CN117836638A - 具有机器学习波形生成的数字孪生，包括用于被测设备仿真的参数控制 - Google Patents
具有机器学习波形生成的数字孪生，包括用于被测设备仿真的参数控制 Download PDFInfo
- Publication number
- CN117836638A CN117836638A CN202280056914.2A CN202280056914A CN117836638A CN 117836638 A CN117836638 A CN 117836638A CN 202280056914 A CN202280056914 A CN 202280056914A CN 117836638 A CN117836638 A CN 117836638A
- Authority
- CN
- China
- Prior art keywords
- waveform
- generating
- machine learning
- waveforms
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 63
- 238000004088 simulation Methods 0.000 title claims description 4
- 238000010801 machine learning Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 35
- 230000003287 optical effect Effects 0.000 claims description 22
- 230000006735 deficit Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/31712—Input or output aspects
- G01R31/31713—Input or output interfaces for test, e.g. test pins, buffers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2834—Automated test systems [ATE]; using microprocessors or computers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/3183—Generation of test inputs, e.g. test vectors, patterns or sequences
- G01R31/318307—Generation of test inputs, e.g. test vectors, patterns or sequences computer-aided, e.g. automatic test program generator [ATPG], program translations, test program debugging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/319—Tester hardware, i.e. output processing circuits
- G01R31/31917—Stimuli generation or application of test patterns to the device under test [DUT]
- G01R31/31919—Storing and outputting test patterns
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Tests Of Electronic Circuits (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
一种用于生成波形的设备包括：机器学习系统，被配置为将来自被测设备的波形与参数相关联；用户界面，被配置为允许用户提供一个或多个用户输入；以及一个或多个处理器，被配置为执行使所述一个或多个处理器进行以下操作的代码：通过用户界面接收包括一个或多个参数的一个或多个输入，将机器学习系统应用于所接收的一个或多个参数，由机器学习系统基于该一个或多个参数产生波形，并输出产生的波形。还呈现了生成波形的方法。
Description
技术领域
