CN117233682A - 一种平衡电桥的快速校准系统 - Google Patents

Abstract

公开了一种平衡电桥的快速校准系统。其首先获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据，接着，将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量，然后，对所述幅频数据时序输入向量和所述相频数据时序输入向量进行联合分析以得到幅频‑相频语义联合特征向量，最后，基于所述幅频‑相频语义联合特征向量，确定推荐的校准系数。这样，可以结合基于人工智能技术的深度学习算法来自动生成推荐的校准系数。

Description

一种平衡电桥的快速校准系统

技术领域

本公开涉及平衡电桥领域，且更为具体地，涉及一种平衡电桥的快速校准系统。

背景技术

平衡电桥是一种可以测量电感、电容、电阻阻抗的测量仪器，它被广泛用于科研、生产和计量测试等多个领域。随着科技的发展，平衡电桥的种类和功能也不断增加，满足了不同场合和需求的测量。为了保证平衡电桥的测量结果的准确性和可靠性，对其进行定期的校准是非常必要的。

现有的平衡电桥校准技术，需要用到商用的标准电容器、标准电阻器。国内生产的标准允许误差大、频率特性差、温度系数大。国外生产的标准虽然允许误差小，但工作频率范围较窄。而且它们不仅成本高，还不方便实现自动化测试。

因此，期待一种优化的平衡电桥的校准方案。

发明内容

有鉴于此，本公开提出了一种平衡电桥的快速校准系统，其可以结合基于人工智能技术的深度学习算法来自动生成推荐的校准系数。

根据本公开的一方面，提供了一种平衡电桥的快速校准系统，其包括：数据获取模块，用于获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据；向量化模块，用于将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量；联合分析模块，用于对所述幅频数据时序输入向量和所述相频数据时序输入向量进行联合分析以得到幅频-相频语义联合特征向量；以及校准系数推荐模块，用于基于所述幅频-相频语义联合特征向量，确定推荐的校准系数。

根据本公开的实施例，其首先获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据，接着，将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量，然后，对所述幅频数据时序输入向量和所述相频数据时序输入向量进行联合分析以得到幅频-相频语义联合特征向量，最后，基于所述幅频-相频语义联合特征向量，确定推荐的校准系数。这样，可以结合基于人工智能技术的深度学习算法来自动生成推荐的校准系数。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的平衡电桥的快速校准系统的框图。

图2示出根据本公开的实施例的平衡电桥的快速校准系统中所述联合分析模块的框图。

图3示出根据本公开的实施例的平衡电桥的快速校准系统中所述时序特征提取单元的框图。

图4示出根据本公开的实施例的平衡电桥的快速校准系统中所述融合单元的框图。

图5示出根据本公开的实施例的平衡电桥的快速校准系统中所述校准系数推荐模块的框图。

图6示出根据本公开的实施例的平衡电桥的快速校准方法的流程图。

图7示出根据本公开的实施例的平衡电桥的快速校准方法的架构示意图。

图8示出根据本公开的实施例的平衡电桥的快速校准系统的应用场景图。

图9示出根据本公开的另一个实施例的平衡电桥的快速校准系统的系统架构示意图。

图10示出根据本公开的另一个实施例的待校准平衡电桥的框图。

图11示出根据本公开的另一个实施例的校准流程。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

由于平衡电桥上有运算放大器、滤波器、寄生电容、寄生电感等非线性器件，这些非线性器件会导致电路的幅频特性和相频特性呈现出非线性。这就给构建校准方案带来了挑战。

人工智能技术的发展为构建校准方案提供了一种新的解决思路。具体来说，人工智能技术具有强大的非线性拟合能力和自我学习能力，能够从大量的数据中提取出电路的内在规律，并进行自适应的学习和优化。

基于此，本公开的技术构思为利用多功能环路分析仪来测量待校验平衡电桥电路的幅频特性和相频特性，并结合基于人工智能技术的深度学习算法来自动生成推荐的校准系数。

图1示出根据本公开的实施例的平衡电桥的快速校准系统的框图示意图。如图1所示，根据本公开实施例的平衡电桥的快速校准系统100，包括：数据获取模块110，用于获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据；向量化模块120，用于将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量；联合分析模块130，用于对所述幅频数据时序输入向量和所述相频数据时序输入向量进行联合分析以得到幅频-相频语义联合特征向量；以及，校准系数推荐模块140，用于基于所述幅频-相频语义联合特征向量，确定推荐的校准系数。

具体地，在本公开的技术方案中，首先，获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据；并将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量。

