企业官网建设流程全解析

【Bug已解决】Lab based Mz magnetometer Automation and sesnitivity calculations 解决方案

原始需求线索：Lab based Mz magnetometer Automation and sesnitivity calculations（基于实验室的 Mz 磁强计自动化测量，以及灵敏度计算）。

一、背景：磁强计与「Mz」是什么

磁强计（magnetometer）测量磁场强度，单位通常是特斯拉（T）或高斯（G，1 G = 1e-4 T）。「Mz」指被测磁场在某一坐标轴（z 轴）上的分量。实验室里常见类型：

• 磁通门（fluxgate）：测直流/低频磁场，分辨率可达 pT 级；
• SQUID：超导量子干涉，分辨率极高（fT 级）；
• Hall / 各向异性磁阻（AMR / GMR）：固态传感器，便宜但噪声大。 所谓「自动化测量」，就是把「手动调磁场、读数、记录」变成程序循环：设激励 → 等待稳定 → 采样 → 存储 → 下一个点。

二、灵敏度（sensitivity）的定义

灵敏度通常指仪器能可靠分辨的最小磁场变化，工程上用「噪声基底」估算：

sensitivity ≈ NEP ≈ 噪声标准差 × sqrt(测量带宽)

或更直接：在零场（或无信号）下采集一段数据，其标准差 σ 即代表最小可探测信号量级。这是本文计算的核心。常见错误是「用单次读数当灵敏度」或「没扣除系统漂移」。

三、为什么自动化测量会出问题：根因

3.1 没等系统稳定就采样

磁场线圈 / 样品有弛豫时间，激励一施加立刻读数，得到的是过渡态而非稳态 → 数据失真。

3.2 用单次读数当灵敏度

灵敏度应从「大量重复采样的统计分布」得出，单次读数毫无统计意义。

3.3 没扣除漂移 / 温漂

长期采集中环境温度、仪器零点缓慢漂移，直接算 σ 会把漂移当噪声，灵敏度被高估。

3.4 采样率与带宽不匹配

奈奎斯特：采样率须 ≥ 2×信号最高频。过低混叠，过高引入更多高频噪声。

四、最小可运行复现（错误：单次读数当灵敏度）

下面演示「用单次读数估算灵敏度」为何荒谬，以及正确做法：

import numpy as np # 模拟零场背景采集 1000 个点（真实仪器会有噪声） rng = np.random.default_rng(42) noise = rng.normal(0.0, 1e-9, size=1000) # 标准差 1 nT 的噪声 # 错误：拿第一个点当灵敏度 wrong = noise[0] print("错误(单次读数):", wrong, "T <- 毫无统计意义") # 正确：用标准差估算噪声基底 std_est = np.std(noise, ddof=1) print("正确(噪声标准差):", std_est, "T") # 若测量带宽 1 Hz，灵敏度约 = std（此处简化） sensitivity = std_est print("估算灵敏度 ≈", sensitivity, "T")

运行可见：单次读数在 ±几 nT 间随机跳，而std稳定给出 1 nT 的噪声基底——这才是灵敏度。

五、解决方案一：自动化采集循环（带稳定等待）

用程序驱动「设点 → 稳定 → 采样 → 记录」，关键在「等稳定」：

import time import numpy as np def read_sensor(): """示意：从仪器读一个 z 分量读数（真实环境走串口/DAQ/API）。""" return float(np.random.default_rng().normal(0, 1e-9)) def settle_and_sample(target_field, settle=2.0, n=200, fs=100): """施加目标场，等稳定，再采 n 个样本求平均。""" # 1) 设激励（示意） # set_coil_current(target_field) time.sleep(settle) # 关键：等系统弛豫 # 2) 采样 buf = np.empty(n) dt = 1.0 / fs for i in range(n): buf[i] = read_sensor() time.sleep(dt) return buf.mean(), buf.std(ddof=1) if __name__ == "__main__": # 扫描一系列 z 场点 for Bz in np.linspace(-1e-6, 1e-6, 5): # -1uT .. +1uT, 5 点 mean, std = settle_and_sample(Bz) print(f"Bz目标={Bz:.2e} -> 均值={mean:.3e} 样本噪声={std:.3e}")

settle等待 + 多次采样平均，是自动化测量的基本盘，避免「过渡态数据」。

六、解决方案二：扣除漂移求真实噪声

长期采集中用「去趋势（detrend）」去掉缓慢漂移，再算噪声：

import numpy as np def noise_after_detrend(signal): """去掉线性漂移后估算噪声基底。""" t = np.arange(len(signal)) # 一阶去趋势：减去最小二乘拟合的直线 p = np.polyfit(t, signal, 1) detrended = signal - np.polyval(p, t) return np.std(detrended, ddof=1), detrended if __name__ == "__main__": t = np.linspace(0, 100, 1000) drift = 5e-12 * t # 缓慢温漂（斜率 5 pT/s） raw = drift + np.random.default_rng(0).normal(0, 1e-9, 1000) naive = np.std(raw, ddof=1) # 含漂移，偏大 cleaned, _ = noise_after_detrend(raw) # 去漂移后 print("含漂移噪声:", naive) print("去漂移噪声:", cleaned) # 接近真实 1 nT