本公开涉及测试和测量系统，并且更具体地涉及一种用于仿真被测设备参数与波形生成器的交互的系统。
背景技术
电气和光学部件的制造商在将部件发送给其客户之前测试所述部件。生产线上对光学和电气部件的测试通常涉及设置部件的操作参数，对其进行测试以收集输出数据，然后评估输出数据以确定该部件是否通过测试制度。对于每个部件，此测试过程可能会发生数百次。这种测试过程增加了每个部件的制造成本，该成本还与部件的数量相乘，对于某些制造商来说，部件的数量可能达到数千或数十万。
此外，测试本身是耗时的，因为应当在所有操作模式中测试被测设备的设备参数。运行自动化测试脚本可能会减轻测试设备的一些负担，但通常被测机器要么没有内置的自动化测试模式，要么在开发早期最需要的时候无法使用此类测试模式。并且许多设备完全缺乏自动化测试模式，因此这些设备没有可用的自动化测试。
根据本公开的实施例解决了本领域的这些和其他缺陷。
附图说明
图1是根据本公开的实施例的包括使用模拟波形的用于被测设备(DUT)的机器学习训练网络的系统框图。
图2是根据本公开的实施例的包括使用实际波形的用于被测设备(DUT)的机器学习训练网络的系统框图。
图3是根据本公开的实施例的用于基于用户输入生成模拟电气波形的经训练的机器学习网络的系统框图。
图4是根据本公开的实施例的用于基于用户输入生成模拟光学波形的经训练的机器学习网络的系统框图。
图5是根据本公开的实施例的任意波形生成器的系统框图，该任意波形生成器包括用于基于用户输入生成模拟电气波形的机器学习网络。
图6是根据本公开的实施例的任意波形生成器的另一系统框图，该任意波形生成器包括用于基于用户输入生成模拟电气波形的机器学习网络。
图7是根据本公开的实施例的任意波形生成器的系统框图，该任意波形生成器包括用于基于用户输入生成模拟光学波形的机器学习网络。
具体实施方式
设计和构建光学和电气收发器是昂贵且耗时的。开发的一项耗时方面是测试设备的特性，以确保与多个不同接收器的互操作性。如果设计未通过测试，则产生并测试后续设计。每个设计迭代都会导致设备开发延迟。所公开技术的实施例包括创建发射器设备的模型作为设备本身的数字孪生。该数字孪生基于被测设备(DUT)的参数学习波形特性，并生成与DUT的波形匹配的波形。然后使用数字孪生波形生成器(而不是DUT本身)来测试DUT与多种现有接收器类型的互操作性。数字孪生可以包括自动测试脚本，并且无论如何，与DUT本身相比，可以更容易操作以生成期望的波形。使用数字孪生的另一个优点是，如下所述，数字孪生可以在DUT物理可用之前被开发并可操作，同时DUT仍在设计中。因此，使用数字孪生允许开发者甚至在DUT本身能够产生期望输出之前使用DUT的期望输出进行测试。
在一些实施例中，DUT可以是光学发射器。然而，其他实施例涉及生成电气信号的设备。数字孪生设备包括在训练模式或操作(运行时)模式中操作的机器学习网络。如下所述，使用实际波形或模拟波形来训练数字孪生设备。在任一情况下，在训练模式中，波形都作为元数据与描述生成特定波形的条件的参数相关联。然后，在操作模式中，数字孪生使用其经训练的机器学习网络基于用户选择或提供的参数来选择或产生特定波形。数字孪生可以控制任意波形生成器(AWG)以实际产生模拟波形，用户可以应用该模拟波形来测试接收器特性。在其他实施例中，数字孪生可以是AWG本身的一部分。下面详细描述这些实施例。
图1是根据本公开的实施例的训练系统50的系统框图，该训练系统50包括使用模拟波形的用于被测设备(DUT)的机器学习训练网络。如上所述，设计、构建和测试光学和电气收发器是昂贵的。并且，通常，在收发器完全开发之前，就可获得将由这种收发器最终生成的期望波形。图1的训练系统50包括两个主要部件——DUT模拟器100和数字孪生设备200。数字孪生设备200可以在软件中体现为在例如一个或多个通用或专用处理器上运行的应用。DUT模拟器100存储最终将由收发器设备的发射器产生的期望输出波形的集合。一般而言，收发器的开发者在收发器的开发期间创建期望波形的模型，并将它们的副本连同用于创建每个波形的参数一起存储在DUT模拟器100中。这种波形开发可以在构建收发器之前完成。
在DUT模拟器100已经获取并存储期望的波形之后，模拟器将每个波形及其相关联的参数传递到数字孪生设备200。通常，DUT模拟器100的用户操作该模拟器以单独地扫描产生特定波形的值和参数组合的各种范围。这些参数组合及其相关波形被存储在DUT模拟器100中。这些参数可以包括可用于以某种方式对波形进行分类的任何内容。输入参数数据可以包括许多不同类型的信息。它可能包括发射器调谐参数，发射器调谐参数是发射器寄存器中用于发送所述波形的各种参数。参数可能有几十个，甚至数百个。参数数据的其他示例包括但不限于：温度、湿度、对波形进行的任何类型的测量、波形数据的响应带宽、将通过其传输波形的介质的传递函数的估计、FFE均衡抽头、波形上的噪声、用于创建或获取波形的测试和测量设备的噪声、平均光学功率、抖动等。因此，有数千种可能的参数组合。每个可能的参数组合都与波形相关联。然后，所述参数组合与DUT模拟器100中针对每个组合的波形相关联并与其一起存储。