然后，将所述幅频数据时序输入向量和所述相频数据时序输入向量分别通过基于一维卷积层的时序特征提取器以得到幅频数据时序特征向量和相频数据时序特征向量。也就是，对所述幅频数据时序输入向量和所述相频数据时序输入向量进行时序特征提取，以捕捉电路的幅频数据和相频数据在时间维度上的动态变化。

接着，使用双向注意力融合模块来融合所述幅频数据时序特征向量和相频数据时序特征向量以得到幅频-相频语义联合特征向量。应可以理解，幅频-相频之间的关联反映了电路对不同频率信号的放大或衰减程度和相位移动程度，从而体现了电路的性能和特点。

更具体地，在本公开的实施例中，使用双向注意力融合模块来融合所述幅频数据时序特征向量和相频数据时序特征向量以得到幅频-相频语义联合特征向量的编码过程，包括：先将所述幅频数据时序特征向量和相频数据时序特征向量进行串联以得到串联向量；再将所述串联向量通过Softmax层以得到注意力权重向量；然后，将所述幅频数据时序特征向量和所述注意力权重向量进行向量相乘以得到融合向量；进一步地，将所述融合向量通过全连接层以得到所述幅频-相频语义联合特征向量。

应可以理解，幅频数据表示信号的幅度随频率的变化，相频数据表示信号的相位随频率的变化。在同一个输出信号中，幅频数据和相频数据存在一定的相关性，将幅频数据和相频数据进行相关性匹配有助于判断与校准系数之间的拟合关系。这里，借鉴人类的注意力机制，即双向注意力机制，来分辨与寻找幅频数据与相频数据之间的局部相关性（相同频率下，幅度与相位间关联度高）。

相应地，如图2所示，所述联合分析模块130，包括：时序特征提取单元131，用于分别提取所述幅频数据时序输入向量和所述相频数据时序输入向量的时序特征以得到幅频数据时序特征向量和相频数据时序特征向量；以及，融合单元132，用于使用双向注意力融合模块来融合所述幅频数据时序特征向量和相频数据时序特征向量以得到所述幅频-相频语义联合特征向量。应可以理解，所述联合分析模块130是一个包含时序特征提取单元131和融合单元132两个主要单元的模块。时序特征提取单元131通过对输入的幅频数据和相频数据进行处理和分析，提取出与时间相关的特征信息，这些特征可以包括信号的频率变化、振幅变化、相位变化等，以及它们在时间上的演化模式，提取到的时序特征将用于后续的融合过程。融合单元132使用双向注意力融合模块来融合幅频数据时序特征向量和相频数据时序特征向量，以得到幅频-相频语义联合特征向量。在这个单元中，双向注意力融合模块将同时考虑幅频数据和相频数据的时序特征，并通过注意力机制将它们进行融合，这个融合过程可以使得幅频数据和相频数据之间的关联性更加明确，并且产生一个综合的特征向量，其中包含了幅频和相频数据的语义信息。融合后的特征向量可以用于进一步的数据分析、模型训练或其他任务。总之，时序特征提取单元131用于提取幅频数据和相频数据的时序特征，而融合单元132用于将这些特征进行融合，生成幅频-相频的语义联合特征向量。这样的联合分析模块可以在处理幅频和相频数据时，更好地捕捉它们之间的关联性和语义信息，提高数据分析和模型的性能。

这里，值得一提的是，双向注意力融合模块是一种用于融合不同特征表示的注意力机制，它可以同时考虑两个输入序列的信息，并根据它们之间的关联性进行特征融合。双向注意力融合模块用于将幅频数据时序特征向量和相频数据时序特征向量进行融合，生成幅频-相频的语义联合特征向量。具体来说，双向注意力融合模块由以下步骤组成：1.基于幅频数据和相频数据的特征向量计算注意力权重：首先，通过计算幅频数据特征向量和相频数据特征向量之间的相似度，得到幅频对相频的注意力权重；然后，通过计算相频数据特征向量和幅频数据特征向量之间的相似度，得到相频对幅频的注意力权重。2.使用注意力权重对特征向量进行加权融合：将幅频数据特征向量和相频数据特征向量分别与对应的注意力权重相乘，得到加权后的特征向量；将加权后的幅频数据特征向量和相频数据特征向量进行拼接或加和操作，生成幅频-相频的语义联合特征向量。通过双向注意力融合模块，可以将幅频数据和相频数据的时序特征进行交互和融合，从而捕捉它们之间的关联性和语义信息。这有助于提高数据分析和模型的性能，尤其在处理多模态数据时具有重要作用。

