简介：MATLAB TDM Example.zip 是一套面向 MATLAB 用户的 TDMS 数据读取与处理示例工程，适合需要读取 NI 采集卡或测试软件生成的 .tdms/.tdm 文件，并完成降噪、频谱分析的工程师与科研人员。压缩包包含 53 个文件，其中 20 个 dll 提供底层读写接口，4 个 m 脚本为可直接运行的示例程序，另有 txt 说明、chm 帮助文档、xsd/xml 配置以及少量 tdx/tdm 示例数据，整体约 18MB；目录按 32 位/64 位、redist、dev 等模块划分，依赖关系一目了然。读者可运行 ReadFile.m 示例，读取三个数据文件后获得降噪与频谱分析结果，免去自行封装底层接口和排查驱动环境的麻烦；配套 dll、帮助文档与排错经验也能帮助解决常见兼容性问题。已有 2095 人学习下载，适合正在处理振动、噪声或高速采集信号并需要快速上手的 MATLAB 开发者。
1. 用 MATLAB 读取 TDMS 文件：先别急着装插件，搞清楚数据怎么存的再动手
做振动测试、声学测量或者设备状态监测的工程师，手里十有八九积压着一批 TDMS 文件——从 NI 数据采集卡或者 LabVIEW 程序里导出的二进制数据格式。不少人在 MATLAB 里第一反应是tdmsread直接怼上去，结果要么报错说文件格式不识别，要么读出来是一堆看不懂的通道名，折腾半小时连数据都没看到。这份《用Matlab处理TDMS数据（降噪+频谱分析）》资源包里带的 TDM Example，核心价值其实不在那个 demo 程序，而是帮你把 TDMS 的存储逻辑理顺，再给出一条从读取、降噪到频谱分析的完整通路。适合手里有真实采集数据、急着出分析结果的工程师，也适合被 TDMS 文件格式搞到头大的学生。
2. TDMS 文件结构：为什么直接用tdmsread会翻车
2.1 TDMS 的三个层级和属性信息
TDMS 文件格式从底层看是一个分层的二进制容器，包含文件（File）、组（Group）和通道（Channel）三个层级。物理意义上对应到一次测试任务：文件可以理解为一次试验的全部记录，组是试验里的一个工况或者一台设备，通道则是该工况下某个传感器采到的具体信号序列。
用 MATLAB 直接tdmsread之所以经常翻车，是因为这个函数在 R2019b 之后虽然原生支持 TDMS，但它对文件里“属性信息”的处理方式比较粗暴。比如 NI 设备写入 TDMS 时会附带采样率、传感器灵敏度、量程上限这些元数据，这些信息存储在文件的属性段里。tdmsread默认只把波形数据加载进来，属性被扔到一边。当你后续要做频谱分析，发现横轴频率算错了——因为采样率不是从文件里读的，而是你自己拍脑袋填的。
读取 TDMS 时我建议先做一个探查动作，把文件里的层级关系打出来。常见做法是用tdmsread的OutputFormat参数配合datastore类来观察：
% 先用 tall 数组接口探查 TDMS 文件结构 ds = datastore('test_data.tdms', 'OutputFormat', 'cell'); data_preview = preview(ds); % 查看文件包含的组名和通道名 info = whos('-file', 'test_data.tdms'); disp(info);这段代码的关键在于datastore不会把整个文件一次性加载进内存，而是按需读取。对于动辄几百 MB 的采集数据，这能避免内存溢出。参数上，OutputFormat设成cell是为了保留通道的原始类型信息，后续按列还原数据时不容易出现类型不匹配。
探查完结构后，再按通道读数据。如果文件里全是浮点波形，直接用tdmsread就能拿回来；如果混入了数字量或者字符串通道，就得用底层接口逐段解析，这个后面讲。
2.2 从零解析的替换方案：读属性段 + 数据段的分离加载
当文件里通道数量很多（比如超过 64 通道），或者单个文件超过 2GB 时，tdmsread的加载方式会直接吃光内存。我一般会拆成两段式方案：先读属性段拿到采样率、通道数、每通道样本数这些元信息，再按需加载数据段。
MATLAB 里做这件事可以用memmapfile配合二进制偏移计算。TDMS 文件头部有 28 字节的固定格式：前 4 字节是签名"TDSm"，接着 4 字节是版本号，随后是 8 字节的元数据偏移量和 8 字节的数据偏移量（针对带数据的文件）。元数据段里以 4 字节整数标记属性数量，后面跟着字符串和变体数据。
写一个轻量解析函数是划算的，比每次都用完整工具箱省心。下面这段代码抓取文件里的通道列表和采样率：
