磁场数据导入与模拟：从散点到可用的磁源定位

上周帮朋友排查一台伺服电机异响问题，振动、温度、电流都测了一遍，数据曲线看起来很“正常”。最后是拿一台带三轴磁力计的小设备，贴着电机外壳扫了一圈，把导出的磁场数据做完背景扣除，再用偶极子等效模型做了次快速模拟，才发现安装脚附近有一个集中的异常磁源。问题方向一下子就明确了。整个过程听起来不高大上，但正好踩中了“磁场数据导入与模拟”这条链路里最容易被忽略的几个环节。如果你手里有磁力计或扫描设备，导出过一堆散乱坐标和磁场值，却总觉得不知道怎么把它们变成有用的判断依据，这篇文章就是写给你看的。

我理解这里的“导入”不是点一下打开文件那么简单，而是从原始数据到可分析数据的一整套处理；这里的“模拟”，也不一定非要上有限元，很多时候一个足够合适的等效模型反而更快、更可控。下面我会按实际干活时的思考顺序，把这条链路的每一步拆开讲清楚。

1. 先搞清楚：你要“模拟”的是哪一类磁场

我第一次接触这类需求时，拿到一个标题叫“磁场数据导入与模拟”的任务，第一反应也是“直接导入然后画个场图不就行了”。后来发现，同样说“模拟”，不同人想要的其实是完全不同的东西。

我把常见的需求大概分成三类：

大多数人手里其实只有第一类数据：一个传感器沿着某个路径移动，在每个位置记下了 (B_x, B_y, B_z)，可能还带了时间戳。这类数据天然适合做两类模拟：一是把采样点之间的场插值出来，得到一个整体的空间分布；二是把这些离散测量当作“观测值”，反向拟合出一个等效磁源，再用这个模型去预测周围空间任意一点的磁场。

这两种模拟路径的差别很关键。可视化插值解决的是“哪儿场强高、哪儿梯度大”，适合做肉眼筛查；而等效源模拟解决的是“这个场大概从哪来、离开源多远会衰减到什么程度”，适合做量化判断。

还有一个更实际的问题：很多人拿到的数据文件里，磁感应强度和位置坐标是分开存的，或者是不同设备各自记录的。导入阶段如果不管这两者的对应关系，后面做什么模拟都等于把地基打歪。所以我在下面的内容里会把位置、时间、姿态这三样东西和数据本身放在同等重要的位置，这也是我认为“磁场数据导入与模拟”组合在一起才有意义的原因。

2. 数据导入的第一步就不简单：单位、时间、坐标和安装角

不要急着写代码，先花十分钟搞清楚你的数据文件里每一列到底是什么。这是我从踩坑里学到的第一条经验。

2.1 单位不统一，结果直接差三个数量级

磁场传感器输出的单位五花八门：有的给微特斯拉（μT），有的给纳特斯拉（nT），有的给高斯（G），甚至有的固件会把原始ADC值直接存下来，需要你自己查数据手册转换。

有个特别经典的坑：某次我拿到一份扫描数据，数值普遍在几百左右，当时没细看单位就做了模拟，结果场强比正常情况小了整整1000倍。后来才发现文件原始单位是nT，而我模型里默认是μT。1 μT等于1000 nT，这个换算关系很多人都知道，但实际处理时就是容易漏。

我的建议是导入后第一步就统一成μT，同时把转换过程写进代码里，不要手动改文件：

python复制import pandas as pd
import numpy as np

raw = pd.read_csv("scan_data.csv")

# 假设列名是 mag_x, mag_y, mag_z，单位是原始单位
mag_cols = ["mag_x", "mag_y", "mag_z"]

# 粗略判断单位：正常室内地磁背景约 25~65 μT，
# 如果数据普遍大于 1000，大概率是 nT，除以 1000 转成 μT
median_mag = np.nanmedian(np.abs(raw[mag_cols].values))
if median_mag > 1000:
    raw[mag_cols] = raw[mag_cols] / 1000.0

这个基于量级的判断方法不严谨，但对“防止单位不对”非常有效。更保险的做法是去看采集软件导出设置里的单位说明，或者用一颗已知强度的小磁铁做一次量级校验。量级校验是值得做的，因为单位标错这种错误，往往在最终模拟结果里才会暴露，到时候排查成本高得多。

