具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

请参阅图1，图1是本申请介质滤波器的自动调谐系统一实施方式的结构示意图。该自动调谐系统包括信号采集装置30、图像获取设备32、控制装置34和打磨装置36。

具体地，信息采集装置30用于采集当前介质滤波器的当前散射参数，具体地，散射参数也就是S参数，是微波传输中的一个重要参数，其描述了传输通道的频域特性，例如，信号的反射、串扰、损耗等。在本实施例中，上述信号采集装置30可以包括矢量网络分析仪，通过该矢量网络分析仪可以较为容易地采集获得当前散射参数。

图像获取设备32用于获得介质滤波器的图像数据，并将图像数据传输至控制装置34；在本实施例中，该图像获取设备32包括相机。

控制装置34与信号采集装置30和图像获取设备32耦接，用于接收信号采集装置30采集的当前散射参数，若当前散射参数不满足预设要求，则接收图像获取设备32传输的图像数据，并利用当前散射参数和训练后的学习模型获得打磨参数，以及根据打磨参数和图像数据得到打磨指令，其中，打磨参数包括当前介质滤波器上的打磨位置和打磨量，打磨指令包括打磨轨迹以及打磨量。一般而言，介质滤波器的一侧表面设置有多个盲孔，盲孔为预设打磨位置，打磨量为打磨深度。打磨轨迹可以为打磨机构从打磨点位的初始空间位置运动至介质滤波器上的打磨位置、并进一步在该打磨位置打磨一定深度所规划出来的打磨轨迹。

在本实施例中，上述控制装置34可以按照功能进行区分，包括相互耦接的数据处理器340和运动控制器342；其中，数据处理器340与信号采集装置30及图像获取设备32耦接，用于接收信号采集装置30采集的当前散射参数，若当前散射参数不满足预设要求(例如，该预设要求包括散射参数的范围)，则接收图像获取设备32传输的图像数据，并利用当前散射参数和训练后的学习模型获得打磨参数，以及根据打磨参数和图像数据得到各打磨点位的初始空间位置；例如，该初始空间位置可以为当前介质滤波器在本次打磨前，其上各个打磨点位在世界坐标系下的位置；在正式打磨前，打磨机构可以从其初始位置先运动至该打磨点位，然后从打磨点位开始进行打磨过程；运动控制器342用于根据各打磨点位的初始空间位置和当前介质滤波器上的打磨位置进行轨迹规划，得到打磨轨迹；例如，可以通过插补算法等进行轨迹规划。该设计方式可以使得控制装置34的功能更加明确，能够提高系统的处理效率。

此外，在本实施例中，控制装置34还用于在当前散射参数满足预设要求时，停止自动调谐系统。通过上述方式可以有效提高打磨效率，降低打磨成本。

另外，为了提高学习模型的精度，信号采集装置30还可以实时采集当前介质滤波器每次打磨后的散射参数，并将采集的散射参数传输至控制装置34；控制装置34还用于根据信号采集装置30传输的散射参数以及对应每次采集的散射参数的打磨量，训练学习模型。而具体训练学习模型的过程将在后续详细说明。

打磨装置36与控制装置34耦接，用于接收打磨指令，并根据打磨指令打磨当前介质滤波器。在本实施例中，打磨装置36包括定位机构和打磨机构。其中，定位机构与运动控制器342耦接，用于接收打磨轨迹，并根据打磨轨迹控制打磨机构运动；打磨机构与数据处理器340以及定位机构耦接，包括打磨头或激光器，用于跟随打磨轨迹运动，以及根据打磨量对当前介质滤波器进行打磨。较佳地，在打磨时打磨机构的打磨头、激光器等可以位于介质滤波器的打磨位置的正上方。该定位结构可以包括机器人以及与机器人连接的多个夹具；其中，夹具用于夹取打磨头或激光器，机器人用于根据打磨轨迹移动，且夹具在机器人的带动下发生移动。当然，在其他实施例中，定位机构也可用于接收打磨轨迹，并根据该打磨轨迹控制当前介质滤波器运动，此时打磨机构的位置可以不动。

请再次参阅图1，本申请所提供的自动调谐系统还可以包括存储器38，与控制装置34耦接，其内存储有至少一种学习模型中的相关参数，该参数可以是学习模型中各个节点对应的权重等；其中，一个介质滤波器类型对应一个学习模型。控制装置34通过直接调用存储器38内存储的相关参数，即可获得训练后的学习模型。

当然，存储器38还可以用于存储介质滤波器每次打磨前后的散射参数以及对应的打磨量；控制装置34还用于在介质滤波器打磨完成后，利用存储器内存储的数据更新学习模型。

通过上述系统，本申请可以利用训练后的学习模型得到对应介质滤波器的当前散射参数的当前打磨参数，后续打磨装置可以根据该当前打磨参数对应的打磨指令进行自动打磨。即本申请可以实现介质滤波器调谐过程的机械自动化，降低生产成本；与人工打磨相比，能24小时进行工作，提高产量，增大产能；且自动化系统加工出来的介质滤波器具有更好的一致性，方便介质滤波器的标准化控制。