在各种参数和波形已彼此关联之后，参数数据和波形数据被发送到数字孪生设备200以用于训练。在训练期间，机器学习网络220在训练模式中操作。机器学习网络220由用户界面240控制，用户界面240可以是图形用户界面或编程界面。在训练模式中，向机器学习网络220提供产生波形的参数作为用于训练的输入。由所述参数产生的波形作为元数据被提供，机器学习网络使用该元数据来训练其网络。具体地，机器学习网络220对参数及其波形元数据进行迭代以将波形与创建它们的参数相关联。此外，作为机器学习网络220训练的一部分，机器学习网络220创建预测模型，该预测模型在给定输入参数集合的情况下准确地预测某些波形。随后，这些预测在数字孪生设备的运行时模式中使用，如下所述。在一些实施例中，用户操作用户界面240以从用于产生特定波形以供机器学习网络220摄取的每个可控参数的最小值扫描到最大值。以这种方式，数字孪生200通过机器学习网络220教导所述数字孪生将特定波形与特定参数设置相匹配。在一些实施例中，机器学习网络220可以使用ResNet或RegNet网络，其对图像数据进行操作以进行学习。在这些实施例中，机器学习网络220可以使用波形图像而不是波形本身来进行训练。
DUT模拟器100可以存储针对单个设备的参数和波形元数据，或者DUT模拟器可以存储针对多个不同设备的参数和波形元数据。一般而言，来自存储在DUT模拟器中的仅单个设备的参数和波形元数据将用于在任何单一时间训练机器学习网络220。
图2是包括用于DUT的机器学习训练网络的训练系统60的系统框图。与图1的训练系统50不同，图2的训练系统60使用实际波形而不是模拟波形来训练机器学习网络220。在训练系统60中，实际DUT已经存在，因此波形可以由DUT生成，而不需要如图1的系统50中那样对波形进行模拟。
训练系统60包括控制DUT160的测试自动化系统150。DUT160从测试自动化系统150接收参数并使用这些参数来生成连续波形，该连续波形被发送到示波器170。示波器接收来自DUT160的连续波形并生成与来自DUT160的连续波形匹配或相关的波形输出。然后，类似于参考图1描述的训练系统50，测试自动化系统150将所述参数以及作为元数据的对应波形发送给机器学习网络220以用于训练。数字孪生设备200中的机器学习网络220以与上述相同的方式操作，摄取参数和波形元数据并生成波形和参数之间的互连预测以训练机器学习网络220。
在数字孪生设备200中的机器学习网络220被训练之后，用户可以使用数字孪生设备200来生成用于互操作性测试或用于其他用途的选择波形。
图3是根据本公开的实施例的用于基于用户输入生成模拟波形的数字孪生设备200中的经训练的机器学习网络的系统框图。在该操作模式中，数字孪生设备200生成波形或波形信号，该波形或波形信号使得任意波形生成器300生成模拟电气波形。所生成的模拟电气波形可以被发送到DUT400以进行测试。DUT400可以是例如接收器，该接收器用于测试与存储在数字孪生设备200中的各种波形的互操作性。
用户界面240包括DUT模型参数面板250，用户可以通过该DUT模型参数面板250选择参数的特定值以生成期望的波形。DUT模型参数面板250可以是图形用户界面，或者可以通过编程命令来控制。DUT模型参数面板250中所示的特定参数与用于训练上述系统50和60中的机器学习网络220的那些参数匹配。回顾上文，机器学习网络220被训练以将特定波形与特定参数集合相关联。在该运行时模式中，用户使用DUT模型参数面板250来选择参数。然后，机器学习网络220基于DUT模型参数面板250中的精确参数设置来生成最佳波形或指示该波形的信号作为其从机器学习网络220的输出。回顾一下，在训练期间，机器学习网络220将特定波形作为元数据与用于生成该波形的参数紧密关联。现在，在该运行时模式中，机器学习网络反向工作——基于用于最初创建该波形的所述参数来生成该波形。在操作中，当用户调整DUT模型参数面板250中的各个参数时，机器学习网络220生成与所选参数最紧密匹配的波形。在其他实施例中，来自机器学习网络220的输出可以用作先前分类的波形存储数据库的索引。在该实施例中，来自机器学习网络220的输出可以用于选择先前呈现给机器学习网络的波形之一作为与先前扫描的参数值集合中的一个参数值最紧密相关的波形。
