pos, k3_vals, A, f):
    """
    六自由度弹簧-质量-阻尼系统状态方程。
    y 是12维状态向量: [x1..x6, v1..v6]
    k_band 共 7 段: 0 和 6 是边界接地弹簧, 1..5 是相邻质量间弹簧
    c_band 同理，表示阻尼
    k3_pos 是非线性弹簧的段编号列表，k3_vals 是对应的立方刚度系数
    """
    N = len(m)
    x = y[:N]
    xd = y[N:]

    force = np.zeros(N)
    force[0] = A * np.sin(2 * np.pi * f * t)

    stiffness = np.zeros(N)
    damping = np.zeros(N)

    # 弹簧力
    for j in range(N + 1):
        if j == 0:
            dx = x[0]
        elif j == N:
            dx = x[N - 1]
        else:
            dx = x[j] - x[j - 1]

        if j in k3_pos:
            idx = k3_pos.index(j)
            k_nl = dx * k_band[j] + k3_vals[idx] * dx**3
        else:
            k_nl = dx * k_band[j]

        if j == 0:
            stiffness[0] += k_nl
        elif j == N:
            stiffness[N - 1] += k_nl
        else:
            stiffness[j - 1] -= k_nl
            stiffness[j] += k_nl

    # 阻尼力（简化为线性粘性阻尼）
    for j in range(N + 1):
        if j == 0:
            dv = xd[0]
        elif j == N:
            dv = xd[N - 1]
        else:
            dv = xd[j] - xd[j - 1]

        if j == 0:
            damping[0] += c_band[j] * dv
        elif j == N:
            damping[N - 1] += c_band[j] * dv
        else:
            damping[j - 1] -= c_band[j] * dv
            damping[j] += c_band[j] * dv

    acc = (force - stiffness - damping) / m
    return np.concatenate([xd, acc])

这段代码最关键的地方是力的方向。很多新手写多自由度耦合项时会在符号上翻车，我的经验是每次都先写清楚"第j段弹簧对左侧质量施加-kdx，对右侧质量施加+kdx"，再进循环。文章后面所有辨识结果都建立在正向模型正确这个前提之上，正向模型错了，后面一切拟合都是自欺欺人。

2.2 激励设计：扫频、伪稳态和整周期采样

参数辨识的输入数据通常来自扫频激励。我的做法是"定频正弦分段扫频"：每个频率点让激励力以固定幅值、固定频率持续一段时间，等系统进入稳态后再采集响应，计算该频率下的基波响应幅值。频率点从低到高间隔取值，最后把幅频曲线拼出来。

这里有个工程细节特别容易踩坑——每个频率点到底要持续多久。线性系统用"3倍衰减时间常数"大致估算即可，但非线性系统的稳定时间会和激励幅值耦合。我的经验是先用一个大阻尼的粗扫确定大概共振区间，再在共振区间附近加大积分时长。代码里我习惯把总积分时间和稳态开始时间分开设置：

python复制def steady_amplitude(m, c_band, k_band, k3_pos, k3_vals, A, f,
                     T_total=6.0, T_steady=4.0, fs=2048):
    """
    单频正弦激励下，提取第一个质量块稳态位移的基波幅值。
    T_total 总仿真时长，T_steady 表示只取这段之后的数据做FFT
    """
    t_eval = np.linspace(0, T_total, int(T_total * fs), endpoint=False)
    y0 = np.zeros(2 * len(m))
    sol = solve_ivp(mdof_dynamics, [0, T_total], y0,
                    t_eval=t_eval,
                    args=(m, c_band, k_band, k3_pos, k3_vals, A, f),
                    method='LSODA', rtol=1e-8, atol=1e-10)

    mask = t_eval >= T_steady
    sig = sol.y[0, mask]

    # 整周期截断：取激励周期的整数倍
    n_cycles = int(len(sig) / (fs / f))
    valid_len = n_cycles * int(fs / f)
    if valid_len < 2 * int(fs / f):
        return 0.0

    seg = sig[:valid_len]
    n = len(seg)
    spec = np.fft.rfft(seg) / n
    freq = np.fft.rfftfreq(n, 1 / fs)