function [channels, fs] = tdms_probe(filename) % 打开文件并读取头部 fid = fopen(filename, 'rb'); sig = fread(fid, 4, 'uint8=>char')'; % 检查文件签名 assert(strcmp(sig, 'TDSm'), '不是有效的TDMS文件'); fseek(fid, 8, 'bof'); % 跳过版本号和元数据偏移 data_offset = fread(fid, 1, 'uint64'); % 第一个数据段的起始位置 fseek(fid, 28, 'bof'); % 头部28字节 meta_offset = fread(fid, 1, 'uint64'); % 跳转到元数据段 fseek(fid, meta_offset, 'bof'); num_channels = fread(fid, 1, 'uint32'); channels = cell(num_channels, 1); fs = 0; for k = 1:num_channels % 每个通道：长度前缀字符串 + 数据类型 + 维数 + 属性 len = fread(fid, 1, 'uint32'); ch_name = fread(fid, len, 'uint8=>char')'; ch_name = ch_name'; data_type = fread(fid, 1, 'uint32'); dim = fread(fid, 1, 'uint32'); % 读取属性列表，找到采样率属性 num_props = fread(fid, 1, 'uint32'); for p = 1:num_props plen = fread(fid, 1, 'uint32'); pname = fread(fid, plen, 'uint8=>char')'; ptype = fread(fid, 1, 'uint32'); % 根据类型读取属性值 if ptype == 10 % double pvalue = fread(fid, 1, 'double'); if strcmp(pname, 'wf_increment') fs = 1 / pvalue; end else fseek(fid, 8, 'cof'); % 跳过其他类型的值 end end channels{k} = ch_name; end fclose(fid); end这段代码的意图很直接：文件元数据段里每个通道有名字、数据类型、维度、属性列表四块，属性值根据类型码区分——类型码 10 是 IEEE double，采样间隔存在wf_increment这个属性里，取倒数就是采样率。注意最后那个else分支，遇到字符串类型属性直接跳过 8 个字节，这里假设了所有非 double 属性都是 64 位定长。如果碰到字符串属性，这个假设会错位，但这属于#号坑，留到避坑章节细说。
2.3 资源包里那个 TDM Example 到底演示了什么
资源包里的 TDM Example 文件，本质是一个完整的处理链 demo 数据。它包含三段典型信号：一段是带工频干扰的低幅值振动信号（模拟传感器基座不牢固），一段是含有趋势项的缓慢漂移信号（模拟温漂），第三段是叠加了随机脉冲冲击的正常波形（模拟间歇性碰撞）。这三段信号对应了降噪处理里最常见的三类场景——周期性干扰、趋势项、突发脉冲。
这个 demo 的设计思路是让使用者在真实数据上做替换时，只需要改文件路径和通道名，处理链本身不用动。这也是我推荐拿到资源先跑通 demo 再看代码的原因——三步替换（文件路径、通道名、采样率）跑通一次，你就知道整套流程每个环节输出什么形状的数据，后面换自己的数据时心里有底。
3. 降噪处理链路：从平滑滤波到自适应去趋势
3.1 为什么不能无脑用smooth函数
很多人拿到信号先smoothdata一把梭，这是最常见的错误操作。smoothdata默认用的是移动平均窗口，它的问题有两个：第一，窗口宽度一旦超过信号周期的四分之一，幅值就会被明显削掉，做振动分析时峰值加速度直接失真；第二，它对基线漂移完全没有处理能力，只做平滑会把趋势项和有效信号混在一起。
先看趋势项的危害。传感器温漂引起的基线变化在频谱上表现为 0 Hz 附近的宽峰，如果不做去除，后续做频谱分析时低频段会整体抬高，掩盖 1 Hz 以下的真实分量。正确的处理顺序是：先去趋势，再滤波，最后才是平滑。