在机器学习网络220选择并输出该波形之后，可以可选地应用去嵌入滤波器270针对所述波形通过AWG300中的信号路径(诸如在AWG300内的数模转换器(DAC)中)所经历的特性来对所述波形进行补偿。
各实施例还可包括一般损伤参数面板260，一般损伤参数面板260可用于进一步修改由机器学习网络220生成的波形。通过选择一般损伤参数面板260的元素，用户能够修改由机器学习网络220生成的波形以更准确地反映将从实际设备出现的波形，而不是如来自机器学习网络220的未修改的输出那样的波形。例如，在波形被发送到AWG300之前，用户可以在损伤参数混合器280中向所述波形添加诸如噪声、抖动、符号间干扰(ISI)之类的因子或其它因子。由一般损伤参数260生成的滤波对所述波形创建可控损伤，以模拟波形通过物理传输链路将被如何修改。在一些实施例中，损伤参数混合器280可以位于去嵌入滤波器270之前。
以上述方式使用数字孪生200和AWG300为用户提供了参数控制，就像波形生成设备实际构建并工作后他们将在该波形生成设备中控制的内容一样，但是数字孪生200可能在该设备被构建之前的很长时间可用。通过使用数字孪生200的这种建模通过在物理构建所述设备之前测试设计概念来允许相对不昂贵的设计周期。
图4是数字孪生设备200中用于基于用户输入生成模拟波形的经训练的机器学习网络的系统框图。另外，在图4中，在AWG300生成电气波形之后，电气波形被应用到电气到光学接口350，电气到光学接口350将AWG300的电气波形输出转换为光学波形。然后，可以将该光学波形应用到光学接收器400或被构造为接收光学信号的其他设备。在数字孪生200中，可以针对训练阶段期间光学到电气变化的差异以及在运行时期间电气到光学变化来优化去嵌入滤波器272。在其他方面，去嵌入滤波器272的操作与上面参照图3描述的去嵌入滤波器270相同或相似。
图5是根据本公开的实施例的包括用于生成电气波形的机器学习网络220的任意波形生成器500的系统框图。图5的任意波形生成器500类似于图3的数字孪生200，除了该任意波形生成器500包括用于在其自身中生成输出波形的电路，而不需要耦合到外部AWG，诸如图3的AWG300。具体地，数模转换器(DAC)510接受由机器学习网络220选择并由去嵌入滤波器270和损伤参数混合器280修改的数字波形。然后，DAC510将数字波形转换为模拟波形信号。模拟波形信号可以由一个或多个输出电路520修改以调节该输出波形用于任意波形生成器500的最终输出。例如，输出电路520可以包括一个或多个放大器、缓冲器或其他调节电路。
来自任意波形生成器500的最终模拟波形输出可以被发送到DUT400以供分析，或者如下所述，可以用于其他目的。图5中所示的系统可用于测试快速外围部件互连或其他数据传输路径。例如，任意波形生成器500可以帮助研发工程师在调整设备的参数时更好地理解这些参数之间的相互作用。考虑任意波形生成器500生成相对短的数据模式的情况，该相对短的数据模式在诸如图6的示波器600的示波器屏幕上实时且交互式地更新。通过调整任意波形生成器500的DUT模型参数250，用户或许能够实时看到特定参数如何影响输出波形。可能的情况是，修改特定参数在最终波形输出中引起非常小的差异。或者，可能的情况是，单个参数的小修改可能对由机器学习网络220生成并由波形生成器500输出的波形造成很大的差异。在任一情况下，将任意波形生成器500耦合到示波器600允许用户实时查看参数调整的效果。此外，使用示波器600查看由机器学习网络220生成的波形允许用户在训练阶段期间检查机器学习网络的训练质量，如上所述。
图7是根据本公开的实施例的任意波形生成器500的系统框图，该任意波形生成器500包括用于基于用户输入生成光学波形的机器学习网络220。图7的任意波形生成器500与图4的数字孪生设备200相似，因为它耦合到电气到光学接口350，电气到光学接口350将从任意波形生成器500输出的电气波形转换为光学波形。然后，可以将光学波形呈现给光学接收器400或其他DUT以进行测试。图7的任意波形生成器500和图4的数字孪生设备200之间的主要区别在于DAC510的存在，如上面详细描述的。