下面从方法的角度对上述自行调谐系统的自动调谐方法进一步说明。请参阅图2，图2为本申请介质滤波器的自动调谐方法一实施方式的流程示意图，该自动调谐方法的执行主体可以为上述自动调谐系统中的控制装置，该自动调谐方法具体包括：

S101：获得当前介质滤波器的当前散射参数以及图像数据。

上述步骤S101的具体实现方式可以为：获得经矢量网络分析仪测量得到的当前介质滤波器的当前散射参数；获得图像获取设备采集获得的介质滤波器设置有多个盲孔一侧的图像；例如，图像获取设备从介质滤波器设置有多个盲孔一侧的正上方进行采集图像。后续可以对该多个盲孔进行打磨处理。

S102：判断当前散射参数是否满足预设要求。

具体地，上述步骤S102之前方法还可以包括：获得与当前介质滤波器的类型相对应的预设要求，也就是调谐要求，该预设要求可以包括散射参数的范围。需要说明的是，上述介质滤波器的类型包括尺寸维度上的区别，即同为三个耦合单元的两个介质滤波器，即使两者差异仅在于尺寸不同，则该两个介质滤波器也属于不同的类型，不同类型的介质滤波器对散射参数的要求不同。

S103：若满足预设要求，则对介质滤波器的自动调谐过程完成。

S104：若不满足预设要求，则利用当前散射参数和训练后的学习模型获得打磨参数，其中，打磨参数包括当前介质滤波器上的打磨位置和打磨量。

具体地，上述学习模型可以是CNN神经网络模型、RNN神经网络模型等，不同的介质滤波器类型可以对应不同的学习模型。当然，在其他实施例中，上述学习模型所采用的算法也可为传统的机器学习算法，例如，如XGBoost算法或是随机森林算法等，其也能进行较好的学习。本实施例中，打磨参数可以包括多个打磨位置和多个打磨量，且打磨位置与打磨量是一一对应的。

一般而言，介质滤波器包含多个耦合单元，例如，3个、5个等。上述步骤S104具体实现过程可以为：将从当前散射参数中提取的各个耦合单元的特征参数输入至训练后的学习模型中，以获得每个耦合单元对应的当前打磨参数。

在一个应用场景中，上述特征参数可以为失谐量，上述步骤S104具体包括：根据当前散射参数获得当前耦合矩阵，具体过程可参见现有技术，在此不再详述；将当前耦合矩阵和理论耦合矩阵进行对比，以获得每个耦合单元的失谐量；将各个耦合单元的失谐量输入至训练后的学习模型中，以获得每个耦合单元对应的当前打磨参数，即计算得到当前介质滤波器上的打磨位置和打磨量。一般而言，同一耦合单元的失谐量和打磨量并不是线性对应关系，不同的耦合单元之间还会互相影响，使失谐量和打磨量呈复杂的非线性关系；通过借助学习模型结构对非线性关系的良好拟合特性，可以提高所计算得到的打磨参数的精确性。

S105：根据打磨参数和图像数据获得打磨指令，其中，打磨指令包括打磨轨迹和打磨量。

具体地，请参阅图3，图3为图2中步骤S105对应的一实施方式的流程示意图，上述步骤S105具体包括：

S201：根据打磨参数和图像数据获得各打磨点位的初始空间位置。

具体地，在本实施例中，打磨点位可以为上一次打磨的介质滤波器上的各个打磨位置；例如，在上一次打磨时，对介质滤波器上的某个盲孔的底部某个区域进行打磨操作，该打磨点位即为上一次打磨的该盲孔底部的某个区域；或者根据图像数据经图像分析得到需打磨的位置即打磨点位。上述步骤S201的具体实现过程可以为：获得当前介质滤波器在本次打磨前各个打磨点位在图像上的图像坐标，利用图像坐标系和相机坐标系的变换关系将图像坐标转化至相机坐标系下的中间坐标；再利用相机坐标系和世界坐标系的变换关系将中间坐标转化至世界坐标系下的空间坐标，各打磨点位的在世界坐标系下的空间坐标即为各打磨点位的初始空间位置。

S202：根据各打磨点位的初始空间位置和当前介质滤波器上的打磨位置进行轨迹规划，以获得打磨轨迹。

具体地，上述打磨轨迹可以是介质滤波器的位置不变，打磨机构从打磨点位的初始空间位置运动至打磨位置处的轨迹；或者，上述打磨轨迹也可以是打磨机构位置不变，介质滤波器运动至预定位置处的轨迹。