去趋势后cleaned回到真实噪声水平，灵敏度估算不再被漂移污染（解决根因 3.3）。

七、解决方案三：灵敏度与 Allan 方差（长期稳定性）

对高稳定仪器，常用Allan 方差看「平均时间越长，噪声是否更低 / 何时受漂移主导」：

import numpy as np def allan_variance(x, fs, taus=None): """计算 Allan 方差。x: 零场序列；fs: 采样率。""" if taus is None: taus = fs * np.logspace(0, 2, 10) # 平均时间候选 advar = [] for tau in taus: m = max(1, int(round(tau * fs))) if m >= len(x) // 2: advar.append(np.nan) continue # 分成不重叠的 m 点块，块均值，相邻块差的一半 n_blocks = len(x) // m y = x[:n_blocks * m].reshape(n_blocks, m).mean(axis=1) advar.append(np.sqrt(np.mean(np.diff(y) ** 2) / 2)) return np.array(taus), np.array(advar) if __name__ == "__main__": fs = 10 x = np.random.default_rng(1).normal(0, 1e-9, 2000) taus, av = allan_variance(x, fs) best = np.nanmin(av) print("Allan 最小方差对应灵敏度 ≈", best, "T")

Allan 方差的最低点常作为「最佳平均时间下的可达灵敏度」——平均太短噪声大，太长漂移主导，中间有最优。

八、解决方案四：自动化脚本的健壮性

仪器自动化跑几小时，必须处理异常与断点续测：

import json, os class MeasurementCampaign: def __init__(self, log_path): self.log_path = log_path self.results = self._load_existing() def _load_existing(self): if os.path.exists(self.log_path): with open(self.log_path) as f: return json.load(f) return [] def run_point(self, Bz): try: mean, std = settle_and_sample(Bz) self.results.append({"Bz": Bz, "mean": mean, "std": std}) # 每点即存盘，崩溃也可续测 with open(self.log_path, "w") as f: json.dump(self.results, f) except Exception as e: print(f"点 {Bz} 失败: {e}") # 跳过而非中断整个 campaign if __name__ == "__main__": camp = MeasurementCampaign("/tmp/mag_campaign.json") for Bz in np.linspace(-1e-6, 1e-6, 11): camp.run_point(Bz) print("已完成点数:", len(camp.results))

要点：每点即落盘 + 单点异常跳过，保证数小时测量不被一次偶发失败拖垮。

九、排查清单

磁强计自动化测量出问题，按下面排查：

1. 是否等了稳定时间？激励后有无settle等待；
2. 灵敏度是否基于统计？别用单次读数（第四节）；
3. 是否扣除漂移？长期测量做去趋势（第六节）；
4. 采样率是否满足奈奎斯特？是否混叠；
5. 噪声带宽是否明确？灵敏度与带宽相关；
6. 是否用 Allan 方差看最优平均时间（第七、八节）；
7. 脚本是否每点落盘 + 跳过异常？避免整轮重来；
8. 单位是否统一？T / G / nT 换算别错（1 G = 1e-4 T）。

十、小结

「磁强计自动化测量与灵敏度计算」的通用工程要点：

1. 自动化采集：设点 → 稳定等待 → 多次采样平均，避免过渡态数据（第五节）；
2. 灵敏度基于统计：用零场采集的标准差（噪声基底）估算，而非单次读数（第四节）；
3. 去漂移：长期测量先去趋势再算噪声，防止漂移污染灵敏度（第六节）；
4. Allan 方差：找最佳平均时间下的可达灵敏度，平衡噪声与漂移（第七节）；
5. 健壮性：每点落盘、单点异常跳过，保证长时测量可续跑。 一句话：灵敏度不是「读一个数」，而是「在受控条件下统计噪声基底」的结果；自动化不是「循环读传感器」，而是「受控激励 + 稳定等待 + 统计采样 + 持久化」的闭环。把测量当成带统计意义的实验而非简单轮询，数据才可信。这与第 87 篇状态一致性、第 97 篇配额重置一样，都强调「长时间运行的采集/计数任务必须可统计、可续跑、可校验」。