具体地，所述时序特征提取单元131，用于：将所述幅频数据时序输入向量和所述相频数据时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述幅频数据时序特征向量和所述相频数据时序特征向量。更具体地，如图3所示，所述时序特征提取单元131，包括：幅频数据时序提取子单元1311，用于将所述幅频数据时序输入向量通过所述基于一维卷积层的时序特征提取器以得到所述幅频数据时序特征向量；以及，相频数据时序提取子单元1312，用于将所述相频数据时序输入向量通过所述基于一维卷积层的时序特征提取器以得到所述相频数据时序特征向量。

值得一提的是，一维卷积层是卷积神经网络（Convolutional Neural Network，CNN）中的一种常用层类型。它主要用于处理一维序列数据，如时间序列数据或信号数据。在时序特征提取单元131中，一维卷积层被用作时序特征提取器，用于提取幅频数据时序输入向量和相频数据时序输入向量的时序特征。一维卷积层的工作原理类似于二维卷积层，但是它在处理数据时只考虑一个方向上的相邻元素。它通过滑动一个称为卷积核（或滤波器）的小窗口在输入序列上进行扫描，并对窗口中的元素进行加权求和操作，从而生成输出特征。一维卷积层的卷积核包含了一组可学习的参数，这些参数用于对输入序列进行局部特征提取。卷积核的大小可以根据需要进行设置，它决定了每次卷积操作涉及的输入序列的长度。通过使用一维卷积层，时序特征提取单元131可以从幅频数据时序输入向量和相频数据时序输入向量中提取出与时间相关的特征。这些特征可以包括频率变化、振幅变化、相位变化等，有助于捕捉数据的时序模式和动态变化。提取到的时序特征将用于后续的融合过程或其他任务。

具体地，如图4所示，所述融合单元132，包括：串联子单元1321，用于将所述幅频数据时序特征向量和相频数据时序特征向量进行串联以得到串联向量；注意力编码子单元1322，用于将所述串联向量通过Softmax层以得到注意力权重向量；向量相乘子单元1323，用于将所述幅频数据时序特征向量和所述注意力权重向量进行向量相乘以得到融合向量；以及，全连接编码子单元1324，用于将所述融合向量通过全连接层以得到所述幅频-相频语义联合特征向量。应可以理解，串联子单元1321中，串联操作将两个特征向量按照一定顺序连接在一起，形成一个更长的特征向量，这样可以保留两个特征向量的信息，并将它们作为一个整体输入到后续的处理单元中。注意力编码子单元1322中，注意力权重向量表示了幅频数据时序特征向量和相频数据时序特征向量在融合过程中的重要性或权重，Softmax函数将输入向量转化为概率分布，使得注意力权重向量的每个元素都在0到1之间，并且所有元素之和为1。这样可以确保注意力权重向量对特征向量进行合理的加权融合。向量相乘子单元1323中，向量相乘操作将两个向量的对应元素逐个相乘，得到一个具有加权信息的融合向量。通过与注意力权重向量相乘，幅频数据时序特征向量中的每个元素都被赋予了相应的权重，强调了在融合过程中更重要的部分。全连接编码子单元1324中，全连接层是一种常见的人工神经网络层，它将输入向量与一组可学习的权重进行线性变换，并通过激活函数进行非线性映射，生成输出特征。全连接编码子单元通过全连接层对融合向量进行编码，将其转化为更高层次的语义联合特征表示，以供后续任务或模型使用。通过这些子单元的组合，融合单元132能够将幅频数据时序特征向量和相频数据时序特征向量进行有效的融合，并生成幅频-相频的语义联合特征向量，以捕捉两个特征向量之间的关联性和语义信息。