2.2 时间戳对齐：磁场和位置必须指同一个点

手持扫描或自动化导轨扫描时，磁场值和位置值往往是两套独立系统在记录。磁力计按自己的频率采样，运动机构按自己的节拍上报坐标。如果你直接把两组数据按“行号”强行拼在一起，在运动速度不均匀的情况下，位置错位几乎不可避免。

我当时做的一个项目里，扫描速度大约20 mm/s，采样率100 Hz，理想情况下相邻两个点间隔0.2 mm。但实际因为通信延迟，位置时间戳和磁场时间戳偶尔会差几十毫秒，对应空间误差就能到1 mm左右。而近表面磁场梯度往往非常陡，1 mm的错位足以让模拟结果出现明显的假峰。

处理办法是先把两组数据都转成统一的时间基准，然后用插值把磁场值重采样到位置时间戳上。简单做法如下：

python复制# 假设磁场数据有 t_mag 和 mag_x/y/z
# 位置数据有 t_pos 和 pos_x/y/z
mag_interp = np.interp(t_pos, t_mag, mag_x)

如果扫描速度很慢且匀速，也许不插值也能凑合。但只要运动轨迹里存在起步、减速、转弯，插值这一步就尽量不要省。

2.3 传感器安装角度不记录，后面全是糊涂账

三轴磁力计测到的是传感器自身坐标系下的分量。传感器平放、侧放、斜放，读到的 (B_x, B_y, B_z) 分配方式完全不同。如果扫描过程中传感器姿态固定还好，可以通过一次旋转把数据转到设备世界坐标系；如果姿态变化，那就需要更复杂的处理，或者干脆从采集方案上避免。

大多数扫描场景里，传感器被固定在一个刚性支架上，姿态不变。这时只需要在导入阶段做一次坐标旋转。旋转矩阵由传感器的安装欧拉角决定，比如按Z-Y-X顺序旋转：

python复制def rotate_local_to_world(bx, by, bz, roll, pitch, yaw):
    cr, sr = np.cos(roll), np.sin(roll)
    cp, sp = np.cos(pitch), np.sin(pitch)
    cy, sy = np.cos(yaw), np.sin(yaw)

    Rx = np.array([[1, 0, 0],
                   [0, cr, -sr],
                   [0, sr, cr]])
    Ry = np.array([[cp, 0, sp],
                   [0, 1, 0],
                   [-sp, 0, cp]])
    Rz = np.array([[cy, -sy, 0],
                   [sy, cy, 0],
                   [0, 0, 1]])
    R = Rz @ Ry @ Rx
    local = np.array([bx, by, bz])
    return R @ local

这里最需要注意的是角度定义顺序，不同旋转顺序得到的矩阵完全不同。我在项目里习惯先记录传感器的安装朝向，再在空旷无铁磁环境里转几个方向做一次交叉验证。如果旋转后地磁向量的水平分量和地理方向对得上，说明矩阵没写反。

安装角度的记录最好写进采集备注，再跟着数据文件一起存档。很多模拟项目做不下去，不是算法不够好，而是原始数据里少了安装角度这一个元数据项，后面想转坐标都做不到。

2.4 用元数据清单避免“无从下手”

我自己的习惯是，每次采集完数据先写一个简短的元数据文件，里面至少包含：

• 设备型号、传感器量程、采样率
• 原始数据单位
• 传感器安装欧拉角或姿态描述
• 扫描路径说明和坐标系定义
• 采集现场是否有大型铁磁性物体或强磁场源

这看起来像是在增加工作量，但能帮你避免很多返工。尤其是当数据要隔几个星期再处理时，单凭一个光秃秃的CSV文件，你可能连X轴朝哪都回忆不起来。

3. 导入后的清洗流程，决定模拟结果可信度

数据导入成功不代表能直接拿来模拟。真实采集的数据里一定有噪声、尖峰、饱和点，还有背景场干扰。我在这个环节吃过不少亏，所以现在把清洗当成一个必须单独留时间的阶段。

3.1 先看轮廓，再做处理

不管后续要用什么模型，我建议先画一个最简单的磁场模值图，看看整体长什么样。通常你会看到：

• 一条扫描线上，大部分区域磁场平稳，只有少数位置突然跳变
• 某些通道数值长时间贴在天花板或者地板上，说明传感器饱和了
• 起点和终点的背景磁场不一致，说明有地磁日变化或附近设备干扰

先把这些现象找出来，再去对应物理原因，清洗才不是瞎处理。我见过有人上来就做平滑滤波，结果把一个真实缺陷信号给抹平了。清洗的目标是去掉“明显不可能是真实磁场”的样本，而不是把所有波动都磨平。