    # 取激励频率 f 附近幅值最大的谱线，并做单峰校正
    idx = np.argmin(np.abs(freq - f))
    amp = 2.0 * np.abs(spec[idx])
    return amp

为什么这里特意做整周期截断而不加窗？因为加窗会引入主瓣宽度，对窄带幅值提取有偏差；而正弦激励下，只要截取整周期，FFT频谱泄漏几乎为零，基波幅值直接就是准确的。这个细节对非线性数据特别重要，因为在强非线性情况下，谐波成分多，如果截断不整周期，泄漏出来的高次谐波会把基波附近的谱线污染掉，识别的幅值误差能到10%-20%。

2.3 参数辨识的入口：线性参数先定，非线性参数后定

我做参数辨识的顺序永远是两步走：小激励下先辨识线性参数，大激励下再辨识非线性参数。这么做不只是因为计算方便，更是因为物理上必须解耦。

小激励下，系统响应幅值很小，非线性力（正比于位移三次方）相对线性力（正比于位移一次方）可以被忽略，系统退化为线性系统。这时候我只需要把小振幅扫频的频响曲线峰值频率提取出来，就能唯一确定刚度和质量的组合关系。等线性参数确定之后，再增加激励幅值，共振峰相对线性系统发生偏移，这个偏移量就是非线性参数的直接度量。顺序反过来的话，两个参数在优化算法眼里高度耦合，你很难同时拟合出唯一解。

这个"线性先行"的思路看似简单，但我在评审一些代码时经常看到有人跳过它，直接用一个大的非线性优化器去拟合所有参数，结果就是目标函数存在一堆局部极小值，初值稍微给偏一点就收敛到物理上荒谬的解。

3. 弱非线性参数辨识：利用共振峰漂移反推刚度系数

3.1 用小幅扫频先提取线性刚度和阻尼参数

线性参数辨识，我用的是传统频响峰值法加一个优化校核。先用小振幅（比如A=0.2N）扫频，得到幅频曲线，找出前几阶共振峰频率f_r，再用半功率带宽法估计每阶模态阻尼比：

ζ ≈ Δf / (2f_r)

其中Δf是共振峰两侧幅值降到峰值0.707倍处的频率宽度。这个方法精度一般，但对初值估计足够用。

然后把这几个共振频率丢进一个最小二乘优化器，对刚度矩阵做精细标定。因为只靠前几阶共振频率并不能完全确定全部弹簧刚度，我会叠加振型信息做约束，但初版用频率就够：

python复制from scipy.linalg import eigh
from scipy.optimize import least_squares

def build_k_from_band(k_band, n):
    K = np.zeros((n, n))
    for j in range(n + 1):
        if j == 0:
            K[0, 0] += k_band[j]
        elif j == n:
            K[-1, -1] += k_band[j]
        else:
            K[j - 1, j - 1] += k_band[j]
            K[j, j] += k_band[j]
            K[j - 1, j] -= k_band[j]
            K[j, j - 1] -= k_band[j]
    return K

def residual_freq(k_band, m, f_meas, n_modes=6):
    n = len(m)
    k_band = np.abs(k_band)
    K = build_k_from_band(k_band, n)
    vals, _ = eigh(K, np.diag(m))
    f_sim = np.sqrt(np.maximum(vals, 0)) / (2 * np.pi)
    # 只比前n_modes阶，频率向量按升序
    return (f_sim[:n_modes] - f_meas[:n_modes]) / f_meas[:n_modes]

# 演示用初始刚度：7段弹簧，数值可以在实测时按实际结构给
m = np.array([1.2, 1.0, 1.0, 1.0, 1.0, 1.1])
k0 = np.array([1800, 2200, 2000, 2100, 1900, 2100, 1800])
f_meas = np.array([5.8, 8.3, 11.2, 14.1, 16.9, 19.5])  # 举例
res = least_squares(residual_freq, k0, args=(m, f_meas))
k_lin = np.abs(res.x)

这里我用 np.abs(k_band) 做了边界约束变形，保证优化过程中刚度不会变成负数，虽然不如正规的bounds参数严谨，但在快速原型阶段够用且不容易报错。真正做试验数据处理时，建议改用 least_squares(..., bounds=(0, np.inf)) 更干净。