S203：将打磨轨迹和打磨量形成打磨指令。

S106：将打磨指令下发，以使得打磨装置根据打磨指令打磨当前介质滤波器。

通过上述方法，本申请可以利用训练后的学习模型预测出对应介质滤波器的当前打磨参数，后续打磨装置可以根据该当前打磨参数对应的打磨指令进行自动打磨。即本申请可以实现介质滤波器调谐过程的机械自动化，降低生产成本；与人工打磨相比，能24小时进行工作，提高产量，增大产能；且自动化系统加工出来的介质滤波器具有更好的一致性，方便介质滤波器的标准化控制。

进一步地，在上述步骤S104之前，还包括：判断每个耦合单元的失谐量是否小于预设阈值，该阈值可以为接近于0的数值；若至少一个耦合单元的失谐量小于预设阈值，则停止对介质滤波器进行自动调谐；否则，进入步骤S104。一般而言，打磨过程中各个耦合单元的失谐量应该是逐渐降低的，若出现介质滤波器的当前散射参数不符合预设要求，但至少一个耦合单元的失谐量已经降低至阈值情况，则表明当前介质滤波器报废，无论怎么打磨都不会调谐成功，后续再对介质滤波器进行打磨的过程无意义。通过增加上述判断步骤，可以提高打磨效率，降低打磨成本。

此外，对于学习模型，上述步骤S101-步骤S106中第一次所利用的学习模型的获得过程可以为：获得人工成功打磨过程中介质滤波器的散射参数中的特征参数；将多组特征参数和对应的人工打磨参数形成初始训练集；利用初始训练集训练初始学习模型，进而获得训练后的学习模型。

进一步地，为了使学习模型更为精确，还可在介质滤波器的自动调谐过程完成之后对学习模型进行再次训练，具体过程请参阅图4，图4为图2中步骤S103之后自动调谐方法一实施方式的流程示意图。上述自动调谐方法还可以包括：

S301：根据介质滤波器每次打磨前后的散射参数以及每次采集的散射参数对应的打磨参数更新训练集。

在一个实施例中，请参阅图5，图5为图4中步骤S301对应的一实施方式的流程示意图，上述步骤S301具体包括：

S401：获得介质滤波器中每个耦合单元每次打磨前的失谐量、自动调谐过程完成后的失谐量、以及每次打磨的打磨量。

S402：将各个耦合单元在每次打磨前的失谐量与自动调谐过程完成后的失谐量之间差值、以及对应的每次打磨至自动调谐过程完成之间的所有打磨量的总和作为一组训练数据。

S403：利用多组训练数据更新训练集。

例如，假设待调试的介质滤波器包含3个耦合单元，打磨位置均为对应耦合单元上的盲孔，打磨成功后，每个耦合单元对应的失谐量为1；如下表1所示，表1为介质滤波器打磨过程中的相关数据表。

表1：介质滤波器打磨过程中的相关数据表

通过上述数据，可以获得以下两组训练数据，其中第一次打磨对应的训练数据的输入为：10-1、10-1、10-1，输出为2+3、2+3、2+3，即输入为9、9、9，输出为5、5、5；第二次打磨对应的训练数据的输入为5-1、5-1、5-1，输出为3、3、3，即输入为4、4、4，输出为3、3、3。

在又一个实施例中，请参阅图6，图6为图4中步骤S301对应的另一实施方式的流程示意图，上述步骤S301具体包括：

S501：获得介质滤波器中每个耦合单元每次打磨前的失谐量以及每次打磨的打磨量。

S502：将各个耦合单元在每次打磨前后的失谐量的差值、以及对应的每次打磨的打磨量作为一组训练数据。

S503：利用多组训练数据更新训练集。

例如，仍然以表1中数据为例，第一次打磨对应的训练数据的输入为：10-5、10-5、10-5，输出为2、2、2，即输入为5、5、5，输出为2、2、2；第二次打磨对应的训练数据的输入为5-1、5-1、5-1，输出为3、3、3，即输入为4、4、4，输出为3、3、3。

一般而言，打磨后耦合单元的失谐量会越来越小，但可能出现打磨装置故障等情形，导致打磨并未成功，打磨后的耦合单元的失谐量并未降低。此时若将该数据形成训练数据，则可能会影响学习模型的参数。因此，在上述步骤S502之前，还可以包括：判断每个耦合单元打磨后的失谐量是否小于打磨前的失谐量；若否，则将该组数据剔除。通过上述方式，可以进一步提高学习模型的精度。

S302：利用更新后的训练集训练学习模型。

请参阅图7，图7是本申请具有存储功能的装置一实施方式的框架示意图。该具有存储功能的装置20上存储有能够实现上述所有方法的程序指令200。其中，该程序指令200可以以软件产品的形式存储在上述存储装置中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。