3.2 剔除尖峰和饱和样本

尖峰一般来自电源干扰、通信误码或传感器瞬间受到机械冲击；饱和来自磁场超出传感器量程。两类数据都不可信，处理方式也直接——删掉。

python复制# 用前后差分识别突变尖峰
diff_mag = np.abs(np.diff(raw[mag_cols].values, axis=0)).max(axis=1)

# 如果单步变化超过一个阈值，比如 50 μT，就有理由怀疑是尖峰
# 具体阈值要根据你的传感器量程和扫描速度来定
spike_mask = np.concatenate([[False], diff_mag > 50.0])

阈值怎么定？你可以先看整段数据差分值的分布，再取一个极少出现的上限。比如差分值99.9%分位数是20 μT，那50 μT基本就是异常突变。不要拍脑袋定一个不切实际的阈值，否则要么漏掉尖峰，要么误删真实强梯度区域的点。

传感器饱和更直观：如果输出长期等于量程边界值，那已经不是真实磁场了，删除即可。有一点要提醒，如果一个区域饱和点特别密集，说明这个区域的磁场已经超出该传感器的测量能力，光删除数据是不够的。你需要缩小量程、增大测量距离，或者换更高量程的传感器，否则那片区域永远没法得到正确分布。

3.3 背景场扣除：把地球磁场和周边干扰先请出去

实际测量中，传感器读到的磁场是多种来源叠加的结果：待测对象自身的剩磁或感应磁场、地球磁场、周边铁磁环境造成的畸变，甚至附近电缆产生的工频磁场。做模拟时，我们通常只关心“被测对象本身产生的异常磁场”，所以必须把背景场扣掉。

扣背景有一个前提假设：测量过程中背景场基本不变，或者变化量远小于待测信号。最简单的方式是在扫描路径的起始位置，离开被测对象足够远（比如几十厘米，根据对象大小调整）的地方采集一段数据，取均值作为背景场：

python复制# 假设 x 方向前 10 mm 内没有被测对象，只有背景
bg_region = raw[raw["pos_x_mm"] < 10]
bg = np.mean(bg_region[mag_cols].values, axis=0)

for i, col in enumerate(mag_cols):
    raw[col + "_clean"] = raw[col] - bg[i]

这个做法的物理含义很直观：远离开被测对象时，传感器看到的主要是环境场；贴近对象后，额外的那部分就是对象带来的“异常场”。

实际操作时背景场未必恒定，尤其是电梯、叉车、大功率设备运转会导致环境磁场波动。所以如果测量时间较长，最好隔一段就回到背景位置补采一次。这样事后处理可以选择分段扣除，而不是用一个固定的均值扣到底。

3.4 轨迹去重和空间网格化

很多手持扫描数据里，同一个位置会重复扫到好几次。它们不会完全重合，磁场值也会有微小差异。如果直接拿这些重复点去做插值或模拟，会导致局部区域权重过大，甚至产生明显的人为梯度。

我处理时会把位置坐标量化到一个很小的间距上，比如0.5 mm或1 mm，然后对落入同一个格子的多个点取中位数。这样既保留了空间分辨能力，又消除了重复采样的统计波动。

之后如果为了可视化，需要把数据插值到更细的网格上，建议使用简单的线性插值或最近邻插值，不要对高密度数据做高阶多项式插值，容易在点间产生振荡。高阶插值画的图很好看，但那些弯弯曲曲的等值线很可能不是真实场，而是插值算法脑补出来的。

4. 等效模拟：磁偶极子模型怎么落地

清洗完数据，剩下的一个问题才是核心：“我要怎么用这些点上的磁场值得到整个空间的磁场分布？”答案是建立一个足够简单的物理模型，用数据拟合模型参数。

4.1 为什么我用偶极子模型而不是一上来就上有限元

很多工程师一听说“磁场模拟”，第一反应就是ANSYS Maxwell、COMSOL这类软件。它们确实能算得很细，但代价也很大：需要三维几何模型、材料B-H曲线、网格剖分和求解设置，模型稍微画得不准，结果反而不可信。

在设备漏磁检测、磁源定位、传感器布局评估这些场景里，我通常优先用磁偶极子模型。它不是万能的，但有几个明显优点：

• 参数少，物理意义清楚
• 计算量小，普通笔记本就能跑
• 对“磁场从哪里来、衰减趋势怎么样”这类问题，精度往往够用
• 可以和实测数据做拟合，而不是纯靠软件推算参数