本公开的各方面，包括数字孪生设备200和/或任意波形生成器500，可以在特别创建的硬件上、在固件、数字信号处理器上、或在包括根据编程指令操作的处理器的专门编程的通用计算机上操作。本文所使用的术语“控制器”或“处理器”旨在包括微处理器、微型计算机、专用集成电路(ASIC)和专用硬件控制器。本公开的一个或多个方面可以体现在计算机可用数据和计算机可执行指令中，诸如体现在由一个或多个计算机(包括监测模块)或其他设备执行的一个或多个程序模块中。一般而言，程序模块包括当由计算机或其他设备中的处理器执行时执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。计算机可执行指令可以存储在非暂时性计算机可读介质上，非暂时性计算机可读介质诸如是硬盘、光盘、可移动存储介质、固态存储器、随机存取存储器(RAM)等。如本领域技术人员将意识到的，程序模块的功能可以根据需要在各个方面进行组合或分布。另外，功能可以全部或部分地体现在固件或硬件等同物(诸如集成电路、FPGA等)中。特定数据结构可用于更有效地实现本公开的一个或多个方面，并且这种数据结构被设想在本文描述的计算机可执行指令和计算机可用数据的范围内。
在一些情况下，所公开的各方面可以以硬件、固件、软件或其任意组合来实现。所公开的各方面还可被实现为由一个或多个或非暂时性计算机可读介质承载或存储在其上的指令，所述指令可由一个或多个处理器读取和执行。这样的指令可以被称为计算机程序产品。如本文所讨论的，计算机可读介质是指可由计算设备访问的任何介质。作为示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质。
计算机存储介质是指可用于存储计算机可读信息的任何介质。作为示例而非限制，计算机存储介质可以包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪存或其他存储器技术、压缩盘只读存储器(CD-ROM)、数字视频盘(DVD)或其他光盘存储装置、盒式磁带、磁带、磁盘存储或其他磁存储设备、以及以任何技术实现的任何其他易失性或非易失性、可移动或不可移动介质。计算机存储介质不包括信号本身和信号传输的瞬时形式。
通信介质是指可用于计算机可读信息的通信的任何介质。作为示例而非限制，通信介质可包括同轴电缆、光纤电缆、空气或适合于电、光、射频(RF)、红外、声或其他类型信号的通信的任何其他介质。
示例
下面提供所公开的技术的说明性示例。各技术的实施例可以包括下面描述的一个或多个示例以及它们的任意组合。
示例1是一种用于生成波形的设备，包括：机器学习系统，被配置为将作为元数据的波形与描述生成所述波形的条件的参数相关联；用户界面，被配置为允许用户提供一个或多个用户输入；和一个或多个处理器，被配置为执行使所述一个或多个处理器进行以下操作的代码：通过所述用户界面接收一个或多个输入，所述一个或多个用户输入至少包括一个或多个参数；将所述机器学习系统应用于接收到的一个或多个参数；由所述机器学习系统基于所述一个或多个参数产生波形；和输出产生的波形。
示例2是根据示例1所述的用于生成波形的设备，还包括：测试自动化系统，用于在训练模式中向所述被测设备发送参数集合，从所述被测设备获取结果波形，以及将所述参数集合和所述结果波形发送到所述机器学习系统作为训练输入。
示例3是根据示例2所述的用于生成波形的设备，其中，所述测试自动化系统包括参数生成器和用于从所述被测设备获取波形的测试和测量仪器。
示例4是根据示例3所述的用于生成波形的设备，其中所述参数生成器被配置为扫描一个或多个参数的多个值以生成所述参数集合。
示例5是根据前述示例中任一项所述的用于生成波形的设备，其中，所产生的波形以数字形式输出，所述设备还包括数模转换器用于将所产生的波形的数字形式转换为所产生的波形的模拟形式。
示例6是根据示例5所述的用于生成波形的设备，其中所产生的波形的模拟形式被呈现给电气到光学接口。
示例7是根据示例6所述的用于生成波形的设备，其中，所述设备还包括去嵌入滤波器，所述去嵌入滤波器用于在由所述数模转换器进行转换之前对所产生的波形应用电气到光学补偿。
示例8是根据前述示例中任一项所述的用于生成波形的设备，其中所述设备还包括用于对所产生的波形应用一个或多个损伤的损伤参数混合器。
示例9是根据示例8所述的用于生成波形的设备，其中所述用户界面被构造为从用户接收损伤选择。
示例10是根据前述示例中任一项所述的用于生成波形的设备，其中所述一个或多个处理器还被构造为执行使所述一个或多个处理器进行以下操作的代码：通过在所述机器学习系统中创建所述波形与参数之间的关联来训练所述机器学习系统。
示例11是一种用于由包括机器学习系统的设备生成波形的方法，所述方法包括：通过用户界面接受一个或多个参数；将所述机器学习系统应用于接受的一个或多个参数；由所述机器学习系统基于所述一个或多个参数产生波形；和输出产生的波形。
示例12是根据示例11所述的方法，还包括：利用来自波形模拟设备的输出来训练所述机器学习系统。