继而，将所述幅频-相频语义联合特征向量通过解码器以得到解码值，所述解码值为推荐的校准系数。

相应地，如图5所示，所述校准系数推荐模块140，包括：逐位置优化单元141，用于对所述幅频-相频语义联合特征向量进行逐位置优化以得到优化幅频-相频语义联合特征向量；以及，解码单元142，用于将所述优化幅频-相频语义联合特征向量通过解码器以得到解码值，所述解码值为推荐的校准系数。应可以理解，逐位置优化单元141用于对幅频-相频语义联合特征向量进行逐位置优化，以得到优化的幅频-相频语义联合特征向量。在数据分析和建模任务中，特征的分布对于模型的性能至关重要。逐位置优化单元通过一系列的操作（如归一化、标准化、降维等）对特征向量进行处理，使得优化后的特征向量具有更好的分布特性，能够更好地反映数据的结构和信息。解码单元142用于将优化的幅频-相频语义联合特征向量通过解码器，以得到解码值，即推荐的校准系数。解码器是一个模型或算法，它将输入特征向量映射为校准系数的输出。解码单元可以根据任务的具体要求和目标，设计合适的解码器来实现对幅频-相频语义联合特征向量的解码。解码值可以用作校准系数，用于校准或调整某些模型或算法的参数，以优化其性能或适应特定的数据场景。通过逐位置优化单元和解码单元的协同作用，校准系数推荐模块能够对幅频-相频语义联合特征向量进行优化和解码，生成推荐的校准系数。这些校准系数可以用于调整模型或算法的参数，以提高其性能和适应性，从而更好地适应特定的数据分析任务。

这里，所述幅频数据时序特征向量和相频数据时序特征向量分别表达所述幅频数据和所述相频数据的局部时序关联特征，由此，使用双向注意力融合模块来融合所述幅频数据时序特征向量和相频数据时序特征向量得到的所述幅频-相频语义联合特征向量可以在所述幅频数据和所述相频数据各自的局部时序关联特征之外，表达所述幅频数据和所述相频数据在时域下的时序分布语义联合特征，也就是，所述幅频-相频语义联合特征向量具有与时域空间下的跨样本时序分布对应的多样化的特征表示。

但是，考虑到时序关联特征的跨样本空间特征分布差异会给所述幅频-相频语义联合特征向量的整体特征表示带来局部特征分布稀疏化，即相对于整体高维特征流形的分布外稀疏化子流形，这会使得在将所述幅频-相频语义联合特征向量通过解码器进行解码概率回归映射时，所述幅频-相频语义联合特征向量到概率空间内的预定概率分布表示的收敛性差，影响解码值的准确性。因此，优选地，对所述幅频-相频语义联合特征向量进行逐位置优化。

在一种可能的实现方式中，所述逐位置优化单元，用于：以如下优化公式对所述幅频-相频语义联合特征向量进行逐位置优化以得到所述优化幅频-相频语义联合特征向量；其中，所述优化公式为：其中，是所述幅频-相频语义联合特征向量，/>是所述幅频-相频语义联合特征向量/>的第个位置的特征值，/>是所述优化幅频-相频语义联合特征向量的第/>个位置的特征值。

也就是，通过基于重概率的正则化来处理高维特征空间内的稀疏分布，以激活所述幅频-相频语义联合特征向量在高维特征空间内的几何流形到概率空间的自然分布转移，从而通过对所述幅频-相频语义联合特征向量/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式，提高具有高空间稀疏性的复杂高维特征流形在预定回归概率下的收敛性，从而提升所述幅频-相频语义联合特征向量/>通过解码器得到的解码值的准确性。

进一步地，在解码单元142中，解码器是一种模型或算法，用于将输入向量或特征表示转换为某种输出形式。在机器学习和深度学习中，解码器通常用于将学习到的高级特征表示解码为原始数据的形式，或者将抽象的特征映射为具体的输出结果。解码器的设计取决于具体的任务和应用场景。以下是一些常见的解码器类型：1.生成解码器：用于将学习到的特征表示解码为原始数据的形式。例如，在图像生成任务中，生成解码器将学习到的特征向量转换为图像像素值，从而生成逼真的图像。生成解码器可以基于逆卷积层、反池化层等操作来实现特征的逆转换。2.序列解码器：用于将学习到的特征表示解码为序列数据的形式。例如，在机器翻译任务中，序列解码器将学习到的编码器输出（例如，编码器的隐藏状态）转换为目标语言的翻译序列。序列解码器通常基于循环神经网络（RNN）或者注意力机制来建模序列之间的依赖关系。3.分类解码器：用于将学习到的特征表示解码为类别标签或类别概率。分类解码器通常包括全连接层、softmax层等操作，将特征向量映射为类别标签或概率分布。例如，在图像分类任务中，分类解码器将学习到的图像特征向量解码为类别标签，表示图像所属的类别。4.其他解码器：根据具体任务的需求，还可以设计其他类型的解码器。例如，对于语音识别任务，解码器可以将学习到的声学特征表示解码为文本序列；对于目标检测任务，解码器可以将学习到的特征表示解码为目标的位置和类别等信息。总之，解码器的目标是将学习到的特征表示转换为有意义的输出形式，以满足特定任务的需求。解码器的设计需要根据任务的特点和数据的特征进行灵活调整。