去趋势的常见做法有两种。第一种是用多项式拟合，MATLAB 的detrend函数默认做的是线性去趋势，这对有轻微漂移的信号够用。但对于有温度循环的长时间采集（比如连续测一整天），线性假设不够，需要分段处理或者用更高阶多项式。第二种做法是高通滤波——把 0.1 Hz 以下的成分直接滤掉。这两种对周期性低频干扰的效果完全不同。
我建议链路设计成下面这样，先看每一步的输入输出：
% 加载原始数据（假设已经从 TDMS 里读出来存为 raw_data） fs = 1024; % 采样率，从 TDMS 属性里读 t = (0:length(raw_data)-1) / fs; % 第一步：去趋势（用平滑样条拟合基线） trend_win = 5 * fs; % 窗口长度取 5 秒 trend = movmean(raw_data, trend_win); detrended = raw_data - trend; % 第二步：带通滤波（滤掉直流和高频噪声） bp_filt = designfilt('bandpassiir', ... 'FilterOrder', 4, ... 'HalfPowerFrequency1', 0.5, ... 'HalfPowerFrequency2', 200, ... 'SampleRate', fs); filtered = filtfilt(bp_filt, detrended); % 第三步：窄带陷波（消除 50Hz 工频） notch_filt = designfilt('bandstopiir', ... 'FilterOrder', 2, ... 'HalfPowerFrequency1', 49.5, ... 'HalfPowerFrequency2', 50.5, ... 'SampleRate', fs); clean_signal = filtfilt(notch_filt, filtered);这段代码里的几个参数需要解释清楚。trend_win = 5 * fs意味着用 5 秒移动平均作为基线估计，这个值选得大，拟合出来的趋势线更平滑，但跟踪基线突变的能力变差；选得小则会把有效信号的低频分量误判成趋势。经验值是取目标信号最低频率周期的 5~10 倍。FilterOrder = 4是 IIR 滤波器的阶数，阶数越高过渡带越窄，但相位畸变越严重。这里用filtfilt做零相位滤波，消除了相位偏移，代价是计算量翻倍——对离线分析场景这完全不是问题。
3.2 滤波器的选型：FIR 还是 IIR
TDMS 数据做频谱分析前的滤波，选型上有一个误区值得说透。初学者倾向用 FIR 滤波器，因为线性相位特性看起来很美好。但 FIR 要达到和 IIR 相同的过渡带宽度，阶数要高一个数量级。1024 Hz 采样率下，一个 4 阶 Butterworth 带通滤波器就能做到从 0.5 Hz 到 200 Hz 的过渡带，而 FIR 要逼近同样指标需要 256 阶以上，运行速度差了几十倍。
这带来一个实际影响：当你有几十个通道的 TDMS 文件要批量处理时，IIR 滤波能在几分钟内跑完，FIR 可能要等半小时。但 IIR 的坑在于非线性相位在通带边缘会造成波形畸变。filtfilt函数用前向-后向两次滤波抵消了相位问题，所以代码里必须用filtfilt，不能用filter——后者只在频响幅值正确，波形会变形。
带通滤波器的频带选择要基于信号的物理背景。比如测的是电机轴承振动，关注的频段在 10 Hz 到 1 kHz 之间的人为规定频带内；测的是齿轮箱，高频分量可能到 5 kHz 以上。把截止频率设错了，频谱分析的主峰位置会偏差得离谱。
3.3 工频陷波：50 Hz 及其倍频的清理策略
现场采集的数据十有八九带工频干扰。特点是频谱上 50 Hz 处有个尖峰，有时还有 100 Hz、150 Hz 的倍频。简单的做法是每个倍频点挖一个陷波器，但陷波器有个副作用：带宽太宽会把 50 Hz 附近真实信号也吃掉。如果 50 Hz 附近恰好有你关心的振动分量，这个处理就变得棘手。
我处理这类问题的习惯是先用频谱图确认干扰的具体频点和带宽。环境干扰一般很窄，不到 1 Hz；但如果是设备自身的 50 Hz 振动（比如电机极频振动），带宽可能到 3~5 Hz。两种情况的陷波器带宽设置完全不同。
