摘要
压电纳米定位分辨率不能用DAC最小码、传感器显示末位或一段静止噪声直接代替。可复现的方法是先限定闭环状态、负载、采样率、测量带宽、滤波、环境和观察时间，测量静止段位移噪声；再注入一组可追溯且重复的微小位移阶跃，用独立位移测量链判断相邻平台是否能够按预先规定的判据稳定区分。
静止噪声的样本标准差和峰峰值描述观察窗口内的波动，最小可检测位移描述在给定判据下能够从噪声中识别的输入变化。二者相关但不相等。重复性、分辨率、准确度和线性度也必须分别报告，不能统一写成"纳米精度"。
本文Python代码只分析标记为baseline和step的离线CSV，输出两段均值、样本标准差、峰峰值、滞后1相关、均值变化与噪声比，并计算基线段的非重叠Allan偏差。内置数据由公式生成，不是任何压电定位产品的实测性能。
1. 压电纳米定位分辨率与哪些指标不同
| 指标 | 回答的问题 | 不能替代的指标 |
|---|---|---|
| 命令分辨率 | 控制器或DAC能够表示的最小命令增量 | 不能证明执行器产生了对应位移 |
| 传感器数字分辨率 | 输出数据的最小显示或量化单位 | 不能代表传感器噪声和系统可检测位移 |
| 静止噪声 | 固定命令下位移读数随时间的波动 | 不能单独等同于定位分辨率 |
| 最小可检测位移 | 在规定带宽、环境和判据下可区分的最小输入变化 | 不能代表全行程准确度或重复性 |
| 重复性 | 相同目标多次定位结果的离散程度 | 不能代表与真实位置之间的偏差 |
| 准确度 | 测得位置与可追溯参考位置之间的接近程度 | 不能由分辨率或显示位数推导 |
2. 为什么噪声必须绑定带宽和观察时间
位移测量链可能同时包含传感器噪声、驱动电压噪声、机械振动、声学扰动、温度漂移、电磁干扰、量化误差和控制环动作。改变低通滤波或平均时间，样本标准差通常会变化；延长观察时间，又可能捕获更大的漂移和低频扰动。
text
sample_std = sqrt(sum((x_i - mean_x)^2) / (n - 1))
peak_to_peak = max(x_i) - min(x_i)
change_to_noise_ratio = abs(mean_step - mean_baseline) / pooled_std峰峰值对观察时长和偶发毛刺非常敏感，样本标准差对相关性和非平稳趋势也敏感。因此至少同时报告采样率、有效带宽、原始样本数、观察时间、滤波和温度趋势。
2.1 为什么样本数多不一定等于独立信息多
如果相邻样本受滤波或机械动态影响而高度相关，1000个采样点并不等于1000次独立测量。本文代码报告滞后1相关系数作为数据相关性的提示，但不会据此自动给出置信区间或显著性结论。
2.2 Allan偏差能说明什么
Allan偏差把连续数据按不同平均时间分块，比较相邻块均值的变化，可用于观察白噪声随平均时间下降后是否被漂移或低频扰动接管。它适合寻找测试时间尺度，不是独立的空间分辨率认证。
3. 压电纳米定位分辨率测试架构
压电纳米定位分辨率测试架构。命令、实际驱动电压、内置反馈和独立参考应区分。
4. 从静止噪声到最小可检测位移
- 固定被测轴、负载、预紧、闭环状态、温度范围、隔振和电磁环境。
- 记录命令、实际驱动电压、内置反馈、独立位移参考与温度，不覆盖原始数据。
- 在固定命令下采集足够长的baseline段，检查饱和、毛刺、趋势和相邻样本相关。
- 按多个幅值注入正向和负向微小阶跃，每个幅值随机化顺序并重复多次。
- 每次阶跃前后使用相同稳定窗口，保留加载方向、等待时间和温度。
- 预先定义检测规则、误判容许范围和最小有效重复次数，不根据结果临时修改阈值。
- 用独立参考判断不同阶跃幅值是否可稳定区分，并单独报告失败和不确定结果。
静止噪声、微小阶跃和Allan偏差示意。曲线用于说明方法，不是产品实测。
5. 软件、硬件与测试条件
| 类别 | 必须记录的内容 |
|---|---|
| 被测系统 | 压电执行器、定位机构、负载、预紧、闭环状态、控制参数与安装 |
| 驱动链 | 驱动器、实际电压、限流、输出噪声、线缆、接地与滤波 |
| 位移参考 | 原理、量程、校准、噪声密度、带宽、安装位置和不确定度 |
| 采集 | 采样率、有效带宽、同步方式、ADC量程、抗混叠、记录时长和原始格式 |
| 环境 | 温度与变化率、隔振、声学、气流、电磁干扰和预热时间 |
| 判据 | 阶跃幅值序列、正负方向、重复次数、稳定窗口、检测规则和异常值规则 |
| 本文软件 | Windows 11 64位，Python 3.12，仅使用csv、json、math、statistics和pathlib标准库 |
6. Python噪声与微步进分析代码
输入CSV列名为timestamp_s、segment、command_v和displacement_um。segment只允许baseline与step。两个分段均至少需要32点，时间戳必须严格递增，采样间隔最大偏差不得超过中位间隔的2百分比。
bash
python piezo_resolution.py --self-test
python piezo_resolution.py resolution_data.csv
python
from __future__ import annotations
import argparse
import csv
import json
import math
import statistics
from pathlib import Path
REQUIRED_COLUMNS = {"timestamp_s", "segment", "command_v", "displacement_um"}
VALID_SEGMENTS = {"baseline", "step"}
def finite_float(value: str, field: str, line_number: int) -> float:
try:
number = float(value)
except ValueError as exc:
raise ValueError(f"invalid {field} at line {line_number}") from exc
if not math.isfinite(number):
raise ValueError(f"non-finite {field} at line {line_number}")
return number