打个比方：有限元像给整个人拍CT，能看见内部所有细节，但设备贵、流程长；偶极子模型像用听诊器判断大概哪个位置有问题，快速直接。实际工程里，先用听诊器定位，再决定要不要拍CT，更符合常理。

4.2 磁偶极子场的公式和代码

物理上，一个尺寸远小于观测距离的磁性体，在外部空间产生的磁场可以近似等效为一个磁偶极子。其磁场表达式为：

[
\mathbf{B}(\mathbf{r}) = \frac{\mu_0}{4\pi r^3} \left[ 3(\mathbf{m} \cdot \hat{\mathbf{r}})\hat{\mathbf{r}} - \mathbf{m} \right]
]

其中：

• (\mathbf{m}) 是磁偶极矩向量，单位 A·m²，方向和大小代表等效磁源
• (\mathbf{r}) 是从偶极子指向观测点的向量
• (\hat{\mathbf{r}}) 是单位方向向量
• (r) 是距离
• (\mu_0 = 4\pi \times 10^{-7}) H/m

我用一个简单函数实现它：

python复制MU0 = 4 * np.pi * 1e-7

def dipole_field_at_point(source_pos, moment, target_pos):
    """
    计算单个偶极子在某一点产生的磁场。
    source_pos: ndarray, 偶极子位置 [x, y, z]，单位 m
    moment: ndarray, 磁矩向量 [mx, my, mz]，单位 A·m^2
    target_pos: ndarray, 观测点位置 [x, y, z]，单位 m
    返回: ndarray, 磁感应强度，单位 T
    """
    r_vec = target_pos - source_pos
    r_norm = np.linalg.norm(r_vec)

    # 防止观测点与源重合时分母爆炸
    if r_norm < 1e-12:
        return np.zeros(3)

    r_hat = r_vec / r_norm
    m_dot_r = np.dot(moment, r_hat)
    B = MU0 / (4.0 * np.pi * r_norm**3) * (3.0 * m_dot_r * r_hat - moment)
    return B

函数返回的单位是特斯拉，如果你的实测数据是μT，需要乘以 (10^6)。我这里不把单位换算写死在函数里，而是在调用处统一处理，这样更容易跟踪转换过程。

4.3 反向思路：用实测数据推磁源位置

“模拟”除了正着算，也可以反着用。导入的磁场数据本身就是一堆观测结果，我可以假设某个位置存在一个未知偶极子，然后找出最能让这个偶极子解释实测数据的那个位置。

这里有一个可以利用的数学性质：对于给定的偶极子位置，磁场三分量与磁矩的两个分量之间是线性关系（准确说是磁场矢量对磁矩向量是线性的）。所以，对每一个候选位置，我可以先通过最小二乘解出最优磁矩，然后看这个位置的预测场和实测场差异有多大。差异最小的候选位置，就是最可能的等效磁源位置。

我是这样实现的：

python复制def fit_moments_at_candidate(source_pos, obs_positions, obs_field_uT):
    """
    在候选位置 source_pos 处，解一个线性最小二乘问题，
    找到最优磁矩，并返回预测残差。
    obs_positions: (N, 3) 单位 m
    obs_field_uT: (N, 3) 单位 μT
    """
    A_list = []
    for pos in obs_positions:
        r_vec = pos - source_pos
        dist = np.linalg.norm(r_vec)
        if dist < 1e-6:
            return None, 1e9
        r_hat = r_vec / dist
        # 磁场对磁矩的线性变换矩阵，B = G @ m
        G = MU0 / (4.0 * np.pi * dist**3) * (3.0 * np.outer(r_hat, r_hat) - np.eye(3))
        # 因为观测值是 μT，所以把 T 转换成 μT
        G *= 1e6
        A_list.append(G)

    A = np.concatenate(A_list, axis=0)  # (3N, 3)
    b = obs_field_uT.reshape(-1)        # (3N, )
    moment, _, _, _ = np.linalg.lstsq(A, b, rcond=None)
    pred = A @ moment
    rms = np.sqrt(np.mean((pred - b) ** 2))
    return moment, rms

把需要搜索的区域划分成网格，挨个调用这个函数，最后看RMS残差最小的点在哪，磁源位置就大致确定了。这个方法听上去很“暴力”，但实际执行效率很高，几十万个候选点也能在几秒到几十秒内算完，很适合作为第一步定位手段。

