2. 测试数据采集链路搭建

在通信测试中，测量结果的可信度不仅取决于仪表本身的精度，更取决于从被测设备（DUT）到最终数据文件之间这条“采集链路”是否完整、稳定、可追溯。一条典型的自动化采集链路可以拆成五个环节：DUT 与射频端口、物理连接介质、仪表控制接口、上位机采集脚本、以及数据落盘与存储。任何一个环节配置不当，都会表现为数据缺失、读数跳变、超时中断或结果无法复现。

先看物理层。DUT 的射频输出通常经同轴电缆、衰减器或功分器接入仪表的 RF In 端口。这里有两个容易被忽视的细节：一是线损与衰减器量值必须记录在案，否则后续功率换算会引入固定偏差；二是仪表输入端的最大安全电平，例如频谱仪 RF In 常见最大 +30 dBm，若 DUT 输出接近该值，必须外接衰减器，否则可能损坏前端混频器。链路搭建的第一步不是写脚本，而是确认“信号从哪来、经过什么、进到哪个端口、端口能承受多大功率”。

控制层是本节的核心。仪表与上位机之间常见的三种物理接口是 LAN、GPIB 和 USB，它们最终都通过 VISA（Virtual Instrument Software Architecture）统一抽象成资源地址，供脚本调用。VISA 的价值在于：无论底层是哪种总线，上位机代码里看到的都是形如 TCPIP0::192.168.1.50::inst0::INSTR、GPIB0::20::INSTR 或 USB0::0x0B3B::0x1234::SN123456::INSTR 的资源字符串。更换接口时，主要改的是资源地址，而不是整套测量逻辑。

三种接口各有取舍。LAN 适合现代仪表，带宽高、可远程、支持多台上位机，但需要正确设置 IP、子网掩码，并确认仪表是否启用 VXI-11 或 HiSLIP；GPIB 稳定、延迟确定，适合老仪表和强实时场景，但需要 GPIB 卡与地址规划，线缆长度和挂载数量有限；USB 即插即用、成本低，适合单台桌面仪表，但资源地址中的序列号会随设备变化，脚本里最好用 *IDN? 做二次确认。实际工程中，LAN 是首选，GPIB 用于兼容旧设备，USB 用于便携场景。

SCPI（Standard Commands for Programmable Instruments）是仪表侧的“语言”。它采用树状命令结构，例如 :SENS:FREQ:CENT 表示设置中心频率，:READ? 表示触发一次测量并返回结果。写脚本时，建议先发 *IDN? 确认仪表型号与固件版本，再发 *RST 复位到已知状态，然后按“配置—触发—读取”的顺序组织命令。一个常见的坑是：把设置命令和查询命令混在一起，导致仪表还没完成配置就返回旧数据。稳妥做法是设置后用 *OPC? 或 *WAI 等待操作完成，再发查询。

下面是一段可直接参考的 Python + PyVISA 采集骨架，用于 LAN 连接的频谱仪读取信道功率：

import pyvisa, time, csv
from datetime import datetime

rm = pyvisa.ResourceManager()
inst = rm.open_resource("TCPIP0::192.168.1.50::inst0::INSTR")
inst.timeout = 5000          # 5 s 超时
inst.write_termination = "\n"
inst.read_termination = "\n"

print(inst.query("*IDN?"))   # 确认仪表身份
inst.write("*RST")
inst.write(":FREQ:CENT 1.0GHz")
inst.write(":FREQ:SPAN 20MHz")
inst.write(":MEAS:CHP?")     # 配置信道功率测量
inst.query("*OPC?")          # 等待配置完成

rows = []
for i in range(10):
    val = float(inst.query(":READ?"))
    rows.append([datetime.now().isoformat(), i, val])
    time.sleep(0.5)

with open("chp_log.csv", "w", newline="") as f:
    w = csv.writer(f)
    w.writerow(["timestamp", "index", "channel_power_dBm"])
    w.writerows(rows)

inst.close()

这段代码体现了采集链路的几个关键工程习惯：显式设置超时，避免脚本无限等待；用 *IDN? 和 *OPC? 做状态确认；每条记录带时间戳；数据以 CSV 落盘，便于后续用 pandas 或 Excel 分析。若仪表返回的是科学计数法字符串，需先 float() 转换再入库；若返回 +1.234567E+01 这类格式，Python 的 float() 可直接解析。

存储环节常被低估。建议每条记录至少包含：时间戳、仪表资源地址、关键配置参数（中心频率、带宽、参考电平）、测量值、单位。这样当结果异常时，可以回溯“当时仪表是怎么设的”。如果采集频率高，CSV 会迅速膨胀，可改用 HDF5 或 SQLite；若需要多台仪表同步，可在脚本里统一用上位机时间戳，而不是各仪表本地时间。

最后给出一个可执行的链路检查清单，便于现场快速核对：DUT 输出功率与频率已确认；衰减器/线损已记录；仪表 RF In 未超安全电平；LAN 的 IP 与端口可连通，或 GPIB 地址无冲突；VISA 资源字符串可被 open_resource 打开；*IDN? 返回正确型号；*RST 后配置命令逐条生效；采集循环有超时与重试；每条数据带时间戳与配置快照；文件写入后能正常打开且行数与循环次数一致。把这条链路走通，后续的测量分析才有可靠的数据基础。