3.2 基波提取与一阶谐波平衡近似

弱非线性阶段，响应虽然已经不是纯正弦，但高次谐波占比小，所以我们只需要关心基波分量。这就是一阶谐波平衡（First-order Harmonic Balance）的基本假设：把非线性系统在大幅振动下的行为近似成一个频率依赖的等效线性系统。

对Duffing方程 m x'' + c x' + k x + k3 x³ = F cos(ωt)，设解为 x = a cos(ωt)，代入后忽略三次谐波项，利用 cos³ = (3/4)cos + (1/4)cos(3ωt)，可得等效刚度为：

k_eq = k + (3/4) k3 a²

因此共振频率的平方随幅值平方线性变化：

ω_r²(a) = k/m + (3 k3 a²)/(4m)

写成频率单位就是：

f_r²(a) = f_lin² + (3 k3 a²)/(16π² m)

这是弱非线性辨识最核心的公式。很多人拿着Duffing方程却不知道怎么用，其实就是没抓住这个关系——它告诉你：把不同激励幅值下的共振峰频率和对应响应幅值做成(f_r², a²)散点，斜率只跟k3/m有关，截距等于线性固有频率平方。

3.3 共振峰漂移公式如何转化成最小二乘拟合

实际操作流程分三步。第一步，选一组激励幅值，比如A从0.5N逐步加到3N，每个幅值都做一次定频扫频。第二步，从每条幅频曲线中提取共振峰频率和对应的响应幅值。第三步，用下面的代码拟合直线：

python复制def fit_duffing_k3(f_peaks, a_peaks, f_lin, m_eff):
    """
    根据共振峰频率 f_peaks 和对应响应幅值 a_peaks 拟合 k3。
    f_lin 是小幅线性共振频率，m_eff 是等效参与质量。
    公式: f_r^2 = f_lin^2 + 3*k3/(16*pi^2*m_eff) * a^2
    """
    y = np.array(f_peaks)**2 - f_lin**2
    x = np.array(a_peaks)**2

    # 过原点线性拟合
    slope = np.sum(x * y) / np.sum(x * x)
    k3 = slope * 16 * np.pi**2 * m_eff / 3.0
    return k3

这里m_eff不是简单取某个质量块的质量。在六自由度系统里，共振峰出现在系统的某一阶模态上，参与振动的等效质量需要结合振型计算：

m_eff = φ_rᵀ M φ_r

其中φ_r是第r阶模态振型，做质量归一化之后m_eff经常等于1，但如果不归一化就得显式计算。我在处理六自由度数据时，会先从小幅度扫频的频响曲线峰值处提取频率，再从线性刚度矩阵的特征向量里取出对应的振型，这样m_eff才靠谱。有些论文直接取激励点质量，误差在强耦合结构上可能达到30%以上。

4. 强非线性参数辨识：骨架线和频率跳跃才是真正的主角

4.1 强非线性下频响曲线弯曲、跳跃与次谐波

当激励幅值再往上涨，Duffing非线性效应开始占据主导。你观察频响曲线会发现：共振峰不再是一个对称的钟形，而是向右（硬化弹簧）或向左（软化弹簧）弯曲，在弯曲最严重的地方，曲线变成S形。这时候同一频率下可能出现多个稳定的幅值解，实际系统会依据激励的历史路径跳向其中一个。

最典型的现象是扫频方向依赖：从低频往高频扫，共振峰慢慢右移，到达某个临界频率后，响应幅值突然掉落；但从高频往低频扫，幅值要在更低的频率才跳升上去。两条路径围成一个滞后回路，这就是跳跃现象。这个滞后回路的出现，意味着系统的稳态响应和激励历史相关，参数辨识再也不能只靠一条幅频曲线了。

遇到这种情况，我最常用的处理方式是：对每个激励幅值，分别做上升扫频和下降扫频，把两条曲线都记录并存档。跳跃点两边各自的数据段都保留，因为下降段的跳跃点和强非线性刚度的关系非常敏感，是辨识k3的高价值数据。

4.2 用上升/下降扫频提取Backbone Curve

骨架线（Backbone Curve）是强非线性辨识绕不开的工具。它的定义是：共振峰位置（幅值、频率）随激励幅值变化的轨迹。对Duffing硬化系统，骨架线向右倾斜，表示幅值越大共振频率越高。

