三个核验案例的独立复核记录

日期：2026-07-08 目的：汇报要求"给出某个截图或时间点的实际值，回原始文件核实"。Codex 整理了 3 个案例（output/review_verification_cases/），本记录是 Claude Code 对这 3 个案例做的独立复核——不信任 Codex 报告的数字，直接从原始 txt 重新取数、重新用 numpy 手写脚本算一遍，检查是否一致。

复核方法

对每个案例：

用 sed 按案例给出的行号范围，从原始 .txt 直接截取对应行，核对"原始波形前10点"是否逐位吻合。
用一份不依赖项目任何代码（不 import ae_field_survey.py 等）的独立 Python 脚本，重新执行：去均值 → Hann 窗 → rfft（fft_size=2048）→ 功率谱 |X|^2 → 剔除 0 Hz → 按频带求和 → 计算占比。
对比复算结果与案例文档中的数字。

复核结果

案例	文件 / 通道 / 时间窗	行号核对	复算 vs 报告
1. CH1 低频稳定	`26-07-06 16-57-30.txt`，CH1，0–1ms	行 2–2001，前10点逐位吻合	RMS=25.3283、`<=125k`=99.9879%、`>250k`=0.0088%、主频20507.8125Hz — 精确吻合
2. CH1 高频风险	`26-07-07 15-00-55.txt`，CH1，2.684–2.685s	行 5368002–5370001（2.684s×2MHz=5,368,000，换算无误），前10点逐位吻合	RMS=17.893、`<=125k`=31.4252%、`>250k`=57.8462%、250-400k=10.9595%、400k-1M=46.8867% — 精确吻合
3. CH4 高频风险	`26-07-07 14-27-36.txt`，CH4（第5列），0–1ms	行 2–2001，前10点吻合（唯一差异是报告文本四舍五入到6位小数，非数值错误）	RMS=1.5403、`<=125k`=1.5226%、`>250k`=97.6183%、主频324218.75Hz — 精确吻合

三个案例，所有数字均通过独立复现验证，未发现偏差。

结论与建议

这 3 个案例可以直接提交用于汇报核对：每个案例给出的行号范围和原始波形数值，足够汇报时用文本编辑器/Excel 直接核对到具体行，不需要相信任何"黑箱计算"。
案例选择有代表性：案例1是安全区（支持500kSPS判断），案例2是同一通道 CH1 在不同时间窗口的危险区（说明不能只看通道级中位数），案例3是CH4的极端高频区。三者组合能让评审方一次看清"同通道不同文件差异"和"跨通道差异" 两个维度。
遗留问题（不影响本次交付，供后续说明用）：案例2选取的 2.684s 窗口未说明是如何被选中的（是否取自 top_energy_windows 的峰值窗口，还是固定/随机时间点）。若汇报中追问"是不是挑了个最极端的例子"，需要补充这个选择依据。
另需注意（详见 documents/REVIEW_ANALYSIS_CALCULATION_2026-07-08.md 的评审记录）：本次验证的是频带占比计算本身（FFT→功率谱→频带求和），这部分已确认正确；但 A/B/C 风险分型的生成代码目前在代码库中未找到，如果汇报中进一步追问"分型规则能否重跑"，仍需先补回这部分代码。

复核脚本（供复查）

复核用的独立脚本逻辑（非项目代码，手写一次性验证脚本）：

import numpy as np

fs = 2_000_000.0
with open(path, "r", encoding="utf-8", errors="replace") as f:
    lines = f.readlines()
rows = lines[start_line - 1 : end_line]  # 案例给出的行号范围
values = np.array([float(r.strip().split(";")[col]) for r in rows])

rms = np.sqrt(np.mean(values**2))
mean = np.mean(values)
peak = np.max(np.abs(values))

n = 2048  # next_pow2(2000)
centered = values - mean
hann = np.hanning(2000)
spec = np.fft.rfft(centered * hann, n=n)
power = np.abs(spec) ** 2
freqs = np.fft.rfftfreq(n, d=1.0 / fs)
power[freqs == 0] = 0.0
total = power.sum()

def frac(lo, hi):
    mask = (freqs >= lo) & (freqs < hi)
    return power[mask].sum() / total

le125 = frac(0, 50_000) + frac(50_000, 100_000) + frac(100_000, 125_000)
le200 = le125 + frac(125_000, 200_000)
above250 = frac(250_000, 400_000) + frac(400_000, 1_000_000)