% 先看功率谱，确定干扰频点带宽 [pxx, f] = pwelch(clean_signal, [], [], [], fs); figure; plot(f, 10*log10(pxx)); xlabel('Frequency (Hz)'); ylabel('Power (dB)'); title('确认工频频点'); % 自动搜索最大干扰峰 [max_power, peak_idx] = max(pxx(30:70)); % 只在30-70Hz范围找 interfere_freq = f(peak_idx + 29); % 索引偏移修正 fprintf('检测到工频干扰在 %.2f Hz\n', interfere_freq);这段预处理代码的目的是在自动批量处理时定位工频点的精确位置，避免每次手动去谱图里找峰。pwelch里的三个空参数依次是窗函数、重叠点数和 FFT 点数，都填[]表示用默认值——默认是 Hann 窗加 50% 重叠，FFT 点数取信号长度的下一个 2 的幂次。实际批处理时我会把 FFT 点数固定为 8192，保证不同通道的频谱分辨率一致。
4. 频谱分析实战：功率谱、自谱和幅值谱的选择
4.1 三种频谱类型的使用场景
TDMS 数据做频谱分析，核心问题是搞清楚该出哪种谱。工程上最常见的三种：自谱（Auto Power Spectrum）、功率谱密度（PSD）和幅值谱（Amplitude Spectrum）。这三种的横纵轴单位和物理意义完全不同，混用的后果是把幅值读错好几倍。
自谱的纵轴单位是信号幅值的平方，适合看峰值频率之间的相对大小；PSD 的单位是幅值平方除以 Hz，纵轴数值与谱分辨率相关，适合做不同采样率数据的横向对比；幅值谱是 FFT 结果的幅值，适合直接读出某频率下振动的实际幅值。对于 TDMS 里存振动数据的场景，我优先推荐幅值谱或 PSD，因为做设备状态评估时需要一个绝对值与标准对比，自谱的平方关系容易产生巨大的数值差异。
MATLAB 里计算幅值谱要手动处理 FFT 结果：
N = length(clean_signal); Y = fft(clean_signal); % 单边谱幅值修正 amp = abs(Y(1:N/2+1)) / N; amp(2:end-1) = 2 * amp(2:end-1); % 除 DC 分量外翻倍 freq = fs * (0:N/2) / N; % 找出前三个主峰的频率和幅值 [pks, locs] = findpeaks(amp, 'MinPeakHeight', 0.05 * max(amp)); [~, idx] = sort(pks, 'descend'); top3 = idx(1:min(3, length(idx))); for k = 1:length(top3) fprintf('峰 %d：频率 %.2f Hz，幅值 %.4f\n', ... k, freq(locs(top3(k))), amp(locs(top3(k)))); endfindpeaks里的MinPeakHeight参数很关键，设成最大峰幅值的 5%，是为了把噪声引起的伪峰过滤掉。对信噪比低的信号，这个阈值要调高到 10%，否则会输出一堆没意义的峰。另外注意 FFT 点数 N 要满足N = 2^nextpow2(length(clean_signal))才有速度优势，如果信号本身长度不是 2 的幂次，MATLAB 会做混合基 FFT 但速度偏慢，而且频谱分辨率会变。
4.2pwelch的参数怎么配对：窗函数、重叠率与频率分辨率
如果目标是看整体频带能量分布，pwelch比手动 FFT 更合适。但它的三个关键参数互相牵制，调不好频谱会失真。窗函数决定频谱泄漏水平，重叠率决定平均次数，FFT 点数决定频率分辨率。这三者不是独立变量——FFT 点数等于信号分段长度时，每段信号变长会同时改善分辨率和降低平均次数（方差变大）。
我常用的组合是 Hann 窗 + 50% 重叠 + 1024 点 FFT。1024 点 FFT 在 1024 Hz 采样率下给出 1 Hz 的频率分辨率，够用且计算快。如果需要在 5 Hz 处分辨出两个相邻峰，频率分辨率要至少 0.5 Hz，那 FFT 点数就得翻倍到 2048，同时段长增加会让时间平均次数减少一半，方差变差，此时应该把重叠率提到 75% 来保持平均次数。
% PSD 参数组合：Hann 窗，75% 重叠，2048 点 nfft = 2048; window = hann(nfft); noverlap = round(0.75 * nfft); % 75%重叠 [psd, f_psd] = pwelch(clean_signal, window, noverlap, nfft, fs); % 用累积能量法确定有效频带范围 total_energy = sum(psd) * (f_psd(2) - f_psd(1)); cum_energy = cumsum(psd) * (f_psd(2) - f_psd(1)); band_90 = f_psd(find(cum_energy >= 0.9 * total_energy, 1)); fprintf('90%% 能量集中在 %.2f Hz 以下\n', band_90);这段代码后半段的累积能量分析是我做状态评估时必看的指标——90% 能量所在频点能直观反映设备当前是低频主导还是高频主导。参数上，noverlap = round(0.75 * nfft)配合 Hann 窗，是因为 Hann 窗在 50% 重叠时已经是最优信息利用，但提高到 75% 后虽然单窗外数据重复利用变多，对含有瞬态成分的信号能捕捉到更多细节。