综上，基于本公开实施例的平衡电桥的快速校准系统100被阐明，其可以结合基于人工智能技术的深度学习算法来自动生成推荐的校准系数。

如上所述，根据本公开实施例的所述平衡电桥的快速校准系统100可以实现在各种终端设备中，例如具有平衡电桥的快速校准算法的服务器等。在一个示例中，平衡电桥的快速校准系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该平衡电桥的快速校准系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该平衡电桥的快速校准系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该平衡电桥的快速校准系统100与该终端设备也可以是分立的设备，并且该平衡电桥的快速校准系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图6示出根据本公开的实施例的平衡电桥的快速校准方法的流程图。图7示出根据本公开的实施例的平衡电桥的快速校准方法的系统架构的示意图。如图6和图7所示，根据本公开实施例的平衡电桥的快速校准方法，其包括：S110，获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据；S120，将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量；S130，对所述幅频数据时序输入向量和所述相频数据时序输入向量进行联合分析以得到幅频-相频语义联合特征向量；以及，S140，基于所述幅频-相频语义联合特征向量，确定推荐的校准系数。

在一种可能的实现方式中，将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量，包括：分别提取所述幅频数据时序输入向量和所述相频数据时序输入向量的时序特征以得到幅频数据时序特征向量和相频数据时序特征向量；以及，使用双向注意力融合模块来融合所述幅频数据时序特征向量和相频数据时序特征向量以得到所述幅频-相频语义联合特征向量。

这里，本领域技术人员可以理解，上述平衡电桥的快速校准方法中的各个步骤的具体操作已经在上面参考图1到图5的平衡电桥的快速校准系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图8示出根据本公开的实施例的平衡电桥的快速校准系统的应用场景图。如图8所示，在该应用场景中，首先，获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据（例如，图8中所示意的D1）和相频数据（例如，图8中所示意的D2），然后，将所述多个预定时间点的幅频数据和相频数据输入至部署有平衡电桥的快速校准算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述平衡电桥的快速校准算法对所述多个预定时间点的幅频数据和相频数据进行处理以得到用于表示推荐的校准系数的解码值。

进一步地，在本公开的另一个实施例中，还提供了一种平衡电桥的快速校准系统。平衡电桥的快速校准系统由电脑、Bode-100、待校准的构成，平衡电桥的快速校准系统的系统架构如图9所示。

电脑的用途主要是通过运行自动化测试平台控制Bode-100收集待校准平衡电桥电路的幅频数据和相频数据，然后进行多项式拟合，将计算好的校准系数写入待校准的平衡电桥。

Bode100是Omicron公司生产的一种多功能环路分析仪，集频率响应分析仪、矢量网络分析仪和阻抗分析仪于一身，测量的频率为1Hz-40MHz。在本公开中它主要是用于测量待校准的平衡电桥电路的幅频特性和相频特性。

图10示出了待校准平衡电桥的框图。激励1产生测量信号，检零电路检测误差电流Id并根据结果调整激励2的幅值和相位，使得Id接近零，使电桥平衡。电桥平衡后获取DUT两端的电压Vx，参考电阻Rr两端的电压Vr，则DUT的阻抗=Vx/(Vr/Rr)，相位差=Vr的相位-Vx的相位。

在平衡电桥中，激励1输出模拟电路、激励2输出模拟电路、检零电路、电压测量电路、电压测量电路的精度决定了平衡电桥的测量精度，是需要校准的部分。

进一步地，参考图11，校准流程如下：1、将Bode-100的激励源接到待校准平衡电桥的待测电路输入端；2、将Bode-100的探头1接到待校准平衡电桥的待测电路输入端；3、将Bode-100的探头2接到待校准平衡电桥的待测电路输出端；4、电脑控制Bode-100获取待校准平衡电桥的待测电路幅频和相频数据；5、电脑根据幅频数据和相频数据进行多项式拟合；6、电脑控制待校准平衡电桥并将多项式拟合参数写入EEPROM中；7、循环以上步骤直至待校准上需要校准电路全部测试完成。