4.4 多源叠加：真实对象往往不止一个偶极子

真实设备不可能只用一个偶极子完整描述。一块电机外壳上可能有几个剩磁点，一个转子也可能包含多段磁极。这时可以把磁场看作多个偶极子的线性叠加。

实现上不复杂，只需要在预测函数里把所有偶极子的贡献加起来。麻烦的是反演参数会成倍增加。比如两个偶极子，每个带6个参数，就是12个未知数，用普通最小二乘很难求解，需要一个非线性优化器。

所以我的习惯是先用单偶极子扫描定位找到几个“疑似源”，再固定这些位置，只优化各自磁矩，或者允许位置在初始值附近小范围浮动。这样可以大幅降低求解难度，也减少陷入局部最优的几率。毕竟真实磁场测量误差不小，硬塞很多自由参数反而会过拟合。

5. 一个完整案例：轴承座表面的漏磁扫描

理论说多了容易空，我拿自己做过的一个漏磁检测场景做个完整演示。场景是一台设备的关键轴承座怀疑存在剩磁或者局部磁异常，用单轴扫描很难判断来源，所以用三轴磁力计贴着一个平面做光栅式扫描。

5.1 采集方案和文件格式

扫描平面大约 80 mm × 50 mm，传感器距离表面约3 mm，每隔1 mm记录一个点。按Z字形路径扫完，文件里每一行代表一个采样点：

text复制t_ms,mag_x_uT,mag_y_uT,mag_z_uT,pos_x_mm,pos_y_mm,pos_z_mm
0,38.2,-11.5,45.7,0.0,0.0,3.0
12,38.4,-12.0,45.1,1.0,0.0,3.0
23,38.7,-12.6,46.2,2.0,0.0,3.0
...

其中 (x) 方向是扫描主方向，(y) 是行间偏移方向，(z) 固定为3 mm。文件开头有一段扫描路径在“空白区”，距离被测轴承座超过30 mm，可以作为背景区。

5.2 预处理代码：导入、清洗、扣背景

下面是把整个流程串起来的代码框架：

python复制import pandas as pd
import numpy as np

df = pd.read_csv("bearing_seat_scan.csv")

mag_cols = ["mag_x_uT", "mag_y_uT", "mag_z_uT"]
pos_cols = ["pos_x_mm", "pos_y_mm", "pos_z_mm"]

# 1. 统一单位：位置转为米，磁场保持 μT
for c in pos_cols:
    df[c] = df[c] / 1000.0

# 2. 背景扣除：取 x < 0.03 m 的区域平均作为背景
bg = df.loc[df["pos_x_mm"] < 30, mag_cols].mean().values
for i, col in enumerate(mag_cols):
    df[col + "_clean"] = df[col] - bg[i]

# 3. 按位置网格取中位数，去掉重复采样影响
df["grid_x"] = np.round(df["pos_x_mm"])
df["grid_y"] = np.round(df["pos_y_mm"])
cleaned = df.groupby(["grid_x", "grid_y"]).agg(
    pos_x_m=("pos_x_m", "mean"),
    pos_y_m=("pos_y_m", "mean"),
    pos_z_m=("pos_z_m", "mean"),
    bx_uT=("mag_x_uT_clean", "median"),
    by_uT=("mag_y_uT_clean", "median"),
    bz_uT=("mag_z_uT_clean", "median")
).reset_index()

注意在实际代码里，如果文件本身没有 pos_x_m 这一列，你需要先用毫米值除以1000生成该列。我这里为了演示，已经将位置转为米口径。

5.3 用偶极子模型定位异常磁源

处理完后，我把观测数据送到候选点搜索函数里。搜索范围取 (x \in [0, 80] \text{ mm})，(y \in [0, 50] \text{ mm})，候选点高度从 (z = 0 \text{ mm})开始，每隔0.5 mm向上取一层，最多算到20 mm。

对每个候选位置，用前面那段代码解出最优磁矩和RMS残差。残差最低的位置大约在 (x = 42 \text{ mm}), (y = 28 \text{ mm}), (z = 1 \text{ mm}) 附近。从机械图上看，这里刚好是轴承座安装脚的一个根部。

这个位置的磁场实测峰值大约几百nT量级，模拟得到的磁源强度并不大，但如果真的有周期性受力，微小的剩磁也可能被反复激励。后来用更高分辨率的局部扫描在那片区域重新验证，确实看到和周围不一样的梯度特征。虽然不能仅凭磁场就断定“这里一定有某种缺陷”，但至少给后续检查一个非常明确的重点区域。