提取方法不复杂：对一组激励幅值（比如2N、4N、6N、8N），每个幅值做上升扫频和下降扫频，记录每条幅频曲线的峰点坐标(f_p, a_p)。把这些峰点连起来，就是骨架线。数值提取代码如下：

python复制def extract_peaks(f_list, a_curve):
    """从幅频曲线上提取主峰坐标，返回 (f_peak, a_peak)"""
    idx = np.argmax(a_curve)
    # 用峰值附近三个点做抛物线插值，提高峰值频率精度
    if idx == 0 or idx == len(a_curve) - 1:
        return f_list[idx], a_curve[idx]
    f_l, f_c, f_r = f_list[idx-1], f_list[idx], f_list[idx+1]
    a_l, a_c, a_r = a_curve[idx-1], a_curve[idx], a_curve[idx+1]
    denom = (f_l - f_c) * (f_l - f_r) * (f_c - f_r)
    a0 = (a_l * (f_c - f_r) + a_c * (f_r - f_l) + a_r * (f_l - f_c)) / denom
    a1 = (a_l * (f_c**2 - f_r**2) + a_c * (f_r**2 - f_l**2) + a_r * (f_l**2 - f_c**2)) / denom
    f_peak = -0.5 * a1 / a0
    a_peak = a_l - 0.25 * a0 * (f_peak - f_l) * (f_peak - f_l + 2 * a1 / a0)
    return f_peak, a_peak

抛物线插值这个步骤很多人跳过，直接取FFT的离散峰值，然后发现拟合出来的k3波动很大。根源在于扫频频率分辨率不够，离散格点间的峰值定位误差直接放大到非线性刚度计算里。用三点抛物线插值之后，峰值频率精度能到1%以内。

得到骨架线后，沿用Duffing的等效刚度公式做拟合。把骨架线上的(f_p, a_p)代入f_r² = f_lin² + (3k3/(16π²m_eff))a²，这次斜率比弱非线性时更明显，拟合也更稳定。

4.3 多自由度中骨架线的模态坐标解释

有人会问：Duffing公式是一自由度系统的结果，用在六自由度上凭什么？答案是：当共振峰被分离得足够好时，每个共振峰附近的主导响应就是那一阶模态，系统行为降维成单自由度慢流形。

更严格一点，把非线性弹簧放在第p段，它的坐标变形量Δx = x_{p+1} - x_p，在模态坐标q_r下可以写成Δx ≈ (φ_{r,p+1} - φ_{r,p}) q_r。于是非线性势能化为：

(1/4)k3 (Δx)⁴ → (1/4)k3 (φ_{r,p+1} - φ_{r,p})⁴ q_r⁴

所以模态坐标下的等效非线性系数是：

k3_eff = k3_local (φ_{r,p+1} - φ_{r,p})⁴

模态质量为：

m_r = φ_rᵀ M φ_r

这时候从骨架线斜率拟合出来的是k3_eff，要还原局部弹簧的真实k3_local，必须除以振型差值的四次方。我实际处理时经常发现，如果漏掉这一步，把k3_eff直接当作局部k3，刚度估计会偏小一个数量级甚至更多，因为振型差值的四次方经常在0.1到10之间剧烈变化。

所以完整流程是：线性参数辨识后先提取振型，再做大幅扫频提取骨架线，最后按模态坐标转换公式还原局部非线性刚度。

5. 六自由度耦合辨识陷阱：实测中我踩过的三个坑

5.1 瞬态没退够，导致等效幅值虚高

这是最容易翻车的地方。六自由度系统如果阻尼比低，比如只有0.5%，那么时间常数τ=1/(ζω)可能有零点几秒，但要让瞬态完全消失，需要5倍以上时间常数，也就是2到3秒。如果你只等1秒就采集，瞬态残余会叠加在稳态响应上，导致基波幅值偏大，共振峰也会偏移。

我的判断方法：每个频率点计算两段等长稳态数据的幅值差，如果相对变化小于1%，就认为达到稳态。更简单的做法是直接加大积分时间到6秒，虽然计算慢一点，但数据质量明显提升。尤其在做强非线性扫频时，非线性系统比线性系统更容易出现慢瞬态，宁可多等不要抢时间。