4.3 横轴频率和幅值校准：采样率读错一切白搭
频谱分析做完，最怕的是横轴频率全错。从 TDMS 文件读取时采样率如果读的是默认值（有的 TDMS 写入工具默认存 1000 Hz，实际板卡是 1024 Hz），频谱里所有峰都会偏移 2.4%。更隐蔽的情况是 TDMS 文件里采样率按双精度存储，在元数据段里的属性名是wf_increment，单位是秒。它和采样率是倒数关系——读出来是 0.0009765625（即 1/1024），直接用会让 MATLAB 报错或者画出错误的频率轴。
对幅值校准，关键是确认传感器灵敏度是否已经应用到数据里。有些采集系统在写入 TDMS 时已经做了工程量转换（单位是 mm/s 或 g），有些存的是原始电压值，需要后续乘灵敏度系数。判断方法是看通道属性里有没有sensitivity或scale"字段。如果只存了电压值，频谱分析前必须做一次幅值修正：
% TDMS 里查灵敏度属性 sensitivity = 0.1; % 单位 mV/(m/s^2)，举例用 actual_value = raw_data / sensitivity * 1000; % 转换为实际物理量这里有个容易忽略的点：如果 TDMS 存的是电压且量程是 ±10V，但数据实际只用了 ±1V，那么灵敏度必须带入量程比例系数。换算公式是物理量 = 电压 × 量程 / 满量程电压 / 灵敏度。缺一步结果的幅值就偏了一个量级。
5. 避坑记录：TDMS 读取与频谱分析的五个常见问题
5.1 现象：读取 TDMS 时 MATLAB 直接卡死或内存溢出
大文件读取时 MATLAB 占满内存，甚至未响应。原因大多是tdmsread一次性加载整个文件，几十通道 × 几百万采样点 × 8 字节 = 上 GB 数据全部进内存。
解决：改用datastore分批读取，或者先读元数据确认通道数后只加载需要的通道。代码段 2.2 里的tdms_probe函数就是干这个的，内存占用可以少一个数量级。
5.2 现象：采样率读出来是错的，频谱横轴频率整体偏移
从 TDMS 属性里读出来一个离谱的采样率值（比如 1.0e-6 这种明显是时间间隔的值）。原因是把wf_increment（采样时间间隔）直接当成采样率用了，单位没换算。
解决：读属性后先判断字段名，wf_increment取倒数才是采样率。另外要注意属性类型，如果读出来是字符串（wf_increment存成 "1/1024" 字符串格式），需要str2num后再取倒数。
5.3 现象：滤波器后信号幅值变小，频谱峰高度不一致
带通滤波后有效信号幅值急剧下降。原因是designfilt默认返回的是最小阶数滤波器，带通边缘的滚降率不够，通带内幅值起伏有 ±1 dB 的波动；或者用了filter而不是filtfilt，相位畸变导致波形幅值被部分抵消。
解决：先用fvtool(bp_filt)查看幅频响应，确认通带波纹是否可接受。然后把filter换成filtfilt，幅值保持能力会好很多。对于波纹要求高的场景，选用 Chebyshev I 型或者提高滤波器阶数。
5.4 现象：频谱图低频段有个巨大的峰，压得其他峰看不见
0~1 Hz 处能量极高，信号有效成分被淹没。原因是没做去趋势，信号里的直流偏置和低频漂移直接进入了 FFT。
解决：在滤波链路里加上 3.1 节的去趋势步骤。注意detrend函数默认只去线性趋势，对弯曲趋势无效；用movmean配合长窗口做基线估计更可靠。
5.5 现象：TDMS 文件属性段解析到一半开始乱码
tdms_probe函数读属性时，字符串属性长度不是 8 的倍数，导致后续字节对齐错乱。原因是 TDMS 属性值类型里，字符串是长度前缀 + 字节数组，不是定长 8 字节；代码里粗暴地用了fseek(fid, 8, 'cof')跳过。
解决：严格按照属性类型码分配读取逻辑。类型码 0x20 (string) 时，先读 4 字节长度，再跳过该长度；类型码 0x0C 是布尔型，读 1 字节然后补到 8 字节对齐。补全逻辑后解析稳定。
