08-EFT.WP.Core.Sea v1.0 | 附录B 标定流程模板

目录 ／ 文档-技术白皮书 ／ 08-EFT.WP.Core.Sea v1.0

附录B 标定流程模板

I. 标定适用范围与版本

1. 适用对象
   sensor.class ∈ {"accel","mic","rf","imu","temp","pressure"} 的幅值、频响、采样/时基、环境修正、到达时与路径相关标定。
2. 版本锚点
   标定版本 sensor.cal_id；滤波版本 filt.H_rev；到达时模型 path.toa_model_rev；清单版本 io.manifest_rev。
3. 共同口径
   • 线性标定：x_corr = A_gain * ( x_raw - B_bias ) + C_offset。
   • 时基模型：ts_i(t) = alpha_i * tau_mono + beta_i。
   • 到达时两口径：T_arr = ( 1 / c_ref ) * ( ∫ n_eff d ell ) 与 T_arr = ( ∫ ( n_eff / c_ref ) d ell )；差异 delta_form = | ( 1 / c_ref ) * ( ∫ n_eff d ell ) - ( ∫ ( n_eff / c_ref ) d ell ) |。
   • 不确定度：U = k * u_c。

II. 通用准备与记录模板（CAL-0）

1. 准备
   • 参考器具溯源证书与有效期；env.RefCond 与控制范围；采样配置 acq.fs、acq.window、filt.chain。
   • 时基与同步：time.sync_ref ∈ {"ptp","gps","ntp"}，记录 alpha、beta、J 与不确定度 u_alpha、u_beta。
2. 记录
   • 元数据：sensor.sid、sensor.model、sensor.serial、sensor.cal_id_prev。
   • 数据块：time.ts_start、time.ts_end、acq.fs_hat、env.temp、env.hum、env.press。
   • 结果：系数、残差、覆盖范围、quality.q_score、U、判定结论。

III. 线性幅值标定模板（Mx-C1）

1. 目标
   求取 A_gain、B_bias、C_offset，验证线性区间与饱和点，覆盖目标 DR。
2. 步骤
   • 在 env.RefCond 下，施加 N 点阶梯或等间隔参考 x_ref[k]，采集对应 x_raw[k]，k=1..N。
   • 拟合模型 x_corr = A_gain * ( x_raw - B_bias ) + C_offset，计算残差 r[k] = x_corr[k] - x_ref[k]。
   • 评估线性度 NL = max_k | r[k] | / range(x_ref) 与 R2。
   • 计算扩展不确定度 U = k * u_c，其中 u_c 由重复性与参考器具不确定度合成。
3. 验收
   NL <= eps_lin；R2 >= 1 - eps_r2；饱和阈值高于目标上限 margin_db；U <= U_max。
4. 落盘字段
   sensor.A_gain、sensor.B_bias、sensor.C_offset、quality.q_score、env.RefCond、U、样本覆盖区间。

IV. 频响与抗混叠标定模板（Mx-C2）

1. 目标
   获得系统传递函数 H(f) 与群时延 tau_g(H)，设置抗混叠参数 f_c、BW、阻带衰减。
2. 步骤
   • 采用扫频或多音激励，记录输入 X_in(f) 与输出 X_out(f)，估计 H_meas(f) = X_out(f) / X_in(f)。
   • 计算相位 phi(f) 与群时延 tau_g(H) = - d phi / d omega（数值微分，omega = 2 * pi * f）。
   • 设计或校核 filt.chain，设定 f_c in [0.4, 0.45] * fs，满足通带起伏与阻带衰减目标。
   • 估计混叠残差上界 E_alias approx ∑_{k ≠ 0} ∫ | X_in(f - k * fs ) | * | H(f) | d f。
3. 验收
   通带起伏 ≤ r_pb_db；阻带衰减 ≥ A_s_db（以 BW_alias ≥ 0.55 * fs 为界）；max |tau_g(H)| 在窗口内小于阈值 tau_g_max。
4. 落盘字段
   filt.H_rev、filt.f_c、filt.BW、filt.tau_g、spec.window、spec.method、E_alias。