5.2 激励点落在振型节线上，出现假峰值假谷值

六自由度系统有六阶模态，每一阶都有振型节线。如果你的激励点刚好落在某一阶模态的节线附近，那么该阶模态几乎不会被激发，频响曲线上就少一个峰或者出现一个被压扁的峰。新手看到这种现象，会误判系统少了一个自由度。

处理办法有两个：一是布置多个激励点和多个响应点，比如在质量块1、3、6分别激励，取质量块1、3、6的响应，组成多个频响函数做交叉验证；二是用锤击激励加MIMO分析，一次激励多个点。我在自己的测试流程里，至少保留三个响应通道，否则没法区分"系统没有这个模态"和"激励位置没激发这个模态"。

5.3 对称刚度配置下的不可辨识性

六自由度系统里，如果结构左右对称，刚度参数之间就会出现等价关系。比如左侧弹簧刚度变大和右侧弹簧刚度变小，在某些模态下可能产生几乎相同的频响。落到优化算法里，目标函数会出现多个相距很远的局部极小值，你根本不知道拟合出来的是哪组参数。

我的经验是：辨识之前先做可辨识性分析。最轻量的办法是给每个待辨识参数一个微小摄动，看它对目标函数的灵敏度；如果两个参数的灵敏度曲线几乎线性相关，就说明它们可以被合并不被分开。真遇到对称结构，我通常会在其中一个自由度上附加一个几公斤的小质量块，打破对称性。这个小改动不改变非线性本质，但能让优化目标函数变成单峰，收敛稳定得多。

6. 完整Python代码流水线：从扫频数据到参数输出

6.1 数值积分与扫频响应提取代码

把上面所有片段拼起来，就是一套从正向模型到扫频数据的完整代码。我习惯把整个流程分成三个文件：模型定义、扫频数据生成、参数辨识。这里给出核心函数：

python复制def run_sweep(m, c_band, k_band, k3_pos, k3_vals, A,
              f_start=5.0, f_end=20.0, n_points=80,
              T_total=6.0, T_steady=4.0, fs=2048):
    """对一组目标频率做定频正弦扫频，返回频率列表和响应幅值列表"""
    f_list = np.linspace(f_start, f_end, n_points)
    amp_list = []

    for f in f_list:
        a = steady_amplitude(m, c_band, k_band, k3_pos, k3_vals,
                             A, f, T_total, T_steady, fs)
        amp_list.append(a)

    return f_list, np.array(amp_list)

这段代码是串行的，频率点多了会比较慢。六个自由度加6秒积分，80个频率点可能要跑十几分钟。实际使用时我建议用concurrent.futures.ProcessPoolExecutor把频率点分到多核上并行计算，加速比接近核心数。每个频率点之间完全独立，这是个天然的并行任务。

6.2 线性参数优化拟合代码

线性参数辨识的入口在第3.1节已经给了，核心是least_squares配合特征值求解。我再补一个阻尼比估计函数，因为阻尼对参数辨识结果的影响容易被忽略，而且在跳变区间附近的阻尼误差会被放大：

python复制def half_power_damping(f_list, a_curve, f_peak, a_peak):
    """半功率带宽法估计阻尼比，返回阻尼比"""
    half_amp = a_peak / np.sqrt(2)

    above = a_curve >= half_amp
    # 找主峰附近包络
    distance = np.abs(f_list - f_peak)
    near_peak = (distance < (0.2 * f_peak)) & above

    if np.sum(near_peak) < 2:
        return 0.01  # 数据不足时给默认值

    idx = np.where(near_peak)[0]
    f_low = f_list[min(idx)]
    f_high = f_list[max(idx)]
    if f_high > f_low:
        return (f_high - f_low) / (2 * f_peak)
    return 0.01

注意这个函数只适用于弱非线性、峰形状接近对称的情况。强非线性峰是歪的，半功率带宽法会给出偏大的阻尼估计，那时候千万别拿这个值当真。

6.3 非线性参数辨识主流程组合

下面这段代码是整套流水线的终段，它把小振幅扫频、线性拟合、大振幅扫频、骨架线提取、Duffing拟合按顺序串起来：

python复制def identify_parameters(m, c_band, k_band, k3_pos, k3_vals,
                        small_A, large_A_list):
    # Step 1: 小振幅扫频，提取线性参数
    f_small, a_small = run_sweep(m, c_band, k_band, k3_pos, k3_vals, small_A)