示例13是根据前述示例方法中任一项所述的方法，还包括利用来自测试自动化系统的输出来训练所述机器学习系统，其中所述测试自动化系统包括用于将参数集合发送到被测设备的参数生成器和用于从根据所述参数集合操作的所述被测设备获取波形的测试和测量仪器。
示例14是根据前述示例方法中任一项所述的方法，其中以数字形式输出所产生的波形，所述方法还包括将所产生的波形转换为模拟形式。
示例15是根据示例14所述的方法，还包括将所产生的波形的模拟形式呈现给电气到光学接口。
示例16是根据示例15所述的方法，还包括在将所产生的波形转换为模拟形式之前对所产生的波形应用电气到光学补偿。
示例17是根据前述示例方法中任一项所述的方法，还包括对所产生的波形应用一个或多个损伤。
示例18是根据示例17所述的方法，还包括从用户接收一个或多个选择的损伤。
示例19是根据前述示例方法中任一项所述的方法，还包括通过在所述机器学习系统中创建所接受的参数和相关联的波形元数据之间的关联来训练所述机器学习系统。
另外，该书面描述参考了特定特征。应当理解，本说明书中的公开内容包括那些特定特征的所有可能的组合。例如，当在特定方面的上下文中公开特定特征时，该特征也可以在可能的范围内在其他方面的上下文中使用。
此外，当在本申请中提及具有两个或更多个定义的步骤或操作的方法时，定义的步骤或操作可以以任何顺序或同时执行，除非上下文排除那些可能性。
尽管为了说明的目的已经图示和描述了本公开的具体方面，但是应当理解，在不脱离本公开的精神和范围的情况下可以做出各种修改。因此，除了所附权利要求之外，本公开不应受到限制。
Claims (19)
1.一种用于生成波形的设备，包括：
机器学习系统，被配置为将作为元数据的波形与描述生成所述波形的条件的参数相关联；
用户界面，被配置为允许用户提供一个或多个用户输入；和
一个或多个处理器，被配置为执行使所述一个或多个处理器进行以下操作的代码：
通过所述用户界面接收一个或多个输入，所述一个或多个用户输入至少包括一个或多个参数；
将所述机器学习系统应用于接收到的一个或多个参数；
由所述机器学习系统基于所述一个或多个参数产生波形；和
输出产生的波形。
2.根据权利要求1所述的用于生成波形的设备，还包括：测试自动化系统，用于在训练模式中向所述被测设备发送参数集合，从所述被测设备获取结果波形，以及将所述参数集合和所述结果波形发送到所述机器学习系统作为训练输入。
3.根据权利要求2所述的用于生成波形的设备，其中，所述测试自动化系统包括参数生成器和用于从所述被测设备获取波形的测试和测量仪器。
4.根据权利要求3所述的用于生成波形的设备，其中所述参数生成器被配置为扫描一个或多个参数的多个值以生成所述参数集合。
5.根据权利要求1所述的用于生成波形的设备，其中，所产生的波形以数字形式输出，所述设备还包括数模转换器用于将所产生的波形的数字形式转换为所产生的波形的模拟形式。
6.根据权利要求5所述的用于生成波形的设备，其中所产生的波形的模拟形式被呈现给电气到光学接口。
7.根据权利要求6所述的用于生成波形的设备，其中，所述设备还包括去嵌入滤波器，所述去嵌入滤波器用于在由所述数模转换器进行转换之前对所产生的波形应用电气到光学补偿。
8.根据权利要求1所述的用于生成波形的设备，其中所述设备还包括用于对所产生的波形应用一个或多个损伤的损伤参数混合器。
9.根据权利要求8所述的用于生成波形的设备，其中所述用户界面被构造为从用户接收损伤选择。
10.根据权利要求1所述的用于生成波形的设备，其中所述一个或多个处理器还被构造为执行使所述一个或多个处理器进行以下操作的代码：通过在所述机器学习系统中创建所述波形与参数之间的关联来训练所述机器学习系统。
11.一种用于由包括机器学习系统的设备生成波形的方法，所述方法包括：
通过用户界面接受一个或多个参数；
将所述机器学习系统应用于接受的一个或多个参数；
由所述机器学习系统基于所述一个或多个参数产生波形；和
输出产生的波形。
12.根据权利要求11所述的用于生成波形的方法，还包括：利用来自波形模拟设备的输出来训练所述机器学习系统。
13.根据权利要求11所述的用于生成波形的方法，还包括利用来自测试自动化系统的输出来训练所述机器学习系统，其中所述测试自动化系统包括用于将参数集合发送到被测设备的参数生成器和用于从根据所述参数集合操作的所述被测设备获取波形的测试和测量仪器。
14.根据权利要求11所述的用于生成波形的方法，其中以数字形式输出所产生的波形，所述方法还包括将所产生的波形转换为模拟形式。
15.根据权利要求14所述的用于生成波形的方法，还包括将所产生的波形的模拟形式呈现给电气到光学接口。