5.4 模拟与实测的差距，为什么值得分析

在这个案例里，单纯看整体RMS，模型和实测的差距不算大。可如果把每个观测点的残差画出来，会发现一个规律：离磁源越近，残差越大，在中心点附近甚至可能达到峰值的20%-30%。

原因是多方面的。偶极子模型本质上是在用一个“点源”去代替一个有一定几何尺寸的磁性区域。观测点离源很近时，被测对象上不同部位对观测点的贡献已经不能简单当作一个点了，所以误差会明显增大。传感器的位置误差在这个区域也更容易放大磁场差异，因为这里的空间梯度大，1 mm的位置偏差就对应不小的磁场变化。

这说明一个问题：用偶极子模型得出的磁源位置可以当作快速筛选用，不要把它当作精确的“缺陷坐标”。如果想得到亚毫米级别的定量分布，要么用更高空间分辨率的扫描，要么对局部区域用更接近真实形状的模型或更高阶的等效源。

6. 模拟效果怎么验收，怎么避免自欺欺人

做完一次模拟后，很多人会忍不住看一眼R²或相关系数，看到0.99就发朋友圈。但这类指标在磁场模拟里很容易骗人。

6.1 别只看相关性，要看绝对残差

如果实测数据本身动态范围很大，比如从靠近磁源时几千nT衰减到远离磁源时的几十nT，那么即使模型在近源区差得离谱，整体R²依然可能接近0.99。原因是平方误差主要由大幅值部分主导，远处的小幅值部分根本不影响大局。

更适合的验收指标有三个：

• 整体RMS残差：和测量噪声水平对比
• 残差随空间位置的变化：如果残差集中在一个局部区域，说明模型在那个区域失效
• 相对残差：用残差除以局部磁场的模值，可以反映模型“在哪儿好使，在哪儿不好使”

比如前面案例里，整体RMS只有峰值的5%，看着不错。但残差最大处集中在大约5 mm半径的区域内，相对残差达到25%。这种信息只能靠分析残差空间分布才能得到。

6.2 系统梳理一遍误差来源，别让模型背锅

模拟结果不理想，第一个被怀疑的往往是数学公式不够精细，但实际上有太多误差在观测阶段就埋下了。我习惯用下面这个表来辅助归因：

我自己遇到过最头疼的一次，模拟误差一直降不下去，后来发现是扫描机构的Z轴高度每次换行时有一点回程间隙，导致一半扫描线的实际高度比另一半低大约0.5 mm。0.5 mm在宏观上几乎看不见，但在靠近磁源的地方足以让模拟结果出现横向条带错误。排查这种问题没有任何捷径，只能通过残差图和扫描路径对比一个个试。

6.3 什么时候该果断放弃偶极子模型

偶极子模型不是万能的。下面几种情况我会建议换用其他方法：

• 观测点离被测对象表面太近，比如距离已经小于磁性区域的尺寸
• 被测对象形状极不规则，且磁性分布在多个互相影响的部件上
• 需要精确知道电磁屏蔽结构内部或缝隙里的磁场分布
• 需要计算磁路饱和、涡流这类非线性效应

这时候再硬套偶极子模型，只能得到一个“像模像样但本质错误”的结论。该上有限元就上有限元，或者使用磁荷分布模型、边界元方法这类更适合近场计算的等效模型。

6.4 我的验收检查清单

每完成一次数据导入和模拟，我会对着这个清单过一遍：

• 单位是否统一并注明？磁矩、距离、场强单位在代码里是否一致？
• 背景场是在什么条件下扣的？是否存在分段背景？
• 传感器安装角度是否已记录且验证过？
• 磁源定位结果是否和实测高梯度区域对应？
• 残差分布图上有没有明显的系统条纹或单边分布？
• 近源区的模拟结果是否被明确标记为“仅供参考”？

如果全部通过，我才会把结论写进检测报告或项目总结里。

最后分享一个我长期坚持的工作习惯：每次扫描任务结束后，我会把原始数据、处理脚本、模型参数、版本号、传感器安装备注放在同一个文件夹里，再写一个两行字的README说明这次数据采集时的环境和临时情况。之后即使过了很久再回看这份数据，也不会对着一个光秃秃的CSV发愁。后来好几次帮别人分析历史数据，都是靠这种备注文件才能还原当时的测量条件。这个习惯不复杂，但对“导入”和“模拟”之间的可靠性帮助非常大。