experiment-data-process/test20171020.py at master · kun0523/experiment-data-process · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
#coding:utf-8
#2017/10/15 实现颗粒与筛网数据的预处理

from data_preprocess import dataParticle,dataScreen
from functions import *

path = 'F:\data\\test_data1\\'
x_name = 'bj03_x.csv'
y_name = 'bj03_y.csv'
z_name = 'bj03_z.csv'
mass_name = 'bj03_mass.csv'
x_max_name = 'bj03_screen_x_max.csv'
x_min_name = 'bj03_screen_x_min.csv'
z_max_name = 'bj03_screen_z_max.csv'
z_min_name = 'bj03_screen_z_min.csv'

import matplotlib.pyplot as plt
import numpy as np
import time

ptc_tim = dataParticle(path,x_name,y_name,z_name,mass_name) #返回的数据是list 以各个时刻保存 其下为数组元素
# ptc_tim[0] 第一个时刻的颗粒数据
scn_tim,tim_ls = dataScreen(path,x_max_name,x_min_name,z_max_name,z_min_name)
# scn_tim[0,0:2] 第一个时刻的左侧点  scn_time[0,2:] 第一个时刻的右侧点

id_edtim = getEndTime(ptc_tim,scn_tim,tim_ls) #返回筛分结束的时刻标号

# plt.plot(ptc_tim[id_edtim][:,0],ptc_tim[id_edtim][:,1],'.',c='k') #画出颗粒分布
# plt.plot(scn_tim[id_edtim,[0,2]],scn_tim[id_edtim,[1,3]],c='r') #画出筛网位置
# plt.show()

eff = calScrEff(ptc_tim[id_edtim],scn_tim[id_edtim]) #结束时刻的筛分效率

# tim = timEff98(tim_ls,ptc_tim,scn_tim) #可计算出达到98%最大筛分效率的时间

id_stab_tims = stabTim(ptc_tim,scn_tim) #可计算稳定筛分阶段的起止时刻 标号

ti = id_stab_tims[0]+10 #指定 计算四要素 的时刻 即四要素都是ti时刻的状态！！
ptc_bed,bed_z = getBedPtc(ti,ptc_tim[ti],scn_tim[ti]) #返回指定时刻的料层颗粒 转换坐标后的颗粒

por = calPorosity(ptc_bed) #计算松散系数 传入一个时刻下的料层颗粒

#给出稳定筛分阶段 多个时刻下的 松散系数
# times = np.arange(id_stab_tims[0],id_stab_tims[1],4)
# por = np.empty(len(times))
# for i,ti in enumerate(times):
# 	ptc_bed,scn_z_min,bed_z_label = getBedPtc(ti,ptc_tim[ti],scn_tim[ti]) #返回指定时刻的料层颗粒 转换坐标后的颗粒
# 	por[i] = calPorosity(ptc_bed)

stratifi = calStratification(ptc_bed,bed_z) #计算分层沉降系数

pm,pt = calMeetThrou(ptc_tim[ti],scn_tim[ti]) #计算触网概率pm 和 透筛概率pt
#sum(ptc_scnard[:,2]<0) #即筛网附近颗粒中 筛下的颗粒

# plt.scatter(ptc_up[:,0],ptc_up[:,1],marker='.');plt.show()