def load_csv(path: Path) -> list[dict[str, float | str]]:
with path.open("r", encoding="utf-8-sig", newline="") as handle:
reader = csv.DictReader(handle)
missing = REQUIRED_COLUMNS - set(reader.fieldnames or [])
if missing:
raise ValueError(f"missing columns: {sorted(missing)}")
rows = []
for line_number, raw in enumerate(reader, start=2):
segment = raw["segment"].strip()
if segment not in VALID_SEGMENTS:
raise ValueError(f"invalid segment at line {line_number}")
row = {
"timestamp_s": finite_float(raw["timestamp_s"], "timestamp_s", line_number),
"segment": segment,
"command_v": finite_float(raw["command_v"], "command_v", line_number),
"displacement_um": finite_float(
raw["displacement_um"], "displacement_um", line_number
),
}
if rows and row["timestamp_s"] <= rows[-1]["timestamp_s"]:
raise ValueError("timestamps must be strictly increasing")
rows.append(row)
if len(rows) < 64:
raise ValueError("at least 64 rows are required")
return rows
def lag1_correlation(values: list[float]) -> float | None:
mean_value = statistics.fmean(values)
centered = [value - mean_value for value in values]
denominator = sum(value * value for value in centered)
if math.isclose(denominator, 0.0, abs_tol=1e-24):
return None
numerator = sum(a * b for a, b in zip(centered, centered[1:]))
return numerator / denominator
def segment_metrics(values: list[float]) -> dict[str, float | int | None]:
return {
"count": len(values),
"mean_um": statistics.fmean(values),
"sample_std_um": statistics.stdev(values),
"peak_to_peak_um": max(values) - min(values),
"lag1_correlation": lag1_correlation(values),
}
def allan_deviation(
values: list[float], sample_interval_s: float
) -> list[dict[str, float | int]]:
result = []
block_size = 1
while block_size <= len(values) // 4:
block_count = len(values) // block_size
block_means = [
statistics.fmean(values[index * block_size:(index + 1) * block_size])
for index in range(block_count)
]
squared_differences = [
(later - earlier) ** 2
for earlier, later in zip(block_means, block_means[1:])
]
deviation = math.sqrt(0.5 * statistics.fmean(squared_differences))
result.append({
"block_size": block_size,
"averaging_time_s": block_size * sample_interval_s,
"allan_deviation_um": deviation,
})
block_size *= 2
return result
def analyze(rows: list[dict[str, float | str]]) -> dict[str, object]:
times = [float(row["timestamp_s"]) for row in rows]
intervals = [later - earlier for earlier, later in zip(times, times[1:])]
median_interval = statistics.median(intervals)
if median_interval <= 0.0:
raise ValueError("sample interval must be positive")
maximum_relative_interval_error = max(
abs(value - median_interval) / median_interval for value in intervals
)
if maximum_relative_interval_error > 0.02:
raise ValueError("sample interval error exceeds 2 percent")
groups = {
name: [