V. 采样率与时基校准模板（Mx-C3）

1. 目标
   校准 fs 与 fs_hat 偏差，估计 alpha、beta 与 J，使时间戳满足跨设备一致性。
2. 步骤
   • 基于参考脉冲列（或已知周期信号）测 fs_hat = ( N - 1 ) / ( tau_{N-1} - tau_0 )。
   • 对齐外部基准，拟合 ts_i(t) = alpha_i * tau_mono + beta_i，得到 alpha_i、beta_i。
   • 统计抖动 J（RMS）与不确定度 u_alpha、u_beta。
3. 验收
   频率相对误差 |fs_hat - fs_nom| / fs_nom <= eps_fs；|alpha_i - 1| <= eps_alpha；|beta_i| <= eps_beta；J <= J_max。
4. 落盘字段
   acq.fs_hat、time.alpha、time.beta、time.J、time.u_alpha、time.u_beta。

VI. ADC 量化与噪声标定模板（Mx-C4）

1. 目标
   评估 ENOB、量化噪声与杂散，验证动态范围 DR。
2. 步骤
   • 注入纯正弦，窗函数与 fft_len 依第5章基线；通过正弦拟合或 FFT 估算 SNR_dB。
   • 计算 ENOB = ( SNR_dB - 1.76 ) / 6.02；分离 SFDR 与基底噪声。
   • 验证剪切概率与 AGC 配置（如适用）。
3. 验收
   ENOB >= ENOB_min；SFDR >= SFDR_min；clip_rate <= clip_max。
4. 落盘字段
   sensor.ENOB、sensor.DR、quality.clip_rate、spec.S_xx_units、测试频点与幅度。

VII. 环境修正模型标定模板（Mx-C5）

1. 目标
   建立 corr_env(x; RefCond)，使不同环境下可回归至 env.RefCond。
2. 模型形态（示例）
   • 加性：x_env = x_raw + k_T * ( temp - RefCond.temp ) + k_H * ( hum - RefCond.hum ) + k_P * ( press - RefCond.press )。
   • 乘性：x_env = x_raw * ( 1 + a_T * Delta_T + a_H * Delta_H + a_P * Delta_P )。
3. 步骤
   • 设计覆盖 temp、hum、press 的试验矩阵，获取配对数据集 {x_raw, x_ref, env}。
   • 拟合系数，计算残差 r_env 与交叉验证误差。
   • 合成不确定度并给出 U = k * u_c。
4. 验收
   区间内最大残差 <= eps_env_abs；外推斜率不超过阈值；U <= U_max。
5. 落盘字段
   env.RefCond、env.correction_applied、模型系数与适用区间、U。

VIII. 到达时与路径标定模板（Mx-C6）

1. 目标
   以实验路径 gamma(ell) 标定 T_arr 与 n_eff 口径，报告 delta_form。
2. 步骤
   • 构建已知几何路径，记录 L_gamma = ( ∫ 1 d ell )、c_ref、环境组态（影响 n_eff）。
   • 以互相关或匹配滤波估计测量到达时 T_arr_meas = estimate_toa( sig, method="xcorr" )。
   • 计算模型到达时
     1. 口径一：T_arr_1 = ( 1 / c_ref ) * ( ∫ n_eff d ell )。
     2. 口径二：T_arr_2 = ( ∫ ( n_eff / c_ref ) d ell )。
   • 报告差异 delta_form = | T_arr_1 - T_arr_2 | 与偏差 | T_arr_meas - T_arr_model |。
3. 验收
   delta_form <= eps_form；| T_arr_meas - T_arr_model | <= eps_toa。
4. 绑定示例（I80）
   path_integral(n_eff, gamma, c_ref)；enforce_arrival_time_convention(trace)；estimate_toa(sig,"xcorr")。
5. 落盘字段
   path.gamma_desc、path.L_gamma、path.c_ref、path.n_eff_model、path.T_arr_meas、path.T_arr_model、path.delta_form。

IX. 不确定度评估与合成模板（Mx-C7）

1. 目标
   给出测量值 y = f( x_1, ..., x_m ) 的合成标准不确定度 u_c 与扩展不确定度 U。
2. 口径
   • 线性传播近似：u_c^2 approx J Σ J^T，其中 J = ( ∂f/∂x_1, ..., ∂f/∂x_m )，Σ 为输入协方差矩阵。
   • 相关项：u_c^2 = ∑ c_i^2 * u_i^2 + 2 * ∑_{i<j} ρ_{ij} * c_i * c_j * u_i * u_j。
   • 扩展不确定度：U = k * u_c（常用 k=2）。
3. 步骤
   • 分类来源（Type A 重复性、Type B 规格/模型/分辨率）。
   • 估计 u_i 与相关系数 ρ_{ij}，建立 Σ。
   • 计算 u_c、选择置信系数 k，得出 U。
4. 落盘字段
   env.u_c、env.k、env.U，以及关键来源分解与权重。