    # 提取共振峰（这里简化：取幅值最大的前n_peaks个峰）
    n_peaks = 6
    f_peaks_meas = []
    for _ in range(n_peaks):
        idx = np.argmax(a_small)
        f_peak, a_peak = extract_peaks(f_small, a_small)
        f_peaks_meas.append(f_peak)
        # 把峰附近的数据屏蔽掉，避免重复识别同一峰
        nearby = np.abs(f_small - f_peak) < 1.0
        a_small[nearby] = 0
    f_meas = np.sort(f_peaks_meas)

    # 用频率拟合线性刚度
    res = least_squares(residual_freq, k_band, args=(m, f_meas))
    k_lin_fitted = np.abs(res.x)

    # 从特征向量里取等效质量和振型差分系数
    K = build_k_from_band(k_lin_fitted, len(m))
    vals, vecs = eigh(K, np.diag(m))
    phi = vecs[:, 0]  # 第一阶模态振型
    m_eff = phi @ np.diag(m) @ phi
    # 假设非线性弹簧在 k_band 索引2
    delta_phi = phi[1] - phi[0]
    mode_factor = delta_phi**4

    # Step 2: 大幅度扫频，对每个幅值提取骨架线峰值
    f_backbone = []
    a_backbone = []
    for A in large_A_list:
        f_large, a_large = run_sweep(m, c_band, k_lin_fitted, k3_pos, k3_vals, A)
        f_p, a_p = extract_peaks(f_large, a_large)
        f_backbone.append(f_p)
        a_backbone.append(a_p)

    # Step 3: 骨架线拟合 k3_eff，再转局部k3
    f_lin_first = np.sqrt(vals[0]) / (2 * np.pi)
    k3_eff = fit_duffing_k3(f_backbone, a_backbone, f_lin_first, m_eff)
    k3_local = k3_eff / mode_factor

    return k_lin_fitted, k3_eff, k3_local

这套主流程跑完，输出里包含线性刚度矩阵、等效非线性刚度和还原后的局部弹簧非线性刚度。拿到k3_local之后，我强烈建议再做一步回代验证：用辨识出的参数重新跑一次大振幅时域仿真，把仿真的位移波形跟试验波形叠加对比。如果波形在幅值和相位上都能对得上，参数才算真正可靠；对不上，多半是前面某个环节出了问题——最常见的是瞬态没退够或者振型差分系数算错。

6.4 运行环境与并行加速建议

代码依赖numpy、scipy、matplotlib三个库，建议用虚拟环境安装，不要直接装在系统Python里：

bash复制python -m venv vibe_env
source vibe_env/bin/activate    # Windows下用 vibe_env\Scripts\activate
pip install numpy scipy matplotlib

跑大量扫频点之前，先用两三个频率点试跑一遍，确认积分器能稳定收敛、输出波形合理。我见过最浪费时间的场景就是直接开80个频率点全量扫频，跑了一个小时之后发现初始刚度写错两位小数，整个结果全废。先小规模验证再全量计算，这是所有参数辨识工作的基本纪律。

并行加速的话，把run_sweep里的循环改成ProcessPoolExecutor即可，每核跑一个频率点。实测六核机器加速比能到4.5倍左右，瓶颈在内存带宽和积分器单步计算量。如果你的频率点特别多，还可以考虑每个频率点把仿真时长缩短到3秒，用更保守的稳态判定阈值来补偿，但我不建议低于这个值，数据质量掉太快。

最后说一个我自己的习惯：所有扫频数据和识别结果都存成CSV，文件名带完整参数标签。因为非线性参数辨识是个反复迭代的活，你可能调整激励幅值、调整扫频区间、调整积分时长，如果每次结果不落盘，最后你根本不知道哪组数据对应哪组设置。保存原始数据再写一小段绘图脚本，把不同激励下的幅频曲线叠在一张图上，骨架线的弯曲趋势一眼就能看出来，比盯着数字硬想效率高太多了。