float(row["displacement_um"])
for row in rows if row["segment"] == name
]
for name in VALID_SEGMENTS
}
if any(len(values) < 32 for values in groups.values()):
raise ValueError("each segment needs at least 32 rows")
baseline_metrics = segment_metrics(groups["baseline"])
step_metrics = segment_metrics(groups["step"])
mean_change = step_metrics["mean_um"] - baseline_metrics["mean_um"]
pooled_std = math.sqrt(
0.5 * (
baseline_metrics["sample_std_um"] ** 2
+ step_metrics["sample_std_um"] ** 2
)
)
change_to_noise_ratio = (
abs(mean_change) / pooled_std
if not math.isclose(pooled_std, 0.0, abs_tol=1e-24)
else None
)
descriptive_standard_error = math.sqrt(
baseline_metrics["sample_std_um"] ** 2 / baseline_metrics["count"]
+ step_metrics["sample_std_um"] ** 2 / step_metrics["count"]
)
mean_separation_ratio = (
abs(mean_change) / descriptive_standard_error
if not math.isclose(descriptive_standard_error, 0.0, abs_tol=1e-24)
else None
)
return {
"row_count": len(rows),
"sample_rate_hz": 1.0 / median_interval,
"maximum_relative_interval_error": maximum_relative_interval_error,
"baseline": baseline_metrics,
"step": step_metrics,
"mean_change_um": mean_change,
"pooled_sample_std_um": pooled_std,
"change_to_noise_ratio": change_to_noise_ratio,
"descriptive_mean_separation_ratio": mean_separation_ratio,
"baseline_allan_deviation": allan_deviation(
groups["baseline"], median_interval
),
}
def self_test() -> None:
sample_rate_hz = 1000.0
rows = []
for index in range(2000):
timestamp_s = index / sample_rate_hz
noise = (
0.02 * math.sin(2.0 * math.pi * 37.0 * timestamp_s)
+ 0.01 * math.sin(2.0 * math.pi * 83.0 * timestamp_s)
)
segment = "baseline" if index < 1000 else "step"
rows.append({
"timestamp_s": timestamp_s,
"segment": segment,
"command_v": 0.0 if segment == "baseline" else 1.0,
"displacement_um": noise if segment == "baseline" else 0.1 + noise,
})
result = analyze(rows)
assert result["row_count"] == 2000
assert math.isclose(result["sample_rate_hz"], 1000.0, abs_tol=1e-8)
assert math.isclose(result["mean_change_um"], 0.1, abs_tol=1e-12)
assert 0.015 < result["pooled_sample_std_um"] < 0.016
assert 6.2 < result["change_to_noise_ratio"] < 6.5
assert len(result["baseline_allan_deviation"]) == 8
print("SELF_TEST_OK")
print(json.dumps(result, ensure_ascii=False, indent=2, allow_nan=False))
def main() -> None:
parser = argparse.ArgumentParser(
description="Analyze teaching piezo resolution segments."
)
parser.add_argument("csv_file", nargs="?", type=Path)
parser.add_argument("--self-test", action="store_true")
args = parser.parse_args()
if args.self_test:
self_test()
return
if args.csv_file is None:
parser.error("csv_file is required unless --self-test is used")
print(json.dumps(analyze(load_csv(args.csv_file)), ensure_ascii=False, indent=2))