16.根据权利要求15所述的用于生成波形的方法，还包括在将所产生的波形转换为模拟形式之前对所产生的波形应用电气到光学补偿。
17.根据权利要求11所述的用于生成波形的方法，还包括对所产生的波形应用一个或多个损伤。
18.根据权利要求17所述的用于生成波形的方法，还包括从用户接收一个或多个选择的损伤。
19.根据权利要求11所述的用于生成波形的方法，还包括通过在所述机器学习系统中创建所接受的参数和相关联的波形元数据之间的关联来训练所述机器学习系统。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163235653P | 2021-08-20 | 2021-08-20 | |
| US63/235653 | 2021-08-20 | ||
| PCT/US2022/041119 WO2023023407A1 (en) | 2021-08-20 | 2022-08-22 | Digital twin with machine learning waveform generation including parameter control for device under test emulation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117836638A true CN117836638A (zh) | 2024-04-05 |
Family
ID=85228783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280056914.2A Pending CN117836638A (zh) | 2021-08-20 | 2022-08-22 | 具有机器学习波形生成的数字孪生，包括用于被测设备仿真的参数控制 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230057479A1 (zh) |
| CN (1) | CN117836638A (zh) |
| TW (1) | TW202318020A (zh) |
| WO (1) | WO2023023407A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117472916B (zh) * | 2023-12-27 | 2024-03-12 | 国网浙江省电力有限公司金华供电公司 | 电力工程资产数据管理方法、装置、计算设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9108467D0 (en) * | 1991-04-19 | 1991-06-05 | British Aerospace | Waveform generation |
| US10585121B2 (en) * | 2016-09-12 | 2020-03-10 | Tektronix, Inc. | Recommending measurements based on detected waveform type |
| JP6626064B2 (ja) * | 2017-10-31 | 2019-12-25 | ファナック株式会社 | 試験装置及び機械学習装置 |
| US20210081592A1 (en) * | 2019-09-17 | 2021-03-18 | Tektronix, Inc. | Simulation correction using measurements and deep learning |
-
2022
- 2022-08-22 TW TW111131546A patent/TW202318020A/zh unknown
- 2022-08-22 WO PCT/US2022/041119 patent/WO2023023407A1/en active Application Filing
- 2022-08-22 US US17/893,073 patent/US20230057479A1/en active Pending
- 2022-08-22 CN CN202280056914.2A patent/CN117836638A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| TW202318020A (zh) | 2023-05-01 |
| US20230057479A1 (en) | 2023-02-23 |
