4. 模态置信准则（MAC）用于模态验证

MAC 矩阵的物理含义与判读边界

模态置信准则（Modal Assurance Criterion, MAC）用两个振型向量的归一化点积衡量其几何相似度，取值 0~1。对角元恒为 1；非对角元越接近 1，说明两阶模态振型形状越相似。工程判读通常采用三条经验阈值：

• MAC < 0.1：两阶模态振型近似正交，可视为独立模态；
• 0.1 ≤ MAC < 0.3：存在轻度相关，需结合频率间隔与阻尼比复核；
• MAC ≥ 0.3：强相关，高度怀疑虚假模态、模态混叠或测点不足导致的振型泄漏。

需要注意：MAC 高并不必然等于虚假模态。对称结构中的重根模态、测点布置过少、参考点恰好落在某阶模态节点附近，都会造成非对角元偏高。因此 MAC 必须与频率、阻尼比、相干函数和物理可解释性联合判断。

计算流程与关键代码

假设已通过最小二乘复指数法（LSCE）从实测 FRF 中识别出 6 阶模态振型矩阵 Phi（尺寸 n_locations × n_modes），下面用 Python 计算 MAC 矩阵并自动标记可疑模态对。

import numpy as np

def compute_mac(Phi):
    """
    Phi: 振型矩阵，形状 (n_locations, n_modes)
    返回: MAC 矩阵 (n_modes, n_modes)
    """
    n_modes = Phi.shape[1]
    MAC = np.zeros((n_modes, n_modes))
    for i in range(n_modes):
        for j in range(n_modes):
            num = np.abs(np.dot(Phi[:, i].conj(), Phi[:, j]))**2
            den = (np.dot(Phi[:, i].conj(), Phi[:, i]).real *
                   np.dot(Phi[:, j].conj(), Phi[:, j]).real)
            MAC[i, j] = num / den
    return MAC

# 示例：6 阶模态，12 个测点
np.random.seed(42)
Phi = np.random.randn(12, 6) + 1j * np.random.randn(12, 6)

# 人为构造第 4、5 阶高度相关（模拟虚假模态/混叠）
Phi[:, 4] = Phi[:, 3] * 0.95 + 0.05 * (np.random.randn(12) + 1j*np.random.randn(12))

MAC = compute_mac(Phi)
np.set_printoptions(precision=3, suppress=True)
print("MAC 矩阵：")
print(MAC)

# 自动标记非对角元 >= 0.3 的模态对
threshold = 0.3
print("\n可疑模态对（MAC >= 0.3）：")
for i in range(MAC.shape[0]):
    for j in range(i+1, MAC.shape[1]):
        if MAC[i, j] >= threshold:
            print(f"  模态 {i+1} ↔ 模态 {j+1}: MAC = {MAC[i, j]:.3f}")

运行后预期输出中，模态 4 与模态 5 的 MAC 值会显著高于 0.3（示例中约 0.72），其余非对角元均低于 0.1。这提示第 4、5 阶模态可能来自同一物理模态的重复识别或混叠。

剔除建议与复核步骤

1. 检查频率间隔：若两阶模态频率差 Δf 小于频率分辨率的 2 倍，优先怀疑模态混叠。可提高谱线数或改用 PolyMAX 等适合密集模态的方法重新识别。
2. 检查阻尼比：虚假模态常伴随异常高或负阻尼比。若 ζ > 20% 或为负值，应直接剔除。
3. 检查参考点位置：若参考点恰好落在某阶模态节点附近，该阶振型信噪比极低，MAC 会虚高。建议更换参考点或增加参考点数量。
4. 检查测点数量：测点数少于模态阶数时，振型向量空间不足，MAC 矩阵会出现伪相关。确保测点数至少为关注模态数的 2 倍。
5. 物理可解释性复核：将保留的模态振型与有限元或工程经验对比，确认振型形状符合结构力学预期。

实操检查清单