if __name__ == "__main__":
main()6.1 CSV输入示例
csv
timestamp_s,segment,command_v,displacement_um
0.000,baseline,0.0,0.003
0.001,baseline,0.0,-0.002
1.000,step,1.0,0.101
1.001,step,1.0,0.098以上四行仅展示格式，样本数不足，不能用于统计。真实数据应包含完整连续时间戳，并保留未经人工挑选和平滑的原始记录。
7. 可验证的教学结果
自检构造2000个点，采样率1000 Hz。前1000点为baseline，后1000点为step；噪声由37 Hz和83 Hz两个确定性正弦项相加，step段再叠加0.1 um的教学位移。所有数字只用于代码验证。
| 验证项 | 预设或理论结果 | 本稿运行判据 | 数据状态 |
|---|---|---|---|
| 样本数 | 2000 | 等于2000 | 公式生成 |
| 采样率 | 1000 Hz | 误差小于1e-8 Hz | 由时间戳计算 |
| 两段均值差 | 0.1 um | 误差小于1e-12 um | 教学阶跃 |
| 合并样本标准差 | 约0.0158 um | 位于0.015到0.016 um | 公式噪声 |
| 变化与噪声比 | 约6.32 | 位于6.2到6.5 | 描述性比值 |
| Allan偏差点数 | 8个平均时间 | 等于8 | 基线段计算 |
变化与噪声比不是通过或失败的通用阈值，均值分离比也不是自动有效的显著性检验，因为样本可能相关且噪声未必服从独立正态分布。正式判据需要依据风险、误判代价、重复设计和不确定度预先制定。
8. 结果异常时怎样排查
| 数据现象 | 可能来源 | 下一步验证 |
|---|---|---|
| 滞后1相关接近1 | 强低通滤波、缓慢漂移或采样率远高于有效带宽 | 检查原始接口、滤波与趋势，不能把点数当独立样本数 |
| 峰峰值远大于标准差 | 偶发毛刺、碰撞、通信异常或环境冲击 | 保留事件前后数据并同步检查电压、振动和时间戳 |
| Allan偏差先降后升 | 短时平均降低噪声后，温漂或低频扰动占主导 | 同步温度并延长测试，比较不同隔振和预热条件 |
| 内置反馈能看见阶跃，独立参考看不见 | 内部量化、参考带宽不足或阶跃未形成真实位移 | 核对实际驱动电压、参考噪声和安装位置 |
| 正负微步进不对称 | 迟滞、摩擦、预紧、回程间隙或控制偏置 | 随机化方向并增加重复次数 |
| 降低带宽后结果明显变好 | 滤波压低了可见噪声 | 把带宽和滤波作为结果的一部分，不能只发布较好数字 |
9. 常见问题
9.1 DAC有20位就等于系统有纳米分辨率吗
不等于。DAC位数只限定数字命令间隔，真实位移还受电压噪声、非线性、驱动器、执行器、机械结构、传感器和控制环影响。
9.2 传感器显示到0.001 um能证明分辨率吗
不能。显示位数可能小于实际噪声。需要给出传感器带宽、噪声、校准与重复微步进结果。
9.3 静止噪声标准差乘3就是最小可检测位移吗
不能作为通用结论。这个经验阈值依赖噪声分布、样本相关、误判风险和检测方法，仍需用已知微小阶跃重复验证。
9.4 峰峰值和RMS噪声哪个更适合报告
建议同时报告样本标准差或RMS类指标与峰峰值，并附观察时间和带宽。峰峰值容易受记录长度和毛刺影响。
9.5 平均次数越多，分辨率一定越高吗
不一定。白噪声可能随平均下降，但温漂、蠕变和低频振动会在更长时间尺度占主导。可用Allan偏差寻找合适平均时间。
9.6 分辨率和重复性有什么区别
分辨率关注可区分的最小变化，重复性关注相同目标多次定位的离散程度。系统可能显示很细，但重复定位仍较分散。
9.7 闭环系统只看内置传感器够吗
不够。内置传感器参与控制，可能与控制器共享标定和滤波。评价真实输出位移时应使用合适的独立参考测量链。
9.8 一次成功的微步进能证明最小可检测位移吗
不能。需要多个幅值、正负方向、随机顺序和足够重复，并按照预先规定的检测与误判规则统计。
10. 结论
压电纳米定位分辨率测试的核心，是把命令分辨率、传感器显示位数、静止噪声、最小可检测位移、重复性和准确度分开。静止噪声必须绑定采样率、有效带宽、观察时间、环境和滤波；最小可检测位移必须通过可追溯、重复且预设判据的微小阶跃测试验证。
本文Python代码能够复现两个稳定段的描述性统计与Allan偏差计算，但单次两段比较不能形成产品分辨率规格。正式结论还需多幅值重复测试、独立参考测量、不确定度和完整安全边界。
参考资料
- IEEE，ANSI/IEEE Std 176-1987，IEEE Standard on Piezoelectricity，1988。https://doi.org/10.1109/IEEESTD.1988.79638
- ISO，ISO 230-2:2014，Test code for machine tools - Part 2: Determination of accuracy and repeatability of positioning of numerically controlled axes。https://www.iso.org/search.html?q=ISO 230-2%3A2014
- Barry N. Taylor、Chris E. Kuyatt，NIST Technical Note 1297，Guidelines for Evaluating and Expressing the Uncertainty of NIST Measurement Results，1994。https://doi.org/10.6028/NIST.TN.1297
- William J. Riley，NIST Special Publication 1065，Handbook of Frequency Stability Analysis，2008。https://doi.org/10.6028/NIST.SP.1065
- Python Software Foundation，statistics - Mathematical statistics functions，Python 3.12文档。https://docs.python.org/3.12/library/statistics.html
正式测试还应引用具体执行器、驱动器、位移传感器、采集设备和隔振系统的当前规格书、校准文件与安全文件。外部链接发布前需在当前网络环境复核。