进一步地，由于平衡电桥上有运算放大器、滤波器、寄生电容、寄生电感等非线性器件，这些非线性器件会导致电路的幅频特性和相频特性呈现出非线性。

在本公开中，对平衡电桥的激励1输出模拟电路、激励2输出模拟电路、检零电路、电压测量模拟电路、电流测量模拟电路的幅度和相位都各自和频率进行多项式拟合，具体方式如下：频率选择根据Bode-100的测试结果，从100kHz-15MHz取201个点(点数可以根据测试曲线的平滑程度多取或少取)。幅度拟合曲线和相位的拟合曲线/>，在这里，/>为频率，/>和/>为在该频率下基于多项式拟合出来的系数，/>和/>为多项式的阶数。在评价拟合优度上，本公开选用误差平方和(SSE)进行评估，即/>，在这里/>为拟合出来的数据，/>为标准值，在本公开中为Bode-100测出来的数据，通过调整多项式的阶数,使得最小的则为最优阶数。

在使用的时候，将任意频率值代进去到/>和/>的拟合曲线，可以得出该频率下对应的幅值和相位值，再将幅值和相位值代入到电路的传递函数中，得出最后的校准结果。

本方案通过测试平衡电桥电路的幅频特性和相频特性来校准平衡电桥，每个档位校准耗时大概15s，这相比其他使用校准器进行校准的校准方法效率得到了大大的提升。其有益效果在于校准精度高、效率高、成本低，可以拓展到更宽的频率范围，并且通过测试电路的幅频特性和相频特性来对平衡电桥进行校准以及多项式拟合在平衡电桥校准的应用。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (7)

1.一种平衡电桥的快速校准系统，其特征在于，包括：数据获取模块，用于获取待校验平衡电桥电路在预定时间段内多个预定时间点的幅频数据和相频数据；向量化模块，用于将所述多个预定时间点的幅频数据和相频数据分别按照时间维度排列为幅频数据时序输入向量和相频数据时序输入向量；联合分析模块，用于对所述幅频数据时序输入向量和所述相频数据时序输入向量进行联合分析以得到幅频-相频语义联合特征向量；以及校准系数推荐模块，用于基于所述幅频-相频语义联合特征向量，确定推荐的校准系数。

2.根据权利要求1所述的平衡电桥的快速校准系统，其特征在于，所述联合分析模块，包括：时序特征提取单元，用于分别提取所述幅频数据时序输入向量和所述相频数据时序输入向量的时序特征以得到幅频数据时序特征向量和相频数据时序特征向量；以及融合单元，用于使用双向注意力融合模块来融合所述幅频数据时序特征向量和相频数据时序特征向量以得到所述幅频-相频语义联合特征向量。

3.根据权利要求2所述的平衡电桥的快速校准系统，其特征在于，所述时序特征提取单元，用于：将所述幅频数据时序输入向量和所述相频数据时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述幅频数据时序特征向量和所述相频数据时序特征向量。

4.根据权利要求3所述的平衡电桥的快速校准系统，其特征在于，所述时序特征提取单元，包括：幅频数据时序提取子单元，用于将所述幅频数据时序输入向量通过所述基于一维卷积层的时序特征提取器以得到所述幅频数据时序特征向量；以及相频数据时序提取子单元，用于将所述相频数据时序输入向量通过所述基于一维卷积层的时序特征提取器以得到所述相频数据时序特征向量。

5.根据权利要求4所述的平衡电桥的快速校准系统，其特征在于，所述融合单元，包括：串联子单元，用于将所述幅频数据时序特征向量和相频数据时序特征向量进行串联以得到串联向量；注意力编码子单元，用于将所述串联向量通过Softmax层以得到注意力权重向量；向量相乘子单元，用于将所述幅频数据时序特征向量和所述注意力权重向量进行向量相乘以得到融合向量；以及全连接编码子单元，用于将所述融合向量通过全连接层以得到所述幅频-相频语义联合特征向量。

6.根据权利要求5所述的平衡电桥的快速校准系统，其特征在于，所述校准系数推荐模块，包括：逐位置优化单元，用于对所述幅频-相频语义联合特征向量进行逐位置优化以得到优化幅频-相频语义联合特征向量；以及解码单元，用于将所述优化幅频-相频语义联合特征向量通过解码器以得到解码值，所述解码值为推荐的校准系数。

7.根据权利要求6所述的平衡电桥的快速校准系统，其特征在于，所述逐位置优化单元，用于：以如下优化公式对所述幅频-相频语义联合特征向量进行逐位置优化以得到所述优化幅频-相频语义联合特征向量；其中，所述优化公式为：其中，/>是所述幅频-相频语义联合特征向量，/>是所述幅频-相频语义联合特征向量/>的第/>个位置的特征值，/>是所述优化幅频-相频语义联合特征向量的第/>个位置的特征值。