X. 漂移监测与复标定触发模板（Mx-C8）

1. 指标
   漂移度量 D = || mu_x - mu_ref || / sigma_ref；质量分数 q_score ∈ [0,1]；缺失掩码 m ∈ {0,1}。
2. 触发器
   D >= D_warn 进入观察；D >= D_recal 触发复标定；q_score <= q_min 或 clip_rate >= clip_max 触发排障。
3. 行动
   • monitor_drift(baseline, current, fields)；
   • 若触发，执行 Mx-C1..C5 中对应流程；
   • 更新 sensor.cal_id 与版本锚点，发出 raise_alert(kind="recal", payload=...)。

XI. 数据落盘与清单模板（CAL-IO）

• 最小必填（附录A 对齐）
  sensor.* 标识与系数、acq.*、time.*、filt.*、spec.*、env.*、path.*、quality.*、io.*。
• 版本锁定
  io.manifest_rev 中记录 filt.H_rev、spec.window、spec.method、path.toa_model_rev、env.RefCond。

XII. 审核清单（CAL-QA）

• 计量与口径
  fs >= 2 * f_max；H(f) 与 tau_g(H) 已报告；delta_form 已计算；U = k * u_c 已给出。
• 一致性
  所有延时、抖动以 tau_mono 评估，发布与审计用 ts；冲突名约束 T_fil 与 T_trans 不混用。
• 可追溯
  数据、脚本、系数、版本号与报告相互引用一致，可重放。

XIII. 参考脚本骨架（I80 绑定）

# register and load calibration

sns = register_sensor(model="ADX-1234", serial="SN-A1B2C3", meta={"class":"accel"})

cal = load_calibration(sid=sns, cal_id="CAL-2025-01")

# sampling & sync

configure_sampling(sid=sns, fs=20000.0, gain=None)

sync = sync_clocks(sids=[sns], method="ptp", ref="lab-ptp-1")

sync_stats = measure_skew_offset(sids=[sns], window=60.0)

# filter & response

fref = design_filter(kind="lp", params={"order":6, "f_c":9000.0, "ripple_db":0.1, "stop_db":80.0})

sig_f = filter_apply(sig=raw_block, filt=fref)

# FFT/PSD & ENOB

S = psd(sig=sig_f, method="welch", seg=16, overlap=0.5)

F = feature_extract(sig=sig_f, feats=["SNR_dB","THD","kurtosis"])

# environment correction

data_corr = apply_env_correction(data=sig_f, ref={"temp":23.0,"hum":45.0,"press":101325.0})

# time-of-arrival & path

toa = estimate_toa(sig=data_corr, method="xcorr")

tarr = path_integral(n_eff="n_air_std_v1", gamma="bench-straight-1m", c_ref=343.0)

enforce_arrival_time_convention(trace={"T_arr_meas":toa,"T_arr_model":tarr})

XIV. 异常与回退模板（CAL-RB）

• 输入异常
  参考源不稳或越界时，暂停并标注 quality.alert={kind:"ref_unstable"}，丢弃本轮数据块。
• 模型不收敛
  切换到次优模型（如由乘性改加性），记录模型更换原因与影响范围。
• 口径冲突
  若 delta_form > eps_form，先行锁定 c_ref 与 n_eff 源，再重测路径或更换 gamma(ell) 描述。

XV. 报告结构模板（CAL-REP）

• 概述：设备、目的、场景、env.RefCond。
• 方法：H(f)、fs_hat、alpha、beta、模型与窗函数。
• 结果：系数与区间、E_alias、ENOB、U、delta_form。
• 验收：与阈值对照表、通过或整改项。
• 版本：sensor.cal_id、filt.H_rev、path.toa_model_rev、io.manifest_rev。

XVI. 复用与跨卷锚点

• 到达时与路径：c_ref、gamma(ell)、d ell、L_gamma、n_eff(x,t)、T_arr（见本卷第8章与配套白皮书《能量丝》）。
• 并发与入湖：chan、cap、q_len、bp、W_q（见《Core.Threads》）；序列化与清单（见本卷第7章与附录A）。

XVII. 结论与执行要点（摘要）