6. 批量处理：写个循环把所有 TDMS 一次跑完
6.1 文件列表自动扫描与批量处理模板
实际工程项目里，一次测试产生几十个 TDMS 文件是常态。手动一个文件一个文件地跑处理脚本不现实，批量循环要解决两个问题：文件排序的稳定性，以及单文件处理失败时不让整个循环中断。
% 指定目录，自动抓取全部 TDMS 文件 data_dir = 'D:\test_data\run_2024\'; file_list = dir(fullfile(data_dir, '*.tdms')); file_list = natsortfiles({file_list.name}); % 自然排序，避免 10 排在 2 前面 results_table = table(); for k = 1:length(file_list) try filename = fullfile(data_dir, file_list{k}); % 读取 + 降噪 + 谱分析全流程 [clean, fs] = process_single_tdms(filename); [psd, f] = get_spectrum(clean, fs); % 提取特征值存入表格 [pks, locs] = findpeaks(psd, 'SortStr', 'descend', 'NPeaks', 3); new_row = table({file_list{k}}, f(locs(1)), pks(1), ... 'VariableNames', {'FileName', 'DominantFreq', 'DominantAmp'}); results_table = [results_table; new_row]; %#ok<AGROW> catch ME warning('文件 %s 处理失败：%s', file_list{k}, ME.message); continue; end end这个循环做了三件事：用natsortfiles保证文件按自然数值排序，避免10.tdms被排在2.tdms前面；用try-catch隔离单文件错误，一个文件解析失败不至于整个批次停摆；用表格累积结果，最后每个文件的三个主峰频率一次性存下来，可以直接导出 CSV 做横向对比。
关于natsortfiles这个函数，MATLAB 的dir返回的文件名排序是字典序，file_2.tdms会排在file_10.tdms之后，这会让分析顺序混乱，批量处理时强烈建议排一下。
6.2 处理结果的批量校验：自动发现异常通道
批量处理完后别直接信结果，强制走一遍校验。一个很实际的做法是自动检查每个文件的频谱峰值数量：正常振动信号最多有 3~5 个突出峰，要是某个文件出了 20 个峰，多半是传感器松动或者数据段里有 NaN 值。
% 重新审查峰数量异常的通道 for k = 1:height(results_table) fname = results_table.FileName{k}; [~, f, ~, ~, pxx] = get_spectrum(fullfile(data_dir, fname)); % 峰数量检测 pks = findpeaks(pxx, 'MinPeakHeight', mean(pxx) + 3 * std(pxx)); if length(pks) > 5 warning('文件 %s 峰数量异常（%d 个），请检查原始数据质量', fname, length(pks)); end % 检查是否存在 NaN 或 Inf data_local = load_tdms_channel(fname, 1); if any(~isfinite(data_local)) error('文件 %s 包含非有限值，需要重新采集', fname); end end这里的统计阈值mean(pxx) + 3 * std(pxx)用的是三西格玛原则，把显著高于噪声底的点算作峰。批量处理时出异常，先把文件字符编码、通道顺序这些基础项排除掉，再怀疑算法问题。
做仿真或者处理模拟数据时，这套流程里面每一步都可以单独拆出来验证。以 TDMS Example 里那段带温漂的信号为例，去趋势前后的频谱对照能明显看到 0.5 Hz 以下的能量被压低。批量循环跑通一两次后，我对新 TDMS 文件的处理顺序已经固定成一条链：探测、去趋势、带通、陷波、PSD、找峰、存表。从那以后，我每次做多通道振动分析前都强制走一遍这个流程，不再直接看一眼时域图就动手滤波——宁可多花三十秒跑验证，也不愿花半天去排查一个被忽略的采样率错误。希望帮到你。
本文还有配套的精品资源，点击获取