| WO2023023407A1 (en) | 2023-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108566323B (zh) | 一种T-Box自动化测试方法及系统 | |
| US7908531B2 (en) | Networked test system | |
| US20220390515A1 (en) | General digital signal processing waveform machine learning control application | |
| US8489381B1 (en) | Method and system for simulating test instruments and instrument functions | |
| JP2010505115A5 (zh) | ||
| US20210173011A1 (en) | Physics-Based Artificial Intelligence Integrated Simulation and Measurement Platform | |
| US20230050162A1 (en) | Machine learning for taps to accelerate tdecq and other measurements | |
| US11080452B2 (en) | Multi agent radio frequency propagation simulator | |
| US20230228803A1 (en) | Machine learning model training using de-noised data and model prediction with noise correction | |
| CN115133985A (zh) | 使用机器学习和参考参数的光学发射器调谐 | |
| CN117836638A (zh) | 具有机器学习波形生成的数字孪生，包括用于被测设备仿真的参数控制 | |
| CN110568339A (zh) | 一种基于物联网的仪表自动化测试系统及方法 | |
| US11940889B2 (en) | Combined TDECQ measurement and transmitter tuning using machine learning | |
| TW202247618A (zh) | 使用機器學習的光收發器調諧 | |
| JP6957762B2 (ja) | 異常診断システム、方法及びプログラム | |
| KR20210118795A (ko) | Opc ua 규격 적합성 검증 장치, 방법 및 이를 이용한 프로그램 | |
| US20240168471A1 (en) | Interoperability predictor using machine learning and repository of tx, channel, and rx models from multiple vendors | |
| CN117436541A (zh) | 机器学习系统中的运行时数据收集和监视 | |
| US20230222382A1 (en) | Systems and methods for machine learning model training and deployment | |
| US20240028002A1 (en) | Runtime data collection and monitoring in machine learning systems | |
| CN118069982A (zh) | 使用机器学习和来自多个供应商的Tx、信道和Rx模型的仓储的互操作性预测器 | |
| US8260943B2 (en) | Applying a transfer function to a signal for determining compliance to a specification | |
| JP2023183409A (ja) | 試験測定装置及び被試験デバイスの性能測定方法 | |
| Guney et al. | Automatic hybrid test stations for software-defined radios |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |